目录

• 前言
• 维度建模
• 星型模型
• 小结

• 前言

维度建模是Kimball提出来的经典的数据仓库建模思想。维度建模提倡针对某一主题，通过建设维度和事实来快速建设数据仓库。与维度建模相对应的自然是Inmon的范式建模。在上篇也提到范式建模非常适合应用于中间明细层的建设，那么在DW/DM层为什么选择使用维度建模呢？这是第一个问题。维度建模的核心是总线架构，一致性维度，一致性事实。本篇的主题是总线架构，那为什么说维度模型是总线式架构？本篇通过维度建模和星型模型的讲解来分别解释这两个问题。

• 维度建模

 维度模型之所以被选择在DW/DM层上来实现，是因为维度建模的如下特点：

• 易用性。数据仓库的目的是DSS，即决策支持系统(Decision Support System ，简称DSS)，既然面向的的是分析用户，那么数据越容易理解，越能受用户欢迎，而维度建模包含具有描述特性的维度表可以让用户很容易理解数据，而不像范式建模，由于太过规范化而导致用户对数据的理解有一定的难度，需要对业务的很深很细的了解。
• 性能高。通过数据的处理，排序和整合，构建出来的维度表，不仅能够让用户很方便的理解数据，使用数据，而且在计算所需要的数据的时候，不需要关联太多的表，从而使得计算的性能很高。
• 扩展性。具有非常好的可扩展性，以便容纳不可预知的新数据源和新的设计决策。可以很方便在不改变模型粒度情况下，增加新的分析维度和事实，不需要重载数据，也不需要为了适应新的改变而重新编码。

• 星型模型

 提起维度建模就不得不提星型模型和雪花模型之争，具体两种模型是什么，之前已经讨论过了http://www.cnblogs.com/benchen/p/6011721.html，而且网上也很容易找到，这里就不再赘述。在Kimball的理论中，星型模型备受推崇。原因有以下几点吧。

• 星型模型更具有易理解性，毕竟维度模型都是直接挂在事实表，没有额外的关联，所有的维度信息都汇集在维表中了。
• 星型模型性能更高。只需要一次的关联就能获取这一维度的所有描述信息。
• 冗余程度要更高，所有有层次关系的维度，都被设计成扁平化，有一定的冗余。但是维度表的冗余相比事实表毕竟不是一个数量级的。鉴于上面的两点，更多的偏爱于星型模型。

星型模型是针对的单一事实表的情形，当有多个事实表通过维度关联在了一起就形成了星座模型。星座模型可以是同一主题单不同粒度的事实表之间的关联，也可以是不同主题的事实表共用同一维表。毕竟是有全局的一致性维度。

• 小结

维度建模适合于DW/DM层建模，通过使用维度建模，用户可以得到很好的效果，只有用户满意了，数据仓库才能实现更大的价值。可以说维度建模的核心是星型模型，星型模型所拥有的特点正是用户方便使用的根源。

当然维度模型也有着一些缺点，比如数据的一致性很难保证，数据的冗余，大量的维度信息处理等，但这些相对于有点来讲都是可接受的，而且也可以通过其他方式避免和简化的。

以维表为总线，事实表以维表为基础的总线矩阵，意味着建设出来的架构正是总线式架构。

搭建数据仓库第06篇：逻辑建模–3–维度建模核心之总线架构