本文主要討論數(shù)據(jù)倉庫的構(gòu)建方法論，包括數(shù)據(jù)倉庫的價值、選型、構(gòu)建思路。隨著數(shù)據(jù)規(guī)模膨脹和業(yè)務(wù)復(fù)雜度的提升，大型企業(yè)需要構(gòu)建企業(yè)級的數(shù)據(jù)倉庫（數(shù)據(jù)湖）來快速支撐業(yè)務(wù)的數(shù)據(jù)化需求，與傳統(tǒng)的數(shù)據(jù)庫構(gòu)建不通，數(shù)據(jù)倉庫即是OLAP場景，偏于歷史數(shù)據(jù)的存儲/分析，用冗余存儲換取數(shù)據(jù)價值。

01 數(shù)據(jù)倉庫與數(shù)據(jù)庫的區(qū)別

所有的應(yīng)用系統(tǒng)都會涉及到數(shù)據(jù)庫，針對數(shù)據(jù)庫歸納和存放，也就是數(shù)據(jù)庫的常見操作：增、刪、改、查，那么為什么想要對企業(yè)數(shù)據(jù)進(jìn)行分析，不能直接查詢數(shù)據(jù)庫，非要大費力氣的去創(chuàng)建所謂的數(shù)據(jù)倉庫和數(shù)據(jù)湖呢？

數(shù)據(jù)倉庫主要是為了能夠支持管理決策，而數(shù)據(jù)庫是為了滿足系統(tǒng)的及時性、一致性。

好比你去銀行存錢，你希望剛把錢存進(jìn)去就能夠查詢到余額增加，你不希望第二天才能夠確認(rèn)，但是若是銀行想對你的流水和余額進(jìn)行分析，這個時候希望知道你在不同時期的銀行余額，那么從數(shù)據(jù)庫里是查不到你的歷史余額信息的，因為數(shù)據(jù)庫在設(shè)計的時候就需要滿足一定的范式，為的就是滿足及時性和去冗余，一個客戶對應(yīng)的余額只有一個，你在存款的時候，新的余額就會覆蓋掉老的余額，所以你的歷史信息在數(shù)據(jù)庫中是沒有記錄的。

如果銀行希望查詢客戶的歷史信息，比如說你需要查詢個人客戶信息，他可能在柜臺交易系統(tǒng)中有記錄，也可以在網(wǎng)上銀行交易系統(tǒng)也有記錄，而你希望查詢客戶柜臺交易信息以及網(wǎng)銀交易信息，這個時候需要跨系統(tǒng)查詢，有可能兩個系統(tǒng)所使用的數(shù)據(jù)庫都不一樣，各自權(quán)限負(fù)責(zé)人員也不一樣，跨系統(tǒng)查詢顯得非常困難，這個時候需要一個系統(tǒng)能夠?qū)⑺袠I(yè)務(wù)系統(tǒng)的數(shù)據(jù)匯總起來并能夠跨系統(tǒng)查詢，這個時候數(shù)據(jù)倉庫定義中的集成的，反映歷史變化的正好解決了此問題，數(shù)據(jù)庫和數(shù)據(jù)倉庫的對比。

其中OLTP（On-Line Transaction Processing）指的是傳統(tǒng)的關(guān)系型數(shù)據(jù)庫，針對實時業(yè)務(wù)處理，面對的主要操作是隨機讀寫，采用滿足三范式的實體關(guān)系模型存儲數(shù)據(jù)，從而在事務(wù)處理中解決數(shù)據(jù)的冗余和一致性問題。

而OLAP（On-Line Analytical Processing）系統(tǒng)面向數(shù)據(jù)批量讀寫，OLAP不關(guān)注事務(wù)處理的一致性，主要在數(shù)據(jù)的整合，以及復(fù)雜大數(shù)據(jù)查詢和處理性能，OLAP能夠支持復(fù)雜的分析操作。

綜上， 數(shù)據(jù)庫的設(shè)計是為了完成交易而設(shè)計的，不是為了而查詢和分析的便利設(shè)計的。而數(shù)據(jù)倉庫是為了大量的查詢和分析所設(shè)計的。

02 數(shù)據(jù)倉庫對于企業(yè)的價值

數(shù)據(jù)倉庫能實現(xiàn)跨業(yè)務(wù)條線、跨系統(tǒng)的數(shù)據(jù)整合，為管理分析和業(yè)務(wù)決策提供統(tǒng)一的數(shù)據(jù)支持，從根本上把運營數(shù)據(jù)轉(zhuǎn)化成為高價值的可以獲取的信息（或知識），并且在恰當(dāng)?shù)臅r候通過恰當(dāng)?shù)姆绞桨亚‘?dāng)?shù)男畔鬟f給恰當(dāng)?shù)娜恕?

