数据仓库系列（13）：数据仓库建模方法论

（一）建模的涵义

建模，顾名思义，就是建立模型的意思，为了针对理解产品、业务、应用逻辑之间的相互关系而做的抽象，用于避免理解歧义。建模通常用文字配合模型的方式，将复杂的事物描述清楚，便于自己及他人的理解。如果把数据比作是图书馆里的书，那么建模就相当于合理规划图书馆的布局，能够让读者迅速而合理的找出目标书籍。

（二）为什么需要建模方法论

数据仓库的概念是建立在大数据的基础知识上，而大数据拥有良好的性能、廉价的成本、极高的效率及可控的质量四大优势，但同时大数据又存在业务关联广泛、计算流程复杂、管理难度较大等问题，因而十分需要通过建模方法论来更好的组织和存储相关数据。

举个例子，产品经理提出了一份文档，描述的事件过程如下：

第一步：搭建广告主注册平台，填写广告主名称、网站名称、网址Url、行业属性等基本信息；

第二步，根据已有的注册信息，生成自动化的BaseCode，广告主根据需要将BaseCode部署在使用界面，BaseCode可以获取网页的Header、Html、停留时长等信息；

第三步，BaseCode扩展后可提供页面基础检测PageView及页面事件监控Event事件，当页面正常打开时，触发一次PageView事件，记录当前网址Url、追踪Id、停留时间等信息；当页面某个控件被点击时，记录对应的Event组件名称；

第四步，创建落地转化信息，广告主可以创建转化统计Conversion，每个广告主可以创建50个转化统计，创建后只可以修改名称，不能修改规则；

第五步，设定转化统计方式，其一是在BaseCode的基础上添加EventCode，使用Url规则进行统计，其二是自定义代码统计方式，需提交对应的代码详情和部署说明；

第六步，开启转化统计，根据追踪ID，记录每个页面的打开情况，并对应统计页面控件的点击详情，关联其他相关信息，产出报表。

这是一个常见的典型案例，一般情况下产品不会画好UML图让程序员来设计，需要我们数据开发人员自行理解并分析其中包含的关联关系，这时候通过何种方式分析，让不同部门之间能够达成一致，就显得特别重要。

先介绍一些基础的建模方法论，再回过头来看这个例子。

（三）ER模型

百度百科介绍：ER模型，全称为实体联系模型、实体关系模型或实体联系模式图，由美籍华裔计算机科学家陈品山发明，是概念数据模型的高层描述所使用的数据模型或模式图。

E-R模型的构成成分是实体集、属性和联系集，其表示方法有如下三种：

1. 实体集用矩形框表示，矩形框内写上实体名；

2. 实体的属性用椭圆框表示，框内写上属性名，并用无向边与其实体集相连；

3. 实体间的联系用菱形框表示，联系以适当的含义命名，名字写在菱形框中，用无向连线将参加联系的实体矩形框分别与菱形框相连，并在连线上标明联系的类型，即1—1、1—N或M—N。

因此，E-R模型也称为E-R图。下图为一个典型的E-R模型示例：

（四）维度建模

百度百科介绍：维度建模是数据仓库建设中的一种数据建模方法，将数据结构化的逻辑设计方法，它将客观世界划分为度量和上下文，Kimball最先提出这一概念。

维度建模其最简单的描述就是，按照事实表，维度表的方式来构建数据仓库。维度是度量的环境，用来反映业务的一类属性；事实表是维度模型的基本表，每个数据仓库都包含一个或者多个事实数据表。维度建模最被人广泛知晓的一种方式就是星型模式。

阿里巴巴电商系对于维度建模有一些非常好的扩展补充，例如维度表可以分为快照维表、缓慢变化维表等，事实表可以分为事务事实表、周期快照事实表和累计快照事实表，这些概念解释起来非常的复杂，应用场景也比较极限，因而会用独立的文章来分别阐述。

下图为一个典型的维度建模示例：

（五）E-R模型与维度模型的异同

E-R模型与维度模型是我们最常用的建模方法论，两种方式之间的异同有必要单独讲一下：

E-R模型备受数据仓库之父Inmon推荐，常用在Mysql、Oracle等传统关系型数据库。它的目标是从全局的高度来设计一个满足3NF的模型，并不针对某个具体的业务流程。E-R模型的优点有如下几种：规范好、冗余小、集成度高、一致性强，适用于大型银行这一类的大型企业总体层面上的规划。但E-R模型的缺点就是优点的反面，因为太过于全面和复杂，因而对项目实施的时间和人员的要求非常高。

