本文主要討論數(shù)據(jù)倉庫的構建方法論，包括數(shù)據(jù)倉庫的價值、選型、構建思路。隨著數(shù)據(jù)規(guī)模膨脹和業(yè)務復雜度的提升，大型企業(yè)需要構建企業(yè)級的數(shù)據(jù)倉庫（數(shù)據(jù)湖）來快速支撐業(yè)務的數(shù)據(jù)化需求，與傳統(tǒng)的數(shù)據(jù)庫構建不通，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，你希望剛把錢存進去就能夠查詢到余額增加，你不希望第二天才能夠確認，但是若是銀行想對你的流水和余額進行分析，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，各自權限負責人員也不一樣，跨系統(tǒng)查詢顯得非常困難，這個時候需要一個系統(tǒng)能夠將所有業(yè)務系統(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)的關系型數(shù)據(jù)庫，針對實時業(yè)務處理，面對的主要操作是隨機讀寫，采用滿足三范式的實體關系模型存儲數(shù)據(jù)，從而在事務處理中解決數(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不關注事務處理的一致性，主要在數(shù)據(jù)的整合，以及復雜大數(shù)據(jù)查詢和處理性能，OLAP能夠支持復雜的分析操作。

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

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)務條線、跨系統(tǒng)的數(shù)據(jù)整合，為管理分析和業(yè)務決策提供統(tǒng)一的數(shù)據(jù)支持，從根本上把運營數(shù)據(jù)轉化成為高價值的可以獲取的信息（或知識），并且在恰當?shù)臅r候通過恰當?shù)姆绞桨亚‘數(shù)男畔�傳遞給恰當?shù)娜恕?/span>

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

• 集成的：是指數(shù)據(jù)倉庫中的信息不是從各個業(yè)務系統(tǒng)中簡單抽取出來的，而是經過一系列加工、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)倉庫內的信息并不只是反映企業(yè)當前的狀態(tài)，而是記錄了從過去某一時點到當前各個階段的信息。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測。

數(shù)據(jù)倉庫并非是面向生產的數(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)務條線構建的數(shù)據(jù)存儲體系，能夠提供快速的運營/決策支撐能力。

• 高級管理進行業(yè)務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（例:SAP）系統(tǒng)或其他業(yè)務系統(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)，不能直接產生交易數(shù)據(jù)。

03 數(shù)據(jù)倉庫的模型構建

一、數(shù)據(jù)倉庫構建需要考慮的問題

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

• 業(yè)務需求：從了解業(yè)務需求著手分析業(yè)務特點和業(yè)務期望。

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

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

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

二、什么是數(shù)倉的數(shù)據(jù)模型

數(shù)據(jù)倉庫模型構建的宗旨能夠直觀地表達業(yè)務邏輯，能夠使用實體、屬性及其關系對企業(yè)運營和邏輯規(guī)則進行統(tǒng)一的定義、編碼和命名，是業(yè)務人員和開發(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)務部門對于數(shù)據(jù)信息的需求。

• 構建數(shù)據(jù)倉庫原子層的基礎。

• 支持數(shù)據(jù)倉庫的發(fā)展規(guī)劃。

• 初始化業(yè)務數(shù)據(jù)的歸屬。

常用數(shù)據(jù)模型的是關系模型和維度模型，關系模型從全企業(yè)的高度設計一個3NF模型的方法，用實體加關系描述的數(shù)據(jù)模型描述企業(yè)業(yè)務架構，在范式理論上符合3NF，其站在企業(yè)角度進行面向主題的抽象，而不是針對某個具體業(yè)務流程的，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)點構建模型，直接面向業(yè)務，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整個業(yè)務的流程，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的數(shù)據(jù)信息。

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

三、如何構建數(shù)倉的數(shù)據(jù)模型

概念模型設計（業(yè)務模型）：界定系統(tǒng)邊界；確定主要的主題域及其內容；邏輯模型設計：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、概念模型設計

數(shù)據(jù)倉庫中數(shù)據(jù)模型設計順序如上，數(shù)據(jù)倉庫是為了輔助決策的，與業(yè)務流程（Business Process）息息相關，數(shù)據(jù)模型的首要任務便是選擇業(yè)務流程，為數(shù)據(jù)倉庫的建立提供指導方向，這樣才能反過來為業(yè)務提供更好的決策數(shù)據(jù)支撐，讓數(shù)據(jù)倉庫價值的最大化，對于每個業(yè)務流程，都需要進行獨立的數(shù)據(jù)建模，將業(yè)務系統(tǒng)中的 ER 模型轉化為數(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的營銷策略。