數(shù)據(jù)倉庫定義：面向主題的（Subject Oriented）、集成的（Integrate）、相對穩(wěn)定的（Non-Volatile）、反映歷史變化（Time Variant）的數(shù)據(jù)集合；

面向主題：是指用戶使用數(shù)據(jù)倉庫進(jìn)行決策時所關(guān)心的重點方面，如：收入、客戶、銷售渠道等；所謂面向主題，是指數(shù)據(jù)倉庫內(nèi)的信息是按主題進(jìn)行組織的，而不是像業(yè)務(wù)支撐系統(tǒng)那樣是按照業(yè)務(wù)功能進(jìn)行組織的。

集成的：是指數(shù)據(jù)倉庫中的信息不是從各個業(yè)務(wù)系統(tǒng)中簡單抽取出來的，而是經(jīng)過一系列加工、整理和匯總的過程，因此數(shù)據(jù)倉庫中的信息是關(guān)于整個企業(yè)的一致的全局信息。

反映歷史變化：數(shù)據(jù)倉庫內(nèi)的信息并不只是反映企業(yè)當(dāng)前的狀態(tài)，而是記錄了從過去某一時點到當(dāng)前各個階段的信息。通過這些信息，可以對企業(yè)的發(fā)展歷程和未來趨勢做出定量分析和預(yù)測。

如下圖，數(shù)據(jù)倉庫并非是面向生產(chǎn)的數(shù)據(jù)系統(tǒng)，而是集成并加工了多個數(shù)據(jù)庫系統(tǒng)數(shù)據(jù)，并面向各個業(yè)務(wù)條線構(gòu)建的數(shù)據(jù)存儲體系，能夠提供快速的運營/決策支撐能力。

高級管理進(jìn)行業(yè)務(wù)分析和績效考核的數(shù)據(jù)整合、分析和展現(xiàn)的工具。

主要用于歷史性、綜合性和深層次數(shù)據(jù)分析。

數(shù)據(jù)來源是ERP系統(tǒng)或其他業(yè)務(wù)系統(tǒng)。

能夠提供靈活、直觀、簡潔和易于操作的多維查詢分析。

不是日常交易操作系統(tǒng)，不能直接產(chǎn)生交易數(shù)據(jù)。

數(shù)據(jù)倉庫系統(tǒng)能夠為企業(yè)的數(shù)據(jù)化提供：

03 數(shù)據(jù)倉庫的模型構(gòu)建

一、數(shù)據(jù)倉庫構(gòu)建需要考慮的問題

與數(shù)據(jù)庫的單表基于ER模型構(gòu)建思路不同，其面向特定業(yè)務(wù)分析的特性，決定了它的構(gòu)建需要整合多套數(shù)據(jù)輸入系統(tǒng)，并輸出多業(yè)務(wù)條線的、集成的數(shù)據(jù)服務(wù)能力，需要考慮更全面的因素，包括：

業(yè)務(wù)需求：從了解業(yè)務(wù)需求著手分析業(yè)務(wù)特點和業(yè)務(wù)期望。

系統(tǒng)架構(gòu)：從系統(tǒng)架構(gòu)和數(shù)據(jù)分布、數(shù)據(jù)特性等角度，分析系統(tǒng)架構(gòu)設(shè)計上是否有問題。

邏輯設(shè)計：從數(shù)據(jù)模型邏輯設(shè)計出發(fā)是否設(shè)計合理，是否符合數(shù)據(jù)庫開發(fā)和設(shè)計規(guī)范等。

