目录
[2.1 概念](#2.1 概念)
[2.2 主要组件](#2.2 主要组件)
[2.3 流程](#2.3 流程)
[3.1 概念](#3.1 概念)
[3.2 核心组件](#3.2 核心组件)
[3.3 流程](#3.3 流程)
[4.1 异同对比](#4.1 异同对比)
[4.2 特征比较](#4.2 特征比较)
一、前言
大部分关于数据仓库构建与讨论,都受到两位有影响力的思想领袖Bill Inmon和Ralph Kimball的影响,他们各有不同的数据仓库建模和实施方法。
- Inmon把数据仓库定义为"面向主题的、整合的、随时间变化的、相对稳定的支持管理决策的数据集合",用规范化的关系模型来存储和管理数据,又成为企业信息工厂。
- Kimball则把数据仓库定义为"为查询和分析定制的交易数据的副本",他的方法通常称作多维数据仓库。
在实际数据仓库建设中,业界往往会相互借鉴使用两种开发模式。目前主要有四种架构,Kimball的DW/BI架构、独立数据集市架构、辐射状企业信息工厂Inmon架构、混合Inmon与Kimball架构本。文将详细介绍 Kimball 和 Inmon 理论在实际数据仓库建设中的应用。
二、企业信息工厂(Inmon)
Bill Inmon的企业信息工厂(Corporate Information Factory, CIF)是两种主要的数据仓库建设模式之一。Inmon关于数据仓库的组成是这样描述的:"面向主题的、整合的、随时间变化的、包含汇总 和明细的、稳定的历史数据集合"。
2.1 概念
Inmon 模式从流程上看是自顶向下的,即从数据源到数据仓库再到数据集市的(先有数据仓库再有数据市场)一种瀑布流开发方法。对于Inmon模式,数据源往往是异构的,比如从自行定义的爬虫数据就是较为典型的一种,数据源是根据最终目标自行定制的。这里主要的数据处理工作集中在对异构数据的清洗,包括数据类型检验,数据值范围检验以及其他一些复杂规则。在这种场景下,数据无法从stage层直接输出到dm层,必须先通过ETL将数据的格式清洗后放入dw层,再从dw层选择需要的数据组合输出到dm层。
在Inmon模式中,并不强调事实表和维度表的概念,因为数据源变化的可能性较大,需要更加强调数据的清洗工作,从中抽取实体-关系。
2.2 主要组件
CIF的组成部分包括:
- 1)应用程序。应用程序处理业务流程。应用程序产生的明细数据流转到数据仓库和操作型数据存储中,继而用作分析。
- 2)数据暂存区。介于业务系统源数据库和目标数据仓库之间的一个数据库。暂存区是用于数据抽取、转换和加载的地方,对最终用户透明。暂存区中的大部分数据是短时留存的,通常只有相当少的一部分数据是持久性数据。
- 3)集成和转换。在集成层,来自不同数据源的数据被转换整合为数仓和ODS里的标准企业模型。
- 4)操作型数据存储(ODS)。操作型数据存储是业务数据的集成数据库。
- 5)数据集市。数据集市为后续的数据分析提供数据。这里说的数据通常是数据仓库的子集,用于支持特定分析或特定种类的消费者。
- 6)操作型数据集市(OpDM)。操作型数据集市是专注于运营决策支持的数据集市。
- 7)数据仓库。数据仓库为企业数据提供了一个统一的整合入口,以支持管理决策、战略分析和规划。
- 8)运营报告。运营报告从数据存储中输出。
- 9)参考数据、主数据和外部数据。
数据仓库和操作性数据存储的区别:
- 操作性数据存储数据可能直接来源于应用系统,也可能来自其他数据库。
- 操作型数据存储中通常包括当前的或近期的(30~90天)数据,而数据仓库还包含历史(通常是很多年的)数据。
- 操作型数据存储的数据变化较快,而数据仓库的数据相对稳定。不是所有的组织都会建设操作型数据存储,操作型数据存储的存在满足了企业对低延迟数据的需求。
- 操作型数据存储可以作为数据仓库的主要来源,还可用于对数据仓库做审计。
2.3 流程
