数据仓库两种架构,简述数据仓库体系架构

C. 数据仓库 — Kimball架构 Kimball关键性概念 总线架构：多维体系结构主要包括后台（Back Room）和前台（Front Room）两部分。 后台也称为数据准备区（Staging Area），是MD架构的最为核心的部件。在后台，是一致性维度的产生、保存和分发的场所。同时，代理键也在后台产生。前台是MD架构对外的接口，包括两种主要的数据集市，一种是原子数据集市，另一种是聚集数据集市。 原子数据集市保存着最低粒度的细节数据，数据以星型结构来进行数据存储。聚集数据集市的粒度通常比原子数据集市要高，和原子数据集市一样，聚集数据集市也是以星型结构来进行数据存储。 总线矩阵：矩阵的行表示业务过程、列表示维度 一致性维度一致性事实：一致性事实 在建立多个数据集市时，完成一致性维度的工作就已经完成了一致性的80%－90%的工作量。余下的工作就是建立一致性事实。 一致性事实和一致性维度有些不同，一致性维度是由专人维护在后台（Back Room），发生修改时同步复制到每个数据集市，而事实表一般不会在多个数据集市间复制。需要查询多个数据集市中的事实时，一般通过交叉探查（drill across）来实现。 为了能在多个数据集市间进行交叉探查，一致性事实主要需要保证两点。第一个是KPI的定义及计算方法要一致，第二个是事实的单位要一致性。如果业务要求或事实上就不能保持一致的话，建议不同单位的事实分开建立字段保存。 操作型源系统 ETL 特点 源到目标的转换一致性维度规范化选择不支持用户查询 设计目标 吞吐率完整性和一致性 步骤 从操作型系统导入获取数据清洗数据（消除拼写错误、解决领域冲突、处理错误的元素、解析为标准格式）实际构建和加载数据到展示区域的目标维度模型中 数据展示 展示区 维度（星型模式或OLAP多维数据库）原子数据及汇总数据按业务过程组织使用一致性维度 设计目标 方便实用查询性能 商业智能应用 BI应用 随意查询标准报表分析应用数据挖掘及模型 其他架构方法 独立数据集市架构 关键点：以部门为单位，构建数据集市 辐射状企业信心工厂Inmon架构 操作型系统ETL企业数据仓库（EDW） 规范化表（第3范式）原子数据用户可查询 数据发布数据集市 维度通常被汇总通常是部门级 BI应用，数据来源：1. 数据集市2. 企业数据仓库 混合辐射架构与Kimball架构 操作型系统ETL企业数据仓库（EDW） 规范化表（第3范式）原子数据 ETL展示区/企业数据仓库总线结构 维度（星型模式或OLAP多维数据库）原子数据及汇总数据按业务过程组织使用一致性维度 BI应用