ITPub博客

首页 > 大数据 > 数据分析 > 数据仓库领域常见建模方法及实例演示 | StartDT Tech Lab 16

数据仓库领域常见建模方法及实例演示 | StartDT Tech Lab 16

原创 数据分析 作者:StartDT 时间:2021-09-29 11:53:38 0 删除 编辑
这是奇点云全新技术专栏「StartDT Tech Lab」的第16期。
在这里,我们聚焦数据技术,分享方法论与实战。一线的项目经历,丰富的实践经验,真实的总结体会…滑到文末,可以看到我们的往期内容。
本篇由奇点云资深数据开发工程师「云祁」带来:

作者:云祁
阅读时间:约13分钟
深度好文,可先收藏再看哦👀


今天和大家聊聊数仓常见的一些建模方法和具体的实例演示。
 

1. 为什么需要数据建模?

在开始今天的话题之前,我们不妨思考下,到底为什么需要进行数据建模?


随着从IT时代到DT时代的跨越,数据开始出现爆发式的增长,这当中产生的价值也是不言而喻。 如何将这些数据进行有序、有结构地分类组织存储,是我们所有数据从业者都要面临的一个挑战。
 
如果把数据看作图书馆里的书,我们希望看到它们在书架上分门别类地放置,而不是乱糟糟地堆砌在一起。

大数据的数仓建模正是 通过建模的方法,更好地组织、存储数据,以便在性能、成本、效率和数据质量之间找到最佳平衡点,一般我们会从以下四点考虑:

性能:能够快速查询所需的数据,减少数据I/O的吞吐;

成本:减少不必要的数据冗余,实现计算结果的复用,降低大数据系统中的存储成本和计算成本;

效率:改善使用数据的体验,提高使用效率;

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、一致的数据访问平台。

因此,毋庸置疑,大数据系统、数据平台都需要数据模型方法来帮助更好地组织和存储数据。数据建模的工作,也正是围绕上述四个指标取得最佳的平衡而努力。
 

2. 从 OLTP 和 OLAP 系统区别

看模型方法论的选择

OLTP系统通常面向的主要数据操作是随机读写,主要采用3NF的实体关系模型存储数据,从而在事务处理中解决数据的冗余和一致性问题。


OLAP系统面向的主要数据操作是 批量读写,事务处理中的一致性不是OLAP所关注的,其主要关注数据的整合,以及在一次性的复杂大数据查询和处理的性能,因此它需要采用不同的建模方法,例如维度建模。
 

3. 典型的数据仓库建模方法论

数据仓库本质是从数据库衍生出来的,所以数据仓库的建模也是不断衍生发展的。


从最早的借鉴关系型数据库理论的范式建模,到逐渐提出维度建模等等,越往后建模的要求越高,越需满足3NF、4NF等。但是对于数据仓库来说,目前主流还是维度建模,会夹杂着范式建模。


数据仓库建模方法论可分为: E-R模型、维度模型、Data Vault模型、Anchor模型


3.1

E-R模型

将事物抽象为“实体”、“属性”、“关系”来表示数据关联和事物描述,这种对数据的抽象建模通常被称为 E-R实体关系模型


这种建模方法由数据仓库之父 Bill Inmon 提出,从全企业的高度设计一个3NF模型,用实体关系(Entity Relationship)模型来描述企业业务,满足3NF。


数据仓库的3NF与OLTP系统中的3NF的区别在于,它是站在企业角度面向主题的抽象,而不是针对某个具体的业务流程。


采用 E-R模型建设数据仓库模型的出发点是整合数据,对各个系统的数据以整个企业角度按主题进行相似的组合和合并,并进行一致性处理,为数据分析决策服务,但是并不能直接用于分析决策。


作为一种标准的数据建模方案, 它的实施周期非常长,一致性和扩展性比较好,能经得起时间的考验。但是随着企业数据的高速增长、复杂化,数仓如果全部使用E-R模型进行建模就显得 越来越不适合现代化复杂、多变的业务组织,因此一般只有在数仓底层ODS、DWD会采用E-R关系模型进行设计。


E-R建模步骤分为三个阶段:

·  高层模型 :一个高度抽象的模型,描述主要的主题以及主题间的关系,用于描述企业的业务总体概况。

·  中层模型:在高层模型的基础上,细化主题的数据项。

·  物理模型(底层模型):在中层模型的基础上,考虑物理存储,同时基于性能和平台特点进行物理属性的设计,也可能做一些表的合并、分区的设计等。



 
E-R模型在实践中最典型的代表是 Teradata 公司基于金融业务发布的 FS-LDM (Financial Services Logical Data Model),它通过对金融业务的高度抽象和总结,将金融业务划分为10大主题,企业基于此模型适当调整和扩展就能快速实施落地。
 

3.2

维度模型

维度模型是数据仓库领域 Ralph Kimball 大师倡导的,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速完成分析需求,同时还有较好的大规模复杂查询的响应性能。


其中典型的代表就是使用 星型模型,以及在一些特殊场景下使用的 雪花模型

其设计主要分为以下几个步骤:

1. 选择需要进行分析决策的业务过程。业务过程可以是单个业务事件,比如交易的支付、退款等;也可以是某个事件的状态,比如当前账户的余额;还有就是一系列相关业务事件组成的业务流程,具体需要我们分析的是某些事件发生的情况,还是当前状态,或是事件流转效率。