通常,Inmon都是以数据源头为导向。
- 首先,需要探索性地去获取尽量符合预期的数据,尝试将数据按照预期划分为不同的表需求。
- 其次,明确数据的清洗规则后将各个任务通过ETL由Stage层转化到DW层,这里DW层通常涉及到较多的UDF开发,将数据抽象为实体-关系模型。
- 接着,在完成DW的数据治理之后,可以将数据输出到数据集市中做基本的数据组合。
- 最后,将数据集市中的数据输出到BI系统中去辅助具体业务。
三、多维数据仓库(Kimball)
Kimball的多维数据仓库是数据仓库开发的另一个主要模式。Kimball将数据仓库简单地定义为"专为查询和分析而构建的事务数据的副本"(Kimball,2002)。但是,"副本"的说法并不精确。仓库数据存储在多维数据模型中。多维模型旨在方便数据使用者理解和使用数据,同时还支持更优的查询性能。它不是以实体关系模型的规范化要求组织的。
3.1 概念
Kimball 模式从流程上看是是自底向上 的,即从数据集市到数据仓库再到数据源(先有数据集市再有数据仓库)的一种敏捷开发方法。对于Kimball模式,数据源往往是给定的若干个数据库表,数据较为稳定但是数据之间的关联关系比较复杂,需要从这些OLTP中产生的事务型数据结构抽取出分析型数据结构,再放入数据集市中方便下一步的BI与决策支持。
3.2 核心组件
- 1)业务源系统。企业中的操作型/交易型应用程序。这些应用程序产生数据,数据再被集成到操作型数据存储和数据仓库中。此组件等同于企业信息工厂图中的应用程序系统。
- 2)数据暂存区域。Kimball的暂存区域包括需要集成的流程和用于展示的转换数据,可以与企业信息工厂的集成、转换和数据仓库组件的组合进行类比。Kimball的重点是分析类数据的高效终端交付,比 Inmon的企业管理数据范围要小。Kimball的企业数据仓库可以适配数据暂存区域架构。
- 3)数据展示区域。与企业信息工厂中的数据集市类似,关键的架构差异在于"数据仓库总线"的集成范式,如应用于若干个数据集市的共享或一致的维度。
- 4)数据访问工具。Kimball方法侧重于最终用户的数据需求。这些需求推动采用适当的数据访问工具
3.3 流程
通常,Kimball都是以最终任务为导向。
- 首先,在得到数据后需要先做数据的探索,尝试将数据按照目标先拆分出不同的表需求。
- 其次,在明确数据依赖后将各个任务再通过ETL由Stage层转化到DM层。这里DM层数据则由若干个事实表和维度表组成。
- 接着,在完成DM层的事实表维度表拆分后,数据集市一方面可以直接向BI环节输出数据了,另一方面可以先DW层输出数据,方便后续的多维分析。
Kimball往往意味着快速交付、敏捷迭代,不会对数据仓库架构做过多复杂的设计,在变换莫测的互联网行业,这种架构方式逐渐成为一种主流范式。
四、异同及用途对比
4.1 异同对比
这两种结构的相似之处:
- 一、都是假设操作型系统和分析型系统是分离的;
- 二、数据源(操作型系统)都是众多;
- 三、ETL整合了多种操作型系统的信息,集中到一个企业数据仓库。
最大的不同就是企业数据仓库的模式不同:
- inmon是采用第三范式的格式,kimball采用了多维模型--星型模型,并且还是最低粒度的数据存储。
- 其次,维度数据仓库可以被分析系统直接访问(这种访问方式毕竟在分析过程中很少使用)。
- 最后就是数据集市的概念有逻辑上的区别,在kimball的架构中,数据集市用维度数据仓库的高亮显示的表的子集来表示。
4.2 特征比较
|----------|-----------|-------------|
| 特征 | Inmon | Kimball |
| 开发周期 | 漫长 | 快速交付 |
| 开发难度 | 大 | 小 |
| 维护难度 | 小 | 大 |
| 技能要求 | 专家级 | 入门级 |
| 数据要求 | 企业级 | 特定业务 |