物理設(shè)計：從庫表類型、庫表分區(qū)、索引、主鍵設(shè)計等維度，主要針對性能，可擴(kuò)展性進(jìn)行物理模型設(shè)計審查。

二、什么是數(shù)倉的數(shù)據(jù)模型

數(shù)據(jù)倉庫模型構(gòu)建的宗旨能夠直觀地表達(dá)業(yè)務(wù)邏輯，能夠使用實體、屬性及其關(guān)系對企業(yè)運營和邏輯規(guī)則進(jìn)行統(tǒng)一的定義、編碼和命名，是業(yè)務(wù)人員和開發(fā)人員之間溝通的一套語言，數(shù)據(jù)倉庫數(shù)據(jù)模型的作用：

統(tǒng)一企業(yè)的數(shù)據(jù)視圖。

定義業(yè)務(wù)部門對于數(shù)據(jù)信息的需求。

構(gòu)建數(shù)據(jù)倉庫原子層的基礎(chǔ)。

支持?jǐn)?shù)據(jù)倉庫的發(fā)展規(guī)劃。

初始化業(yè)務(wù)數(shù)據(jù)的歸屬。

常用數(shù)據(jù)模型的是關(guān)系模型和維度模型，關(guān)系模型從全企業(yè)的高度設(shè)計一個3NF模型的方法，用實體加關(guān)系描述的數(shù)據(jù)模型描述企業(yè)業(yè)務(wù)架構(gòu)，在范式理論上符合3NF，其站在企業(yè)角度進(jìn)行面向主題的抽象，而不是針對某個具體業(yè)務(wù)流程的，它更多是面向數(shù)據(jù)的整合和一致性治理。

維度建模以分析決策的需求為出發(fā)點構(gòu)建模型，直接面向業(yè)務(wù)，典型的代表是我們比較熟知的星形模型，以及在一些特殊場景下適用的雪花模型，大多數(shù)據(jù)倉庫均會采用維度模型建模。

維度建模中的事實表客觀反應(yīng)整個業(yè)務(wù)的流程，比如一次購買行為我們就可以理解為是一個事實，訂單表就是一個事實表，你可以理解他就是在現(xiàn)實中發(fā)生的一次操作型事件，我們每完成一個訂單，就會在訂單中增加一條記錄，訂單表存放一些維度表中的主鍵集合，這些ID分別能對應(yīng)到維度表中的一條記錄，用戶表、商家表、時間表這些都屬于維度表，這些表都有一個唯一的主鍵，然后在表中存放了詳細(xì)的數(shù)據(jù)信息。

如果是采用ER模型，需要設(shè)計出一個大寬表，將訂單-商家-地址-時間等信息囊括在內(nèi)，比較直觀、細(xì)粒度，但也存在設(shè)計冗余，如果數(shù)據(jù)量很大，對于查詢和檢索將是一個災(zāi)難。

三、如何構(gòu)建數(shù)倉的數(shù)據(jù)模型

概念模型設(shè)計（業(yè)務(wù)模型）：界定系統(tǒng)邊界；確定主要的主題域及其內(nèi)容；邏輯模型設(shè)計：維度建模方法（事實表、維度表）；以星型和雪花型來組織數(shù)據(jù)；物理模型設(shè)計：將數(shù)據(jù)倉庫的邏輯模型物理化到數(shù)據(jù)庫的過程。

1、概念模型設(shè)計

數(shù)據(jù)倉庫中數(shù)據(jù)模型設(shè)計順序如上，數(shù)據(jù)倉庫是為了輔助決策的，與業(yè)務(wù)流程（Business Process）息息相關(guān)，數(shù)據(jù)模型的首要任務(wù)便是選擇業(yè)務(wù)流程，為數(shù)據(jù)倉庫的建立提供指導(dǎo)方向，這樣才能反過來為業(yè)務(wù)提供更好的決策數(shù)據(jù)支撐，讓數(shù)據(jù)倉庫價值的最大化，對于每個業(yè)務(wù)流程，都需要進(jìn)行獨立的數(shù)據(jù)建模，將業(yè)務(wù)系統(tǒng)中的 ER 模型轉(zhuǎn)化為數(shù)據(jù)倉庫中的維度數(shù)據(jù)模型，以便更好的查詢與分析。