2. 选择粒度。在事件分析中,我们要预判所有分析需要细分的程度,从而决定选择的粒度。粒度是维度的一个组合。


3. 识别维表。选择好粒度之后,就需要基于这个粒度来设计维表,包括维度属性,用于分析时进行分组和筛选。


4. 选择事实。确定分析需要衡量的指标。


基于 Ralph Kimball 提出的数据仓库维度建模,我们将数据仓库中的表划分为 事实表维度表两种类型。


针对维度建模中事实表和维度表的设计,之前有详细介绍过,感兴趣的同学可以看:维度建模技术实践——深入事实表 、维度建模的灵魂所在——维度表设计。

举个栗子↓
这里我们以常见的 电商场景 为例:


在一次购买的事件中,涉及主体包括客户、商品、商家,产生的可度量值会包括商品数量、金额、件数等。


事实表根据粒度的角色划分不同,可分为 事务事实表、周期快照事实表、累积快照事实表等

1. 事务事实表:用于承载事务数据,任何类型的事件都可以被理解为一种事务,比如商家在交易过程中的常见订单、买家付款,物流过程中的揽货、发货、签收,退款中的申请退款。


2. 周期快照事实表:快照事实表以预定的间隔采样状态度量,比如自然年至今或者历史至今的下单金额、支付金额、支付买家数、支付商品件数等等状态度量。


3. 累计快照事实表:数据不断更新,选取多业务过程日期。用来记录具有时间跨度的业务处理过程的整个过程的信息,每个生命周期一行,通常这类事实表比较少见。

 
我们继续就上述的电商场景,聊聊在维表设计时需要关注的一些东西:

1. 缓慢变化维度:例如会员表的手机号、地址、生日等属性。


2. 退化维度:订货单表的订单编号、物流表的物流编号等。


3. 雪花维度:满足第三范式的维度关系结构。


4. 非规范化扁平维度:商品维表中产品、品牌、类目、品类等。


5. 多层次维度:地区维度的省、市、区县,商品的类目层级。


6. 角色维度:日期维度在物流中扮演发货日期、送货日期、收获日期等不同角色。


接下来就是针对维度建模按照数据的组织类型,可以划分为 星型模型、雪花模型、星座模型


1. 星型模型 :星型模型主要是维表和事实表,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。


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。这种模型维护成本高,性能方面会差一些。


3. 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。实际上数仓模型建设后期,大部分维度建模都是星座模型。


简单总结:

1. 星型模型和雪花模型主要区别就是对维度表的拆分;


2. 对于雪花模型,维度表的设计更加规范,一般符合3NF,有效降低数据冗余,维度表之间不会相互关联;


3. 星型模型,一般采用降维的操作,反规范化,不符合3NF,通过利用冗余来避免模型过于复杂,提高易用性和分析效率,效率相对较高。


3.3

Data Vault 模型

Data Vault 是 Dan Linstedt 发起创建的一种模型,它是 E-R 模型的衍生,其设计的出发点也是为了实现数据的整合,但 不能直接用于数据分析决策
 
它强调建立一个可审计的基础数据层,也就是强调数据的历史性、可追溯性和原子性,而不要求对数据进行过度的一致性处理和整合。


同时它基于主题概念将企业数据进行结构化组织,并引入了更进一步的范式处理来优化模型,以应对源系统变更的扩展性。Data Vault 模型由以下几部分组成:

1. Hub - 中心表:是企业的核心业务实体,由实体 Key、数仓序列代理键、装载时间、数据来源组成,不包含非键值以外的业务数据属性本身。


2. Link - 链接表:代表 Hub 之间的关系。这里与 ER 模型最大的区别是将关系作为一个独立的单元抽象,可以提升模型的扩展性。它可以直接描述 1:1、1:2和n:n的关系,而不需要做任何变更。它由 Hub的代理键、装载时间、数据来源组成。


3. Satellite - 卫星表:数仓中数据的主要载体,包括对链接表、中心表的数据描述、数值度量等信息。


Data Vault模型比E-R 模型更容易设计和产出,它的ETL加工可实现配置化。


我们可以将Hub想象成人的骨架,那么Link就是连接骨架的韧带,而SateIIite就是骨架上面的血肉。

3.4

Anchor 模型

Anchor 对 Data Vault 模型做了进一步的规范化处理,它的核心思想是所有的扩展只是添加而不是修改,因此将模型规范到6NF,基本变成了k-v结构化模型。

1. Anchors:类似于 Data Vault 的 Hub ,代表业务实体,且只有主键。


2. Attributes:功能类似于 Data Vault 的 Satellite,但是它更加规范化,将其全部 k-v 结构化,一个表只有一个 Anchors 的属性描述。


3. Ties:就是 Anchors 之间的关系,单独用表来描述,类似于 Data Vault 的 Link ,可以提升整体模型关系的扩展能力。


4. Knots:代表那些可能会在 Anchors 中公用的属性的提炼,比如性别、状态等这种枚举类型且被公用的属性。


由于过度规范化,使用中牵涉到太多的Join操作,这里我们就仅作了解。


4. 总结

在以上四种基本的建模方法中,目前主流的是E-R模型、维度模型。


E-R模型 通常用于OLTP数据库建模,应用到构建数仓时就更偏向于数据整合,站在企业整体考虑,将各个系统的数据按相似性一致性、合并处理,为数据分析、决策服务,但并不便于直接用来支持分析。


维度建模 是面向分析场景而生,针对分析场景构建数仓模型;重点关注快速、灵活的解决分析需求,同时能够提供大规模数据的快速响应性能。针对性强,主要应用于数据仓库构建和OLAP引擎低层数据模型。


数据仓库模型的设计是灵活的,不会局限于某一种模型,需要以实际的需求场景为导向,需要兼顾灵活性、可扩展性以及技术可靠性及实现成本。
 


来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/69911376/viewspace-2794370/,如需转载,请注明出处,否则将追究法律责任。

请登录后发表评论 登录
全部评论

注册时间:2019-04-08

  • 博文量
    89
  • 访问量
    64326