数据仓库架构设计，数据仓库框架结构

小程序：扫一扫查出行
【扫一扫了解最新限行尾号】
复制小程序

银行数据仓库体系实践(7)--数据模型设计及流程

) 近源模型区：主要是将所有入数据仓库的数据表按历史拉链表或事件表(APPEND算法)的方式保留所有历史数据，因此模型设计较简单，只需要基于源系统表结构，对字段进行数据标准化后，增加保留历史数据算法所需要的日期字段即可。

为逻辑数据模型选择最适合应用程序环境的物理结构（包括存储结构和存取方法）。

星型模式星形模式(Star Schema)是最常用的维度建模方式。星型模式是以事实表为中心，所有的维度表直接连接在事实表上，像星星一样。

应该先优先考虑为业务处理获取最有原子性的信息而开发维度模型。原子型数据是所收集的最详细的信息，这样的数据不能再做更进一步的细分。

整体规划、明确目标、合理定位银行建设数据仓库系统时应充分明确建设目标，核心的逻辑数据模型是对银行业务的高度抽象、能够提供对关键业务数据的组织和整理，建立一套完整、统规范的标准，以便进行各类分析。

构建数据仓库模型一般采用以下几种：1 星型模型：星型模型是最常用的数据仓库设计结构的实现模式。使数据仓库形成了一个集成系统，为用户提供分析服务对象。该模型的核心是事实表，围绕事实表的是维度表。

数据分层每个企业根据自己的业务需求可以分成不同的层次，但是最基础的分层思想，理论上数据分为三个层，数据运营层、数据仓库层和数据服务层。

数据仓库的五层架构：ODS数据准备层；DWD数据明细层；DW(B/S)数据汇总层；DM数据集市层；ST数据应用层。数据仓库，英文名称为DataWarehouse，可简写为DW或DWH。

数据仓库层：DW（Data Warehouse）数据仓库层是我们在做数据仓库时要核心设计的一层，在这里，从 ODS 层中获得的数据按照主题建立各种数据模型。

有六项指导原则可帮助企业快速实现数据仓库计划并评估其过程：·简化需求收集和设计。公司通常会难以确定，哪些数据重要，哪些使得他们无法利用有价值的非结构化信息来驱动关键业务流程。

在数据仓库规划中一般需要经历这样几个过程：选择实现策略、确定数据仓库的开发目标和实现范围、选择数据仓库体系结构、建立商业和项目规划预算。

大数据系统体系建设规划包括的内容是：强化大数据技术产品研发，深化工业大数据创新应用，促进行业大数据应用发展，加快大数据产业主体培育，推进大数据标准体系建设，完善大数据产业支撑体系，提升大数据安全保障能力。

逻辑架构数据源层：所有数据的源头。来源于多个业务系统。数据格式不统一，尚待清洗。操作数据存储（ODS）层：介于业务系统与数据仓库间的隔离层，通常在该层中完成ETL的大部分工作。

1、)，数据库的模型确定下来之后，我们有必要做一个系统内数据流向图，分析可能出现的瓶颈。为了保证数据库的一致性和完整性，在逻辑设计的时候往往会设计过多的表间关联，尽可能的降低数据的冗余。

2、最初要考虑归档和分区。所有可能的大表设计，都要在最初的时候考虑归档和分区。数据冲上高水位（HighWaterMark）后，即使有归档也不会降低高水位，性能可能也存在消耗，所以要及时归档转移数据。

3、需求收集和分析，得到数据字典和数据流图。对用户需求综合、归纳与抽象，形成概念模型。将概念结构转换为数据模型。设计数据库的物理结构。建立数据库，编制与调试应用程序，组织数据入库。

数据仓库架构设计的介绍就聊到这里吧，感谢你花时间阅读本站内容，更多关于数据仓库框架结构、数据仓库架构设计的信息别忘了在本站进行查找喔。