2、邏輯模型設(shè)計

事實表一般由兩部分組成，維度（Dimension）和度量（Measurement），事實表可以通俗的理解為「什么人在什么時間做了什么事」的事實記錄或者場景上下文，擁有最大的數(shù)據(jù)量，它是業(yè)務(wù)流程的核心體現(xiàn)，比如電商場景中的訂單表，其主鍵為一個聯(lián)合主鍵，由各個維度的外鍵組成，外鍵不能為空值，事實表一般不包含非數(shù)字類型字段，雖然數(shù)據(jù)量大，但占用的空間并不大，保證更高的查詢效率。

維度表用于對事實表的補充說明，描述和還原事實發(fā)生時的場景，如電商訂單中定義用戶、商品、地址、時間、促銷5個維度，通過這5個維度還原訂單發(fā)生時的場景，什么人在什么時間在什么地方購買了什么商品，以及購買該商品的促銷方式。對于每一個維度而言，都有若干個屬性來描述，比如用戶有性別、年齡、所在地等信息。這些維度的屬性就是之后數(shù)據(jù)統(tǒng)計的依據(jù)，比如我們可以統(tǒng)計不同性別，不同年齡，不同地區(qū)在訂單中的差異，從向用戶制定更精細(xì)的營銷策略。

在關(guān)系型數(shù)據(jù)庫三范式（3NF）設(shè)計極力避免數(shù)據(jù)的冗余，達(dá)到數(shù)據(jù)的高度一致性，但在數(shù)據(jù)倉庫中3NF并不是最佳實踐，反而讓系統(tǒng)復(fù)雜不已，不利于理解和維護(hù)，所以在維度建模中，維度表一般采取反范式的設(shè)計，在一張維度表中扁平化存儲維度的屬性，盡量避免使用外鍵。

3、物理模型設(shè)計

在完成數(shù)據(jù)倉庫的概念模型和邏輯模型設(shè)計之后，物理模型設(shè)計就是落地實施環(huán)節(jié)，根據(jù)數(shù)據(jù)的粒度和對于業(yè)務(wù)支撐能力將數(shù)據(jù)進(jìn)行分層存儲，數(shù)據(jù)分層存儲簡化了數(shù)據(jù)清洗的過程，每一層的邏輯變得更加簡單和易于理解，當(dāng)發(fā)生錯誤或規(guī)則變化時，只需要進(jìn)行局部調(diào)整。

ODS層：全稱是Operational Data Store,又叫數(shù)據(jù)準(zhǔn)備層，數(shù)據(jù)來源層，主要用于原始數(shù)據(jù)在數(shù)據(jù)倉庫的落地，這些數(shù)據(jù)邏輯關(guān)系都與原始數(shù)據(jù)保持一致，在源數(shù)據(jù)裝入這一層時，要進(jìn)行諸如業(yè)務(wù)字段提取或去掉不用字段，臟數(shù)據(jù)處理等等。可以理解為是關(guān)系層的基礎(chǔ)數(shù)據(jù)。

DIM層：Dimension層，主要存放公共的信息數(shù)據(jù)，如國家代碼和國家名，地理位置等信息就存在DIM層表中，對外開放，用于DWD，DWS和APP層的數(shù)據(jù)維度關(guān)聯(lián)。

DWD層：全稱是Data Warehouse Detail，用于源系統(tǒng)數(shù)據(jù)在數(shù)據(jù)倉庫中的永久存儲，用以支撐DWS層和DM層無法覆蓋的需求，該層的數(shù)據(jù)模型主要解決一些數(shù)據(jù)質(zhì)量問題和數(shù)據(jù)的完整度問題，比如商場的會員信息來與不同表，某些會員的的和數(shù)據(jù)可能不完整等等問題。

DWS層：全稱是Data Warehouse Service，主要包含兩類匯總表：一是細(xì)粒度寬表，二是粗粒度匯總表，按照商場訂單例子，包含基于訂單、會員、商品、店鋪等實體的細(xì)粒度寬表和基于維度組合(會員日進(jìn)場匯總、會員消費匯總、商場銷售日匯總、店鋪銷售日匯總等)的粗粒度匯總表。這層是對外開放的，用以支撐絕大部分的業(yè)務(wù)需求，匯總層是為了簡化源系統(tǒng)復(fù)雜的邏輯關(guān)系以及質(zhì)量問題等，這層是的業(yè)務(wù)結(jié)構(gòu)容易理解，dws層的匯總數(shù)據(jù)目標(biāo)是能滿足80%的業(yè)務(wù)計算。

