大数据项目之电商数仓-业务数据仓库

电商业务流程简介

电商术语

• SKU，库存量单位，即库存进出计量的基本单元，可以是以件，盒，托盘等为单位。SKU这是对于大型连锁超市DC（配送中心）物流管理的一个必要的方法。现在已经被引申为产品统一编号的简称，每种产品均对应有唯一的SKU号。
• SPU，标准化产品单元。是商品信息聚合的最小单位，是一组可复用、易检索的标准化信息的集合，该集合描述了一个产品的特性。

常用的表：订单表、订单详情表、商品表、用户表、商品一级分类表、商品二级分类表、商品三级分类、支付流水表

数仓理论：表的分类

实体表：实体表，一般是指一个现实存在的业务对象，比如用户，商品，商家，销售员等等
维度表：维度表，一般是指对应一些业务状态，代码的解释表。也可以称之为码表。比如地区表，订单状态，支付方式，审批状态，商品分类等等。
事务型事实表：事务型事实表，一般指随着业务发生不断产生的数据。特点是一旦发生不会再变化。一般比如，交易流水，操作日志，出库入库记录等等。
周期型事实表：周期型事实表，一般指随着业务发生不断产生的数据。与事务型不同的是，数据会随着业务周期性的推进而变化。比如订单，其中订单状态会周期性变化。再比如，请假、贷款申请，随着批复状态在周期性变化。

同步策略

数据同步策略的类型包括：全量表、增量表、新增及变化表、拉链表

• 全量表：存储完整的数据。
• 增量表：存储新增加的数据。
• 新增及变化表：存储新增加的数据和变化的数据。
• 拉链表：对新增及变化表做定期合并。

实体表同步策略

实体表：比如用户，商品，商家，销售员等
实体表数据量比较小，通常可以做每日全量，就是每天存一份完整数据。即每日全量。

维度表同步策略

维度表：比如订单状态，审批状态，商品分类
维度表数据量比较小：通常可以做每日全量，就是每天存一份完整数据。即每日全量。
说明：

• 针对可能会有变化的状态数据可以存储每日全量。
• 没变化的客观世界的维度（比如性别，地区，民族，政治成分，鞋子尺码）可以就存一份固定值。

事务型事实表同步策略

事务型事实表： 比如，交易流水，操作日志，出库入库记录等。因为数据不会变化，而且数据量巨大，所以每天只同步新增数据即可，所以可以做成每日增量表，即每日创建一个分区存储。

周期型事实表同步策略

周期型事实表： 比如，订单、请假、贷款申请等
这类表从数据量的角度，存每日全量的话，数据量太大，冗余也太大。如果用每日增量的话无法反应数据变化。每日新增及变化量可以用，包括了当日的新增和修改。一般来说这个表，足够计算大部分当日数据的。但是这种依然无法解决能够得到某一个历史时间点（时间切片）的切片数据。 所以要用利用每日新增和变化表，制作一张拉链表，以方便的取到某个时间切片的快照数据。所以我们需要得到每日新增及变化量。

关系建模与维度建模

关系模型主要应用与OLTP系统中，为了保证数据的一致性以及避免冗余，所以大部分业务系统的表都是遵循第三范式的。维度模型主要应用于OLAP系统中，因为关系模型虽然冗余少，但是在大规模数据，跨表分析统计查询过程中，会造成多表关联，这会大大降低执行效率。所以把相关各种表整理成两种：事实表和维度表两种。所有维度表围绕着事实表进行解释。在维度建模的基础上又分为三种模型：

• 星型模型： 雪花模型和星型模型的区别主要在维度的层级，标准的星型维度只有一层，而雪花模型可能会涉及多级
• 雪花模型： 雪花模型介于关系模型和星座模型之间，比较靠近3NF，但是没法完全遵守，因为性能成本过高
• 星座模型： 星座模型和前两种情况的区别是事实表数量，星座模型是基于多个事实表。基本上是很多数仓的常态，因为很多数仓都是多个事实表，因为星座不星座只反映是否有多个事实表，是否共享一些维度，所以不和前俩模型冲突

星座和雪花的选择取决于性能优先还是灵活性优先，目前开发中不会选择一种而是灵活的组合，甚至并存，整体看来还是更倾向于选择维度更少的星型模型，尤其是Hadoop体系，减少join就是减少shuffle，性能差距大

数仓搭建

业务数据生成(业务流程中产生的登录、订单、用户、商品、支付等相关数据)-> 业务数据导入(Sqoop)-> ODS层(完全仿照业务数据库的表字段，一模一样创建ODS层对应表)-> DWD层(积压ODS层对数据进行判空过滤。对商品分类表进行维度退化(降维)) ->DWS层(用户行为宽表：把每个用户单日的行为聚合起来组成一张多列宽表，以便之后关联用户维度信息后进行，不同角度的统计分析)

拉链表

拉链表记录每条信息的生命周期为单位，一旦记录的生命周期结束，就重新开始一条新的记录，并把当前日期放入生效开始日期，如果当前信息至今有效，在生效结束日期中填入一个极大值。

为什么要做拉链表

• 需要查看某些业务信息的某一时间点当日的信息
• 数据会发生变化，但大部分是不变的，比如订单信息从下单、支付、发货前手等状态经历了一周，大部分时间是不变的
• 数据有一定的规模，无法按照每日全量的方式保存

拉链表的形成过程

• 首先获得某一天的订单全量表最初的订单表作为初始拉链表
• 获取第二天的订单全量表
• 根据订单表创建时间和操作时间，得到订单变化表，并追加有效开始日期和有效结束日期
• 订单变化表和之前的拉链表合并的到最后的拉链表

通过 某个日期<=生效开始日期且某个日期>=生效结束日期，就能获得某个时间点的数据全量切片

拉链表制作流程

订单当日全部数据和MySQL中每天变化的数据拼接在一起，形成一个新的临时拉链表数据，用临时拉链表数据覆盖久的拉链表数据