一、建模方法论
数仓的建模或者分层，其实都是为了更好的去组织、管理、维护数据，所以当你在更高的维度去看的话，所有的划分都是为了更好的管理。
1.访问性能
能够快速查询所需的数据，减少数据I/O。
2.数据成本
减少不必要的数据冗余，实现计算结果数据复用，降低大数据系统中的存储成本和计算成本。
3.使用效率
改善用户应用体验，提高使用数据的效率。
4.数据质量
改善数据统计口径的不一致性，减少数据计算错误的可能性，提供高质量的，一致的访问平台。
二、数仓建模
1.维度建模
维度建模是数仓领域另一位大师ralph kimball所倡导，是数据仓库工程领域最流行的数仓建模经典。维度建模以分析决策的需求出发构建模型，构建的数据模型为分析需求服务，因此它重点解决用户如何更快完成分析需求，同时还有较好的大规模复杂查询的响应性能。维度建模是专门用于分析型数据库，数据仓库、数据集市建模的方法。
维度建模的主要构成是维度表和事实表。每一张维度表对应现实世界中的一个对象或者一个主题，例如：客户、产品、时间、地区等，通常是包含了多个属性的列，通常数据量不会太大；事实表则是描述业务的多条记录，包含了描述业务的度量值以及和维度表相关联的外键，外键和维度表通常是多对多的关系，数据量大而且经常发生变化。
维度分为：
① 退化维度（DegenerateDimension）
在维度类型中，有一种重要的维度称作为退化维度，亦维度退化一说。这种维度指的是直接把一些简单的维度放在事实表中。退化维度是维度建模领域中的一个非常重要的概念，它对理解维度建模有着非常重要的作用，退化维度一般在分析中可以用来做分组使用。
② 缓慢变化维（Slowly Changing Dimensions）
维度的属性并不是始终不变的，它会随着时间的流逝发生缓慢的变化，这种随时间发生变化的维度我们一般称之为缓慢变化维（SCD）。比如员工表中的部门维度，员工的所在部门有可能两年后调整一次。
维度建模一般包含三个，一般是根据业务需求和业务复杂性加以区分，有区分的方法但没有比较清晰地界限。
（1）星型模型
星型模式（star schema）是面向主题的常用模式，主要由一个事实表和多个维度表构成，不存在二级维度表。
（2）雪花模型
雪花模型（snowflake schema）是在星型模型基础上将维表再次扩展，每个维表可以继续向外连接多个子维表
雪花模型相当于将星型模型的大维表拆分成小维表，满足了规范化设计，因为很少会有事实表只关联一层维度的，往往维度还会细分，钻取。然而这种模式在实际应用中很少见，因为跨表查询时效率很慢，所以现在的做法是将部分维度表整合到事实表中，形成宽表，在查询汇总的时候只需要group by就可以了，不需要在进行join操作。
（3）星座模型
星座模型（fact constells schema）也是星型模型的扩展，存在多个事实表且可共用同一个维表。实际上数仓模型建设后期，大部分维度建模都是星座模型。
标签：数仓,模型,数据仓库,建模,星型,维度,数据 From： https://www.cnblogs.com/xiao-wang-tong-xue/p/17118922.html