第一篇：数据仓库的概述

1.数据仓库基本概念

　　数据仓库是一个面向主题的、集成的、不可更新的、随时间变化的。

　　它用于支持企业或组织的决策分析处理。

2.数据分层

　　ods(operatitional data store)层：称为源数据层，表结构与业务系统的表保持基本一致。通常在ods层主要做一些字段的筛选，枚举值的转换，统一编码，异常值与缺失值的处理等操作。

　　dim层：这层主要放一些维表，公共的维表需要跟业务沟通，最后确定。维表的生成基本都是从业务中抽象出来的。主要用到缓慢变化维技术。

　　dw(datawear house store)：主要根据业务出一些大宽表，数据粒度与ods保持一致，在这一层会按域-->>主题进行建模

　　　　dw细分还可以分为dwd（detial）与dws（summary），分别为dw的明细层，dw的汇总层

　　dm（data mark）：称为数据集市层，也可称为应用层（application data store ads）。集市主要是按业务主题、分主题进行建模的。面向特定的业务部门或人员。提供分析决策所需要的数据汇总、分析等。

3.数据仓库与传统数据的比较（olap与oltp）

　　olap(on-line analytical processing)：联机分析处理，数据量大，操作少。以多维建模的方式进行分析数据，能够进行上砖，下砖，切片分析等。

　　oltp(on-line transaction processing)：联机事物处理，数据量少，操作频繁。主要处理日常事物。

　　

4.数据仓库设计方法

　　仓库建模一般分为两种：三范式建模、多维建模

　　三范式建模（er模型）

　　　　1.需要全面了解业务

　　　　2.实施周期长

　　　　3.对建模人员的要求也比较高

　　多维建模（星型模型、雪花模型）

　　　　1.以分析为主来构建模型（多角度）

　　　　2.重点解决用户如何快速完成分析

　　　　3.对于大规模查询有较好的响应

　　目前主流的数据库还是以多维建模为主，这样能快速完成开发任务。下一篇重点介绍多维建模中的缓慢变化维。