其上根據(jù)業(yè)務(wù)需求可以繼續(xù)構(gòu)建ADS層（Application Data Store）和面向指標(biāo)和報表的高度匯總層。

04 案例：招標(biāo)采購系統(tǒng)的數(shù)據(jù)倉庫構(gòu)建

按照數(shù)據(jù)倉庫的構(gòu)建思路，順序是概念模型-->邏輯模型-->物理模型，最重要和復(fù)雜度較高的是概念模型的設(shè)計，需要結(jié)合業(yè)務(wù)，并根據(jù)業(yè)務(wù)特性設(shè)計事實表、維度表、頂層數(shù)據(jù)匯總表。

一、概念模型設(shè)計

概念模型需要結(jié)合生產(chǎn)系統(tǒng)的ER關(guān)系模型，梳理業(yè)務(wù)邏輯，當(dāng)前生產(chǎn)交易系統(tǒng)使用的是ORACLE數(shù)據(jù)庫，將數(shù)據(jù)分成多個庫：業(yè)務(wù)庫（包含招標(biāo)采購項目流程）、主體+組織庫（招標(biāo)人、投標(biāo)人、評標(biāo)專家、代理機構(gòu)）、財務(wù)庫（標(biāo)書費、平臺服務(wù)費、招標(biāo)保證金、CA辦理費用等），項目表即是一個招標(biāo)流程表，該表會記錄關(guān)于招標(biāo)過程中的，招標(biāo)、投標(biāo)、開標(biāo)、評標(biāo)、定標(biāo)相關(guān)的數(shù)據(jù)：

招標(biāo)：招標(biāo)流程是招標(biāo)人發(fā)起的，招標(biāo)人將招標(biāo)過程委托給代理機構(gòu)，代理機構(gòu)會發(fā)布招標(biāo)公告，投標(biāo)人在報名、響應(yīng)階段產(chǎn)生數(shù)據(jù)，響應(yīng)后需要付投標(biāo)保證金。

投標(biāo)：投標(biāo)人給代理機構(gòu)繳納標(biāo)書費并下載招標(biāo)文件，開標(biāo)之前需要響應(yīng)，并繳納投標(biāo)保證金；發(fā)售招標(biāo)文件和投標(biāo)人購買標(biāo)書后，如果投標(biāo)人對招標(biāo)文件提出質(zhì)疑，或招標(biāo)人要修改招標(biāo)文件，此時要在規(guī)定時間內(nèi)發(fā)布一個澄清公告。

開標(biāo)：開標(biāo)一般是線下進(jìn)行，代理機構(gòu)把投標(biāo)人召集到開標(biāo)室，公開宣讀投標(biāo)人關(guān)于投標(biāo)人報價、工期、質(zhì)量、工程項目經(jīng)理等投標(biāo)人有實質(zhì)要求的內(nèi)容，此階段拆封投標(biāo)文件，解密電子的投標(biāo)文件。

評標(biāo)：評標(biāo)一般是線下進(jìn)行，代理機構(gòu)把監(jiān)督人、投標(biāo)人、專家召集到評標(biāo)室，專家對投標(biāo)人資質(zhì)及投標(biāo)書打分，分為技術(shù)、商務(wù)、報價分。

定標(biāo)：專家對投標(biāo)人綜合打分后，做一個總體排名，排名第1即為中標(biāo)候選人，評標(biāo)結(jié)束后需要發(fā)布預(yù)中標(biāo)公告，將前3名公布，公告期間接受社會監(jiān)督，期間產(chǎn)生的疑問、質(zhì)疑需要代理機構(gòu)/招標(biāo)人澄清，澄清伴隨著澄清公告，若質(zhì)疑生效則可能廢標(biāo)和流標(biāo)（評標(biāo)成本高，一般不廢標(biāo)）。

合同：若預(yù)中標(biāo)發(fā)布后，質(zhì)疑期間對于預(yù)中標(biāo)候選人無影響，在預(yù)中標(biāo)發(fā)布xxx天后，招標(biāo)人需要同中標(biāo)候選人簽訂合同，同時招標(biāo)人需要退還其他沒有中標(biāo)單位的保證金。

