Inmon 范式建模和 Kimball 维度建模

本文开始先简单理解两种建模的核心思想，然后根据一个具体的例子，分别使用这两种建模方式进行建模，大家便会一目了然！ 😏。

• Inmon：《数据仓库》
• Kimball：《数仓工具箱》

范式建模

1. 自上向下(数据的流向)，“上"即数据的上游，“下"即数据的下游
2. 分散异构的数据源—>数据仓库—>数据集市
3. 以数据源头为导向
4. 将数据抽取为实体-关系模型
5. 并不强调事实表和维度表

维度建模

1. 自下向上，数据集市—>数据仓库—>分散异构的数据源
2. 以最终任务为导向
3. 按照目标拆分需求，抽取为事实-维度模型，数据源经过ETL转化为事实表和维度表导入数据集市
4. 以星型模型或雪花模型构建维度数据仓库
5. 数据集市是数据仓库中的一个逻辑上的主题域

建模实践

以电商系统为例，有4张表，分别是：

1. 用户信息表
2. 城市信息表
3. 用户等级表
4. 用户订单表

Inmon建模

将数据抽取为实体-关系(ER)模型

1. 用户实体表(ETL已过滤掉注销用户)
2. 支付成功订单实体表
3. 城市信息实体表
4. 订单与用户关系表
5. 用户与城市信息关系表
6. 用户与用户等级关系表

数据没有冗余，符合三范式设计规范

Kimball建模

将数据抽取为事实表和维度表

在 Kimball 维度建模中，不需要单独维护数据关系表，因为关系已经冗余在事实表和维度表中

1. 支付成功订单事实表
2. 用户维度表
3. 城市信息维度表
4. 用户等级维度表

以上是雪花模型，特点是维度表可以拥有其他维度表

范式建模

优点：

1. 没有数据冗余，保证了数据一致性
2. 数据解耦，方便维护

缺点：

1. 表的数量多
2. 查询时多表联查降低查询性能

维度建模

优点：

1. 模型简单，面向分析
2. 增加数据冗余，开发周期短，能快速迭代

缺点：

1. 数据大量冗余，预处理阶段开销大
2. 后期维护麻烦
3. 维度设计不好的话不能保证数据口径一致性

☺️ 维度就是看待问题的角度，量度就是事实表中数据类型的字段

如果把省份当作一个单独维度，城市当作一个单独维度，计算城市的人口数量。

这时省份和城市都是单独的维度，它们之间没有了关系，会出现：

广东省 杭州市 1500
浙江省 广州市 1200

在范式建模中，强调实体-关系模型，省份和城市之间一定存在归属关系，所以范式建模能保证口径的一致性，而维度建模不能！

建模方式对比