维度模型备受另一位大师Kimball所倡导，常用在NoSql等大数据仓库结构上。它的目标是从分析决策的层面出发构建模型，针对大规模复杂业务场景的响应性能有较好的表现。典型的代表是我们比较熟知的星形模型、雪花模型等。维度建模理解起来比较容易，上手比较快，但由于冗余了很多信息，修改起来灵活性就不太理解。在PB及以上数量级的数据仓库中，一般情况下以性能为优先，庞大的集群对于数据的冗余是可以接受的，并且因为DWS中间层的建设减少了非一致性的问题，因而多采用维度模型来构建数据仓库。

（六）DataVault模型

DataVault是E-R模型的衍生版本，针对复杂笨重的E-R模型，强调有基础数据层的扩展性和灵活性，同时强调历史性、可追溯性和原子性，不要求对数据进行过度的一致性处理。DataVault模型是一种中心辐射式模型，其设计重点围绕着业务键的集成模式，业务键是存储在多个系统中的、针对各种信息的键，用于定位和唯一标识记录或数据。DataVault有三种基本结构：中心表（Hub）：唯一业务键的列表，唯一标识企业实际业务，企业的业务主体集合；链接表（Link）：表示中心表之间的关系，通过链接表串联整个企业的业务关联关系；卫星表（Satellite）：历史的描述性数据，数仓中数据的真正载体。

下图为一个典型的DataVault模型示例：

（七）Anchor模型

Anchor模型可以说是DataVault模型的衍生版本，做了进一步规范化的处理，设计初衷是为了更高可扩展性的模型，其核心思想是通过添加而非修改的方式来改进模型，因此将模型规范增加到了6NF。Anchor模型的组成有四种：Anchors，类似于DataVault中的Hub，代表业务实体，只有主键；Attributes，类似于DataVault中的Satellite，但全部存储为K-V结构，一个表只有一个Anchors的属性描述；Ties：描述Attributes之间的关系，单独用表来描述，类似于DataVault中的Link，用于提升模型关系的扩展能力；Knots，代表可能会在多个Anchors中公用的属性提炼，例如性别、状态等。

下图为一个典型的Anchor模型示例：

（八）随便说说UML

UML全称是Unified Modeling Language，统一建模语言，是用来针对建模方法论而使用的工具，并非建模方法论本身。在一些比较随意的场景中，理解对象之间的关系，我们可以随便写写画画就搞定，但是在跨团队、跨公司等情况下，没有一套系统的工具来统一大家的思想是不行的，这也是UML使用的初衷。

（九）为什么要学习建模方法论

回到开头的例子，这个例子笔者并不会在这里说明做的思路，因为后面会单独写一篇文章来说明这个需求的处理过程。

这里提一下，为什么要学习建模方法论？

很多时候，我们接到的并不是一份整理好的需求，大概率是一份产品的设计和使用文档，在此基础上，我们需要从中拆解出模块之间的关系，并设计对应的架构与关联关系。因此，我可以把产品提出的文档，当做是一个“问题空间”。那么针对这个问题空间，我需要有对应的方法来解决这个问题，我可以把使用的方法称之为“方法论”。在此基础上，我们就有了一种特定的解决问题的方式，称之为“解决方案空间”。标准的概念图如下所示：

为什么要有这个过程，是为了让数据开发人员、产品人员及平台开发人员达成模型上的一致性。也就是说，产品负责尽可能多的提供产品的描述方案，也就是“用例集”，开发人员之间通过相同的方法论，就可以针对这一批的“用例集”进行拆解，最终达成一致的：领域模型。概念图如下：

说到这里可能很多人不太理解这个思路，不要紧，后面会有专门的文章来阐述这种思路。但笔者这里要说的是，数据仓库建模方法论并非无用的知识，也并非读一读概念就可以理解，它需要你有实际的项目，这个项目要有一定的复杂性和团队合作性，要能够让你认识到跨团队合作的痛点。在此基础上，多花一些时间，尝试不同的建模方法论来描述你的项目，并与其他部门及产品进行反复的沟通，经历了这种过程之后，你才能体会到解释清楚一个项目有多么的难，也才能深刻的体会到建模方法论它其中的精妙之处。换句话说，如果只是单纯的学习建模方法论的概念，那么这是没有用的，方法论一定要有具体的项目来结合学习，才能起到它应有的效果。