缓慢变化维
- 重写维度
- 插入新的维度（一般是有效时间）
- 添加维度列
数据库 三范式
- 如果每列都是不可再分的最小数据单元（也称为 最小的原子单元），则满足第一范式（1NF）
- 如果一个关系满足第一范式（1NF）的同时，并且除了主键以外的其他列，都依赖与该主键，则满足第二范式（2NF）。并且我们要求每张表只描述一件事情
- 如果一个关系满足第二范式（2NF），并且除了主键以外的其他列 都不传递依赖于主键列，则满足第三范式（3NF）
数据库和数据仓库有什么区别？
关系型数据库理论是大数据领域建模的基础
- 关系型数据库是面向事务的，数据是由日常的业务产生的，常更新；数据仓库是面向主题的,数据来源于数据库或文件，经过一定的规则转换得到，用来分析的。
- 关系型数据库一般是用来存储当前数据,数据仓库存储一般存储的是历史数据。
- 数据库的设计一般是符合三范式的，有最大的精确度和最小的冗余度，有利于数据的增删改查; 数据仓库的设计一般是星型的，有利于查询。
数据仓库范式建模与维度建模:
范式建模：
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
维度建模：
设计思路是自下而上，适合下游应用数据存储，适合统计多层次维度的汇总，开发周期短，缺点是维护成本高
范式建模
Inmon提出的集线器的自上而下（EDW-DM）的数据仓库架构。操作型或事务型系统的数据源，通过ETL抽取转换和加载到数据仓库的ODS层，然后通过ODS的数据建设原子数据的数据仓库EDW，EDW不是多维格式的，不方便上层应用做数据分析，所以需要通过汇总建设成多维格式的数据集市层。优势：易于维护，高度集成；劣势：结构死板，部署周期较长
范式建模应用在dwd明细层
一个符合第三范式的关系必须具有以下三个条件:
- 每个属性的值唯一,不具有多义性;
- 每个非主属性必须完全依赖于整个主键,而非主键的一部分;
- 每个非主属性不能依赖于其他关系中的属性,因为这样的话,这种属性应该归到其他关系中去。
但是由于EDW的数据是原子粒度的，数据量比较大，完全规范的3范式在数据的交互的时候效率比较低下，所以通常会根据实际情况在事实表上做一些冗余，减少过多的数据交互。
维度建模
Kimball提出的总线式的自下而上（DM-DW）的数据仓库架构。同样的，操作型或事务型系统的数据源，通过ETL抽取转换和加载到数据仓库的ODS层，然后通过ODS的数据，利用维度建模方法建设一致维度的数据集市。通过一致性维度可以将数据集市联系在一起，由所有的数据集市组成数据仓库。优势：构建迅速，最快的看到投资回报率，敏捷灵活；劣势：作为企业资源不太好维护，结构复杂，数据集市集成困难。
星型模型（推荐）和雪花模型
在复合式的数据仓库架构中，操作型或事务型系统的数据源，通过ETL抽取转换和加载到数据仓库的ODS层，然后通过ODS的数据，利用范式建模方法，建设原子数据的数据仓库EDW，然后基于EDW，利用维度建模方法建设数据集市。
业界内常用的模型实施过程
kimball
Kimball 的模型是自底向上的，即从数据集市-> 数据仓库 -> 分散异构的数据源。
1）Kimball 的模型的数据源往往是给定的若干个数据库表，数据较为稳定但是数据之间的关联关系比较复杂，需要从这些OLTP中产生的事务型数据结构抽取出分析型数据结构。Kimball 是以最终任务为导向，将数据按照目标拆分出不同的表需求，通过ETL导入数据集市层
2）Kimball模型将分散异构的数据源经ETL转化为事实表和维度表导入数据集市，数据集市由若干个事实表和维度表组成
3）在数据集市将事实表和维度表根据分析主题组合后导入数据仓库中，用于数据分析
Inmon
Inmon 的模型从流程上看是自顶向下的，即从分散异构的数据源 -> 数据仓库 -> 数据集市。
1）操作型系统的数据和体系外数据需要经过ETL过程，加载到企业数据仓库中
2）企业数据仓库是企业信息化工厂的枢纽，是原子数据的集成仓库，其目的是将附加的数据存储用于各类分析型系统；在数据仓库中会对数据进行清洗，并抽取实体-关系。
3）数据集市是针对不同主题的聚集区域
数据调研
业务调研：了解各个业务域/业务线的业务有什么共同点和不同点，以及各个业务线可以细分为那几个业务模块，每个业务模块具体的业务流程是怎样的。
需求调研：根据与分析师/业务运营人员的沟通；对报表系统中现有报表进行研究分析
架构设计
数据域划分/主题域划分
构建总线矩阵，明确每个数据域下面有哪些业务过程，业务过程与哪些维度相关，并定义每个数据域下的业务过程和维度。
规范定义
规范定义主要定义指标体系，包括原子指标/修饰词/时间周期/派生指标
模型设计
维表/明细事实表/汇总事实表