在關系型數(shù)據(jù)庫三范式（3NF）設計極力避免數(shù)據(jù)的冗余，達到數(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)復雜不已，不利于理解和維護，所以在維度建模中，維度表一般采取反范式的設計，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、物理模型設計

在完成數(shù)據(jù)倉庫的概念模型和邏輯模型設計之后，物理模型設計就是落地實施環(huán)節(jié)，根據(jù)數(shù)據(jù)的粒度和對于業(yè)務支撐能力將數(shù)據(jù)進行分層存儲，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，當發(fā)生錯誤或規(guī)則變化時，只需要進行局部調整。

ODS層：全稱是Operational Data Store,又叫數(shù)據(jù)準備層，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，要進行諸如業(yè)務字段提取或去掉不用字段，臟數(shù)據(jù)處理等等�？梢岳斫鉃槭顷P系層的基礎數(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、店鋪等實體的細粒度寬表和基于維度組合(會員日進場匯總、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)務需求，匯總層是為了簡化源系統(tǒng)復雜的邏輯關系以及質量問題等，這層是的業(yè)務結構容易理解，dws層的匯總數(shù)據(jù)目標是能滿足80%的業(yè)務計算。

其上根據(jù)業(yè)務需求可以繼續(xù)構建ADS層（Application Data Store）和面向指標和報表的高度匯總層。

04 案例：招標采購系統(tǒng)的數(shù)據(jù)倉庫構建

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

一、概念模型設計

概念模型需要結合生產系統(tǒng)的ER關系模型，梳理業(yè)務邏輯，當前生產交易系統(tǒng)使用的是ORACLE數(shù)據(jù)庫，將數(shù)據(jù)分成多個庫：業(yè)務庫（包含招標采購項目流程）、主體+組織庫（招標人、投標人、評標專家、代理機構）、財務庫（標書費、平臺服務費、招標保證金、CA辦理費用等），項目表即是一個招標流程表，該表會記錄關于招標過程中的，招標、投標、開標、評標、定標相關的數(shù)據(jù)：

• 招標：招標流程是招標人發(fā)起的，招標人將招標過程委托給代理機構，代理機構會發(fā)布招標公告，投標人在報名、響應階段產生數(shù)據(jù)，響應后需要付投標保證金。

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

• 開標：開標一般是線下進行，代理機構把投標人召集到開標室，公開宣讀投標人關于投標人報價、工期、質量、工程項目經理等投標人有實質要求的內容，此階段拆封投標文件，解密電子的投標文件。

• 評標：評標一般是線下進行，代理機構把監(jiān)督人、投標人、專家召集到評標室，專家對投標人資質及投標書打分，分為技術、商務、報價分。

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

• 合同：若預中標發(fā)布后，質疑期間對于預中標候選人無影響，在預中標發(fā)布xxx天后，招標人需要同中標候選人簽訂合同，同時招標人需要退還其他沒有中標單位的保證金。

對于整個流程的梳理和業(yè)務了解后，客戶更加關注流程的監(jiān)管預警，以此為準整理一些監(jiān)管維度。

二、邏輯模型設計

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、投標人ID、招標人ID、代理機構ID、專家ID分別是整個招、投、開、評、定標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)務域_匯總粒度

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

三、物理模型設計

構建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面向應用查詢提供更上層的匯總；以項目和供應商的匯總維度為例，項目流程是模型設計主體，供應商是類似維度表的數(shù)據(jù)，兩者結合能夠得到業(yè)務需要的一些投/中標相關的匯總維度（比如中標率排行、某個項目的投標人的注冊金額相關統(tǒng)計、某投標人參與投標相關統(tǒng)計等）。

在項目流程表中（定標流程），將招標人的編號設計在內，定標流程的統(tǒng)計項從該類ADS匯總維度出結果。

05 數(shù)據(jù)倉庫產品

前面講了數(shù)據(jù)倉庫的價值、構建思路、實例，完成數(shù)據(jù)倉庫的概念、邏輯、物理模型設計后，數(shù)倉的產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)務分析提供偏于離線分析能力，因此一般選用Hadoop+MPP數(shù)倉結合的解決方法，Hive能夠提供大批量歷史數(shù)據(jù)的存儲計算能力，Hbase能夠提供半結構化文檔的快速檢索能力，MPP能夠提供強大高壓縮比基礎上的快速查詢能力。

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/計算的高擴展性、高安全。

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

shared nothing 模式：x86機器構建計算/存儲的高擴展集群，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)。