数据挖掘系列之四（数据仓库之二）：数据仓库设计--Kimball方法
（注意：本文介绍的是数据仓库设计的Kimball方法，即多维模型；关系模型，即Inmon方法参见（四））
1. OLAP（联机分析处理）与OLTP（联机事务处理）主要区别
用户和系统的面向性：OLTP面向事务，日常操作；OLAP面向分析，用于决策支持。
数据内容：OLTP当前数据；OLAP历史数据
数据库设计：OLTP使用ER图、面向应用；OLAP使用星形模式或雪花，面向主题。
视图：OLTP是详细的，一般的关系；OLTP汇总的，多维的。
访问模式：OLTP读写操作都有，需要并行控制和恢复机制；OLAP多为读
2. 多维数据模型
数据仓库和OLAP基于多维数据模型。此模型用数据方表示数据。
方体：数据汇总。方体是数据，方体的维度即各个维表，方体的值即事实表的度量；星型图则是事实表与维表的组织结构，与数据无关。数据仓库是面向主题的，主题用事实表表示。
方体的格：根据不同的汇总级别或维的不同子集，构造方体的格。
数据方：方体的格即为一个数据方。数据方由维和度量组成。
原语：立方体定义 (事实表)：
define cube []: define dimension as () 2.1 度量
度量可以根据所用得聚集函数类型分为三类。
分布的：一个聚集函数是分布的，如果它能用如下分布方式进行计算：设数据划分为n个集合，将函数用于每个划分，得到n个聚集值；再将函数用于前述n个聚集值得到的结果与将函数用于整个数据集（不划分）得到的结果一样，则该函数可以用分布方式计算。一个度量是分布的，如果它可以用分布聚集函数得到。如count()，sum()，min()，max()都是分布聚集函数。
代数的：一个聚集函数是代数的，如果它能够用具有M个参数的代数函数计算（其中M是有界正整数），而每个参数都可以用一个分布聚集函数求得。一个度量是代数的，如果它可以用代数聚集函数得到。如avg()，min_N()，max_N()，standard_deviation()都是代数聚集函数。
整体的：一个聚集函数是整体的，如果描述它的子聚集所需的存储没有常数界。即不存在一个有M个参数的代数函数进行这一计算（其中M是常数）。如median()，mode()，rank()都是。
2.2 概念分层
一般是对于维的概念分层。概念分层为数据库模式中属性的全序或偏序称作模式分层。概念分层可用于OLAP中上卷和下钻。OLAP上卷操作通过沿一个维的概念分层向上攀升或者通过维规约（即，一个或多个维从给定的立方体中删除），对数据立方体进行聚集。
3. 多维数据库模式
多维数据模型可以以星形模式、雪花模式、事实星座模式形式存在。
星形模式：（1）一个大的、包含大批数据、不含冗余的中心表（事实表）；（2）一组小的附属表（维表），每维一个。
雪花模式：雪花模式是星型模式的变种，其中某些维表是规范化的，因而把数据进一步分解到附加的表中。雪花模式比星形模式的维表更规范，这样减少了冗余，但是可能需要更多的join操作，性能降低。数据仓库设计中，星形模式更多。
事实星座模式（星系模式）：多个事实表共享维表。
4. 数据仓库设计
须考虑的四种视图：
-自顶向下视图：选择数据仓库所需的有关信息
-数据源视图：揭示被操作数据库系统捕获、存储、和管理的信息
-数据仓库视图：包括事实表和维表
-商务查询视图：从最终用户的角度透视数据仓库中的数据
典型的数据仓库设计过程：
-选取待建模的商务处理, 例如, 订单, 发票, 库存等.
-选取商务处理的粒度, 例如，单个事务、一天的快照等
-选取用于每个事实表记录的维, 如,时间、商品、顾客、供应商、仓库、事务类型和状态 等
-选取将安放在事实表中的度量. 典型的度量是可加的数值量, 如dollars_sold和units_sold
5 数据仓库设计步骤[2]
数据仓库系统的原始需求一般并不明确，且不断变化和增加，因此，采用原型法来进行数据仓库开发是比较合适的，原型法的思想是：从构建系统的简单的基本框架入手，不断丰富和完善整个系统。但是，数据仓库设计开发又不同于一般意义上的原型法，因为数据仓库的设计时数据驱动的。
虽然数据仓库开发是一个迭代过程，如（三）中所述CLDS（SDLC，系统开发生命周期的相反方法），但是数据仓库的设计并不是没有步骤可言的，大体上分为：
- 概念模型设计；
- 技术准备工作；
- 逻辑模型设计；
- 物理模型设计；
- 数据仓库生成；
- 数据仓库运行与维护。
5.1 概念模型设计
概念模型最常用的是E-R法（实体-联系法，Inmon支持这种方法），使用E-R图作为描述工具。另一种方法是Kimball支持的多维模型。
此步骤主要完成的工作是：（1）界定系统边界；（2）确定主要的主题域及其内容。
例如，商场的边界可以界定为包含销售子系统、采购子系统、库存子系统在内的集合。在此基础上，确定三个基本主题：顾客、供应商、商品。
5.2 技术准备工作
本阶段工作：技术评估，技术环境准备。
成果：技术评估报告，软硬件配置方案，系统（软硬件）总体设计方案。
5.3 逻辑模型设计
目前数据仓库一般建立在关系数据库基础之上，因此，在数据仓库的设计中采用的逻辑模型为关系模型。
关系模型的基本概念：
- 关系：一个二维表；
- 元组：表中的一行称为一个元组；
- 属性：表中的一列称为属性，列名即属性名；
- 主码：表中的某个属性组，它们的值唯一的标识一个元组；
- 域：属性的取值范围；
- 分量：元组中的一个属性组；
- 关系模式：对关系的描述，用关系名（属性名1，属性名2，……，属性名n）表示。
数据仓库的逻辑模型描述了数据仓库的主题的逻辑实现，即每个主题所对应的关系表的关系模式的定义。
本阶段主要工作：（1）粒度层次划分；（2）数据分割策略；（3）记录系统定义；（4）关系模式定义。
5.4 物理模型设计
主要工作：（1）确定存储结构；（2）确定索引结构；（3）确定存放位置；（4）确定存储分配。
5.5 数据仓库生成
主要工作：（1）设计接口；（2）数据装入。
接口是指将操作性环境下的数据装载进入数据仓库环境，需要在两个不同环境的记录系统之间建立一个接口。
5.6 数据仓库运行与维护
包括：（1）建立DSS应用；（2）理解需求，改善和完善系统，维护数据仓库。
DSS应用开发的步骤：确定所需的数据、编程抽取数据、合并数据、分析数据、回答问题、例行化。
参考文献：
[1]数据挖掘：概念与技术
[2]《数据仓库技术与联机分析处理》