對于整個流程的梳理和業(yè)務(wù)了解后，客戶更加關(guān)注流程的監(jiān)管預(yù)警，以此為準(zhǔn)整理一些監(jiān)管維度。

二、邏輯模型設(shè)計

邏輯模型采用上一篇博文提及的維度建模模型，雪花模型，項目ID、投標(biāo)人ID、招標(biāo)人ID、代理機構(gòu)ID、專家ID分別是整個招、投、開、評、定標(biāo)流程的主要參與主體，數(shù)據(jù)抽取工具使用kettle：

數(shù)據(jù)表命名規(guī)范：tb_模型層次_主題域_業(yè)務(wù)域_匯總粒度

kettle命名規(guī)范：kt_模型層次_主題域_業(yè)務(wù)域_匯總粒度

三、物理模型設(shè)計

構(gòu)建ODS-->DWD-->DWS-->ADS的分層模型，這里ODS只抽取oracle庫中源數(shù)據(jù)，不做任何清洗和變動，DWD層開始做數(shù)據(jù)的清洗和數(shù)據(jù)工程，DWS作輕度匯總，ADS面向應(yīng)用查詢提供更上層的匯總；以項目和供應(yīng)商的匯總維度為例，項目流程是模型設(shè)計主體，供應(yīng)商是類似維度表的數(shù)據(jù)，兩者結(jié)合能夠得到業(yè)務(wù)需要的一些投/中標(biāo)相關(guān)的匯總維度（比如中標(biāo)率排行、某個項目的投標(biāo)人的注冊金額相關(guān)統(tǒng)計、某投標(biāo)人參與投標(biāo)相關(guān)統(tǒng)計等）。

在項目流程表中（定標(biāo)流程），將招標(biāo)人的編號設(shè)計在內(nèi)，定標(biāo)流程的統(tǒng)計項從該類ADS匯總維度出結(jié)果。

05 數(shù)據(jù)倉庫產(chǎn)品

前面講了數(shù)據(jù)倉庫的價值、構(gòu)建思路、實例，完成數(shù)據(jù)倉庫的概念、邏輯、物理模型設(shè)計后，數(shù)倉的產(chǎn)品選型也是需要考慮的部分，根據(jù)數(shù)據(jù)存儲量、查詢效率、并發(fā)能力可以選用MPP數(shù)倉和基于Hadoop的分布式數(shù)倉等。

一、MPP還是Hadoop？

這里繼續(xù)用之前用到的圖講解，數(shù)據(jù)倉庫的特性是處理溫數(shù)據(jù)和冷數(shù)據(jù)，面向業(yè)務(wù)分析提供偏于離線分析能力，因此一般選用Hadoop+MPP數(shù)倉結(jié)合的解決方法，Hive能夠提供大批量歷史數(shù)據(jù)的存儲計算能力，Hbase能夠提供半結(jié)構(gòu)化文檔的快速檢索能力，MPP能夠提供強大高壓縮比基礎(chǔ)上的快速查詢能力。

二、MPP數(shù)倉特性

在MPP解決方案中目前我已接觸過的是vertica和GP，在teradata實習(xí)期間沒有用到td數(shù)倉。

數(shù)倉的特性是大批量的查詢和索引，少量的改查工作，MPP (Massively Parallel Processing)，即大規(guī)模并行處理數(shù)據(jù)庫的一般特性。

① 列式存儲意味著高壓縮比、高IO能力、快速查詢能力、智能索引（數(shù)據(jù)寫入時）。

② shared nothing意味著節(jié)點的相互獨立、數(shù)據(jù)的冗余備份。

③ 分布式存儲/計算、存儲/計算的高擴(kuò)展性、高安全。

MPP的架構(gòu)分為3種，GP是master/slave模式，具備統(tǒng)一的查詢?nèi)肟冢╩aster），vertica是無中心架構(gòu)，所有節(jié)點都提供查詢服務(wù)，gbase是存儲/管理雙中心架構(gòu)。

shared nothing 模式：x86機器構(gòu)建計算/存儲的高擴(kuò)展集群，數(shù)據(jù)拆分多份并備份。shared disk 模式：專用小型機，存儲1份數(shù)據(jù)。