一、维度建模方法论前文已经简单介绍了什么是数据仓库，数据仓库事实表、维表等相关概念。在了解这些概念之后，我们要建设符合企业要求，能支持业务使用、运营分析的数据仓库。然而在对数据建模之前，我们要对整个业务系统有深刻的理解，只有深度理解了公司内的业务，在数仓建设过程中才会抽象出公共维度的事实宽表，减少数据重复建模、提升数据质量。
数据仓库建模方法论有多种：分别是维度建模、范式建模、Data Vault模型、Anchor模型。而在企业中最流行，最常用的数仓建模方式便是维度建模。
1、维度模型
按数据组织建模类型划分可分为星型模型、雪花模型、星座模型。前文中已经介绍了相关概念，这里不再做过多赘述。
1.1、星型模型
星型模型是维表和事实表，以事实表为中心，所有维度直接关联在事实表上，呈星型分布，即是 星型模型。
图来源于Kimball
1.2、雪花模型
在星型模型的基础上，维度表上又关联了其他维度表，这种叫雪花模型。
雪花模型维护成本高，性能较差，一般很少使用。尤其在基于Hadoop体系构建数据仓库时，尽可能的要减少join的操作。
1.3、星座模型
星座模型，是对星型模型的扩展延伸，多张事实表共享维度表。
2、范式模型
即实体关系（ER）模型，从全企业的高度设计一个3NF模型，用实体加关系描述的数据模型描述企业业务架构，在范式理论上符合3NF。
3、Data Vault模型
DataVault由Hub（关键核心业务实体）、Link（关系）、Satellite（实体属性） 三部分组成 ，它是在ER关系模型上的衍生，同时设计的出发点也是为了实现数据的整合，并非为数据决策分析直接使用。
4、Anchor模型
高度可扩展的模型，所有的扩展只是添加而不是修改，因此它将模型规范到6NF，基本变成了K-V结构模型，基本很少使用。
二、维度建模流程下面通过一个业务场景来简单论述维度建模的过程，我们以微商城下单为例：一个会员购买一件商品，会生成一条记录数据。这条记录包含了会员的ID、商品的ID、时间，支付金额，支付方式等等诸多业务信息，我们对这条记录进行拆分。
维度建模的步骤：
2.1、收集业务需求与数据实现
在进行数据建模之前，我们要跟业务方进行充分沟通，理解整个链路的业务，对底层数据要充分认识。通过沟通交流、查看数据库数据或现有报表数据，理解他们需要的关键性指标，运营指标。同时数据实际情况要跟多开发组进行反复核验，确保数据的 原子性(原生业务数据，未进行任何加工处理的数据)。
2.2、选择业务过程
业务过程是业务活动事件，如下单，支付，退款都是业务过程，把这些过程转换为事实表中的事实，多数事实表只记录某一业务过程的结果。业务过程的选择非常重要，因为业务过程定义了特定的设计目标以及对粒度、维度、事实的定义。
2.3、声明粒度
声明粒度是维度设计的重要步骤，粒度用于确定某一事实表中的行表示什么。在选择维度或事实前必须声明粒度，因为每个维度或事实必须与定义的粒度保持一致。在从给定的业务过程获取数据时，原子粒度是最低级别的粒度。
2.4、确认维度
维度是度量的环境，用来反映业务的一类属性。这类属性的集合构成一个维度，也可以称为实体对象。维度属于一个数据域，如地理维度（其中包括国家、地区、省以及城市等级别的内容）、时间维度（其中包括年、季、月、周、日等级别的内容）。
2.5、确认事实
事实 涉及来自业务过程事件的度量，基本上都是以数据值表示。事实表作为数据仓库维度建模的核心，紧紧围绕着业务过程来设计，通过获取描述业务过程的度量来表达业务过程，包含了引用的维度和与业务过程有关的度量。在设计过程中，可以选择不同类型的事实表，它们有各自的适用场景
2.6、数据建模
选择一种维度模型进行数据建模，使用星型建模对业务数据进行建模。
三、数仓建模规范3.1、数仓层级划分
数据仓库分层
ODS原始数据层
ODS层保存所有操作数据，不对原始数据做任何处理。在业务系统和数据仓库之间形成一个隔离，源系统数据结构的变化不影响其他数据分层。减轻业务系统被反复抽取的压力，由ODS统一进行抽取和分发。记住ODS层数据要保留数据的原始性。
