数仓扫盲篇:什么是数据仓库?

2 评论 8397 浏览 37 收藏 11 分钟

不少人可能接触过数据仓库这一概念,那么,你是否了解数据仓库的定义和内涵呢?这篇文章里,作者结合自己的语言,针对数据仓库的定义、作用和特征等维度进行了总结分析,一起来看看吧,或许会对你有所启发。

一、什么是数据仓库?

百度是这样介绍的:

看起来有点抽象。

不管他,我们将数据仓库拆成“数据”+“仓库”,来理解。

继续百度。

数据:

仓库:

再简单上个仓库图,有画面感了!

数据+仓库,我们现在也可以粗暴的理解为“数据中转站”

我们把仓库的描述进行拆分,通过对比数据仓库,来体会一下数据仓库是什么?

1)仓库的构成:库房、传送设施、出入库房的管道和设备、消防设施、管理用房

这里描述了货物的存储,出入,管理环节的基础设施。

那数据的存储,出入,管理环节同样也需要基础设施去支撑,数据存储在数据库或者文件系统里,数据通过ETL工具在数据仓库里流转,通过API对外提供数据,以及任务调度工具、节点管理工具去管理等。

2)按仓库存储的物品形态分为:固体、液体、气体、粉状物品

固体有固体的存储空间和方式,液体有液体的存储空间和方式,同样的气体、粉状物品都会有相应的存储方式。

数据也是一样,结构化数据可以存储在结构化的数据库,比如mysql,oracle等;文件等非结构化数据,也有相应的数据库去存储,比如HDFS,Hbase等。

3)按存储物品性质分为:原材料、半成本、成品

从加工的流程来看,物品在不同加工阶段,有不同的展现形式,数据也是一样,在原材料阶段,称为原始数据;对原始数据进行清洗,加工后,成为明细数据;对明细数据进行聚合,加工后,成为汇总数据;最后产出可直接应用的数据,成为应用数据。

4)按建筑形态分为:单层仓库、多层仓库、圆筒形仓库

对于存储不同形态的的物品,存储量不同,仓库也会有不同的建筑形态。数据仓库也是一样,根据应用场景,可以分为离线数仓,实时数仓,按照数据分层,可以分为贴源层,明细层,汇总层,应用层。

仓库有了,货物有了,还要考虑什么?

在现实生活中,每天都要存货,找货,出货。如何合理的存储货物,快速的查找货物,及时的把货物运出去才是仓库管理员最关心的。

数据也是如此,为了合理的存储数据,快速的使用数据,横向可对数据进行主题的划分,纵向可对数据进行层级划分(这里就不展开介绍了)。

经过以上对比介绍,大致就能理解数据仓库具体是干什么的了。

二、为什么需要数据仓库?

首先,数据仓库的典型用户是数据分析人员,使用场景是决策场景,那么企业为什么需要数据仓库,我们需要知道没有数据仓库前,数据分析是什么样的,就能知道为什么需要数据仓库?

这里需要先补充一下业务系统的范式模型是什么?

即指遵循3范式规则设计的表模型。

第①范式:列都是原子性的,即数据库表的每一列都是不可分割的原子数据项(为了消除冗余和方便查询,对数据拆分处理,主要是针对时间、地区等属性)。

第②范式:在1范式基础上,实体的属性需要完全依赖于主键全部,不能存在仅依赖主键一部分的属性(指不能只依赖联合主键的其中一个属性,只有一个主键可不考虑第2范式)。

第③范式:需要确保数据表中的每一列数据都和主键直接相关,而不能间接相关(消除冗余,降低实体属性和业务数据之间的影响)。

范式模型就像是异地恋,双方不在一起,只能通过电话联系,沟通效率不高,但是你也可以知道对方每天做了什么,吃了什么。但是范式模型是会关联多个哈,是个海王。

在业务系统中,范式模型强调减少数据冗余、单纯依赖关联关系,主要应用于在线事务系统。由于业务数据库是实时记录业务操作的,仅通过ID关联,在业务系统的各种实体属性修改时,不会牵扯到历史数据的回溯;以及业务数据修改时候,不会影响各种实体属性。

假设此时企业没有建设数据仓库。这时候来了一个分析需求,要求统计企业每个工程项目的物料使用情况和人力成本情况。

那么可能会遇到以下几个情况:

  • 取数难:由于人资、物资、项目是三个子系统,你就得想办法去多个业务系统去搞生产数据,能不能拿到,需不需要审批,数据安全都是要考虑的问题。
  • 分析难:每个系统的开发规则,规范程度、统计口径都不一致。你还要去做数据关系映射,了解原业务系统的数据逻辑,废了老大劲。
  • 分析慢:由于业务系统是遵循范式建模的,发现关联了一堆表才能完成分析需求,分析时间长不说,还可能会影响业务数据库的稳定。
  • 成本高:显而易见,在没有数据统一处理的情况下,这种分析需求费时费力,如果有更多更复杂的分析需求,该怎么办呢。

此时我们需要一个可以将各个业务系统数据集成起来,面向业务数据分析的,统一规划数据加工的规范,甚至是独立的,不会影响业务系统的数据模型组织方式。

数据仓库就是这样一种数据的组织方式,此处引出维度建模理论,那么维度模型是什么?

维度建模从分析决策的需求出发构建模型,为分析需求服务,因此它重点关注用户如何更快速地完成需求分析,同时具有较好的大规模复杂查询的响应性能。其典型的代表是星形模型。(来源大数据之路)

维度模型强调面向业务分析决策需求,提高数据查询的效率,可以减少关联,进行维度冗余。由于维度模型的数据具有稳定性,进入数仓的数据,不会发生修改,且数据都有历史记录,所以不需要考虑事实和维度之间的变化会互相影响。

但是数据冗余在提高查询效率的同时,也会增加存储成本。

维度模型就像是本地恋,恨不得天天腻在一起,去玩,去吃饭,相互之间了解的更多了,感情变好了,但是日常花销也变高了。

由以上问题我们可以推导出数据仓库的作用,以及为什么需要数据仓库?

  • 隔离业务数据。
  • 把散落在各个业务系统的数据集中起来,集中处理。
  • 统一建模,沉淀数据处理的结果,降低重复加工。
  • 提高数据的使用/共享效率,为企业决策提 供数据依据。

三、数据仓库有什么特征?

结合前两部分的介绍,我们总结一下数据仓库的特征:

  • 面向业务的:根据业务过程对数据进行划分,让数据合理的组织和存储,方便快速查找和使用数据。
  • 集成的:原始数据是从多个业务系统获得,要将这些来源不同的原始数据整合到一个数据库中统一处理。
  • 稳定的:一旦进入数据仓库,就不允许被修改,一般的操作就是查询、定期的加载。
  • 统一的:数据仓库可以对数据规范化、统一化处理,沉淀公共处理逻辑。

本文由 @成长中的数据产品 原创发布于人人都是产品经理,未经许可,禁止转载

题图来自 Unsplash,基于 CC0 协议

该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务。

更多精彩内容,请关注人人都是产品经理微信公众号或下载App
海报
评论
评论请登录
  1. 牛逼

    来自广东 回复
  2. 👍👍

    来自广东 回复