为什么要进行数仓建模？

        性能：良好的数据模型能帮助我们快速查询需要的数据，减少数据I/O吞吐

        成本：减少数据冗余、计算结果复用、从而减低存储和计算成本

        效率：改善用户使用数据的体验，提高使用数据的效率

        改善统计口径的不一致性，减少数据计算错误的可能性

 维度模型

        维度建模按数据组织类型划分为星型模型、雪花模型和星座模型。

        （维度建模四部曲：选择业务处理过程->定义粒度->选择维度->确定事实）

    星型模型：主要是为表和事实表。以事实表为中心所有维度直接关联在事实表上，呈星型分布。

    雪花模型：在星型模型的基础上，维度表又关联了其他的维度表。这种模型维护成本很高，性能方面也比较差。所以一般不建议使用。尤其是基于                        hadoop体系构建数仓，减少join就是减少shuffle，性能差距会很大。

                      星型模型可以理解为，一个事实表关联多个维度表，雪花模型可以理解为，一个事实表关联多个维度表，维度表再关联维度表。

     星座模型：是对星型模型的扩展延伸，多张事实表共享维度表。星座模型是很多数据库的常态，因为很多数据仓库都是多个事实表的,所以星座模                          型只反映是否有多个事实表，他们之间是否共享一些维度表。

范式模型

        即实体关系（ER模型），从全企业的角度设计一个3NF模型，用实体加关系描述的数据模型描述企业业务架构，在范式理论上符合3NF。

        特点：设计思路自上而下，适合上游基础数据存储，同一份数据只存储一份，没有数据冗余，方便解耦，易维护，缺点是开发周期一般比较长，                     维护成本高。

DATA VAULT模型

        由Hub（关键核心业务实体）、Link（关系）、Satellite（实体属性）三部分组成，是在ER关系模型上的衍生，同时设计的出发点也是为了数据          的整合，并非为数据决策分析直接使用。

Anchor模型

        高可扩展模型，所有的扩展只是添加而不是修改，因此它将模型规范到了6NF，基本变成了K-V结构模型。企业很少用。

数据模型的评价标准

        业务过程清晰：ODS就是原始信息，不修改；DWD面向基础业务过程；DIM描述维度信息；DWS针对小场景做指标计算；ADS也要分层，面向跨域的建设，和面向应用的建设；

        指标可理解：按照一定业务事务过程进行业务划分，明细层粒度明确、历史数据可获取，汇总层维度和指标同名同义，能客观反映业务不同角度下的量化程度；

        核心模型相对稳定：如果业务过程运行的比较久，过程相对固定，就要尽快下沉到公共层，形成可复用的核心模型；

        高内聚低耦合：各主题内数据模型要业务高内聚，避免在一个模型耦合其他业务的指标，造成该模型主题不清晰和性价比低。