处理原则：
根据源业务系统表的情况以增量或全量方式抽取数据；
ODS层以流水表和快照表为主，按日期对数据进行分区保存，不使用拉链表；
ODS层的数据不做清洗和转换，数据的表结构和数据粒度与原业务系统保持一致。
DWD数据明细层
DWD层的数据是经由ODS层数据经过清洗、转换后的明细数据，满足对标准化数据需求。如对NULL值处理，对数据字典解析，对日期格式转换，字段合并、脏数据处理等。
处理原则：
数据结构与ODS层一致，但可以对表结构进行裁剪和汇总等操作；
对数据做清洗、转换；
DWD层的数据不一定要永久保存，具体保存周期视业务情况而定。
DWS数据汇总层
DWS层数据 按主题对数据进行抽象、归类，提供业务系统细节数据的长期沉淀。这一层是一些汇总后的宽表，是根据DWD层数据按照各种维度或多种维度组合，把需要查询的一些事实字段进行汇总统计。可以满足一些特定查询、数据挖掘应用，面向业务层面，根据需求进行汇总。
处理原则：
面向全局、数据整合；
存放最全的历史数据，业务发生变化时易于扩展，适应复杂的实际业务情况；
尽量减少数据访问时的计算量，优化表的关联。维度建模，星形模型；
事实拉宽，度量预先计算， 基本都是快照表。反规范化，有数据冗余。
ADS数据明细层
ADS应用层 是根据业务需要，由DWD、DWS数据统计而出的结果，可以直接提供查询展现，或导入至Oracle等关系型数据库中使用。这一层的数据会面向特定的业务部门，不同的业务部门使用不同的数据，支持数据挖掘。
处理原则：
形式各式，主要按不同的业务需求来处理；
保持数据量小，定时刷新数据；
数据同步到不同的关系型数据库或hbase等其他数据库中。
提供最终数据，来满足业务人员、数据分析人员的数据需求。
数据仓库分层模式作用
3.1.1、数据结构化更清晰：对于不同层级的数据，他们作用域不相同，每一个数据分层都有它的作用域，这样我们在使用表的时候能更方便地定位和理解。
3.1.2、数据血缘追踪：提供给外界使用的是一张业务表，但是这张业务表可能来源很多张表。如果有一张来源表出问题了，我们可以快速准确的定位到问题，并清楚每张表的作用范围。
3.1.3、减少重复开发：数据分层规范化，开发一些通用的中间层数据，能够减少重复计算，提高单张业务表的使用率。
3.1.4、简化复杂的问题：把一个复杂的业务分成多个步骤实现，每一层只处理单一的步骤，比较简单和容易理解。而且便于维护数据的准确性，当数据出现问题之后，可以不用修复所有的数据，只需要从有问题的步骤开始修复。有点类似Spark RDD的容错机制。
3.1.5、减少业务的影响：业务可能会经常变化，这样做就不必改一次业务就需要重新接入数据。
3.2、数据域划分和命名数据域的划分至关重要，在数据建模过程中，往往需要我们根据业务划分数据并约定命名。建议使用业务名称结合数据层次约定相关命名的英文缩写，这样划分层次更清晰，见名即可知意。
3.2.1、数据域划分按业务划分：
命名时按主要的业务划分，以指导物理模型的划分原则、命名原则及使用。如公司有多条业务线，可以按照不同业务线进行划分。
按数据域划分：
命名时按照数据域进行划分，以便有效地对数据进行管理。例如，交易 数据的英文缩写可定义为“trd”，会员数据的英文缩写可以定义为 mbr。
按业务过程划分：
当一个数据域由多个业务过程组成时，命名时可以按业务流程划分。业务过程是从数据分析角度看客观存在的或者抽象的业务行为动作。例如，交易数据域中的“退款”这个业务过程的英文缩写可约定命名为“rfd_ent”。
3.2.2、任务命名针对数据域任务命名一定要按照规范执行，这里以作者工作中常使用的命名方式为例，当然每个人习惯不同，命名可能有所不同。
如：ods_jnxx_mbr_intgl_di
ods：代表ods层
jnxx：公司名称英文缩写
mbr：会员 的缩写 mbr，表示会员业务
intgl：会员积分 英文的缩写，会员积分相关任务
di：代表天增量。
d：代表日全量同步
ri：代表小时增量同步
m：代表月
等等，这里就不一一举例了。
