创建Data Warehouse

### 创建Data Warehouse #### 数据仓库概述 数据仓库（Data Warehouse）是一种特殊类型的数据库，它用于存储来自多种数据源的信息，包括操作型（或事务处理型）数据库等。数据仓库的主要目的是支持复杂的分析处理和决策支持系统（DSS），而不是日常业务交易。 #### 为什么需要数据仓库？ 传统的数据库主要侧重于数据管理和事务处理，但在复杂的数据分析方面存在两个主要限制： 1. **性能**：传统数据库主要是面向事务处理设计的，并未针对复杂的数据分析进行优化。此外，它们通常不保留历史数据。 2. **异构性**：即使是同一组织内的不同数据库，也可能以非常不同的方式管理数据，更不用说来自外部的不同数据源了。 #### 数据仓库与传统数据库的比较 数据仓库与传统数据库在结构、目的和使用方式上有着显著的区别。例如，数据仓库更加注重数据的历史趋势分析、聚合查询性能以及跨多个数据源的一致性视图。 #### SQL Server中的两种数据仓库方法 在SQL Server中，有两种常见的数据仓库实现方法：金巴尔（Kimball）数据仓库和企业信息工厂（CIF）。 ##### 金巴尔数据仓库 - **维度数据模型**：金巴尔方法采用维度数据模型，从表格开始构建数据仓库。 - **事实表与维度表**： - **事实表**包含度量值（如销售额）。 - **维度表**包含描述性的属性（如时间、地点、产品等）。 - **非规范化理论**：这种方法不遵循传统的数据库规范化理论，而是更注重用户友好性和易于理解性。 - **数据总线**：数据首先被移动到后台暂存区域进行清洗和一致性处理，然后根据单个处理过程创建数据集市。这些数据集市的总和可以构成整个企业数据仓库的核心部分。 - **统一维度**：统一维度是成功的关键因素之一，确保所有数据集市中的维度具有一致性。 ##### 企业信息工厂（CIF） - **规范化维度**：CIF使用规范化维度来减少冗余并提高数据质量。 - **双重ETL加载**：采用双重ETL（抽取、转换、加载）过程分别将数据加载到数据仓库和数据集市中。 - **适应性和韧性**：金巴尔方法强调数据的易访问性、信息的一致性呈现、对变化的适应性和韧性以及保护信息的重要性。 #### 数据仓库结构 数据仓库通常是多维的，采用星型模式或雪花模式。其中最常见的是星型模式，它由一个事实表和多个维度表组成。 ##### 星型模式示例 - **事实表**：例如“销售数据”表，包含具体的数据记录（如销售额、销售日期等）。 - **维度表**：例如“时间”、“客户”、“产品”和“位置”等表，提供描述性信息。 例如，在关系模型中，时间维度可能包含“小时”、“日期”、“周”、“月”、“季度”和“年”等字段；产品维度则包含“产品名称”、“品牌”、“类别”和“制造商”等信息；客户维度可能包括“年龄组”、“性别”和“职业群组”等属性。 通过这种方式，数据仓库能够提供高度灵活且易于理解的数据分析工具，帮助企业做出更加明智的决策。