数据仓库建模与ETL的实践技巧学习教案.pptx

数据仓库建模与ETL的实践(shíjiàn)技巧一、什么(shénme)是BI（BusinessIntelligence）一、什么(shénme)是BI（BusinessIntelligence）一、什么(shénme)是BI（BusinessIntelligence）一、什么(shénme)是BI（BusinessIntelligence）一、什么(shénme)是BI（BusinessIntelligence）一、什么(shénme)是BI（BusinessIntelligence）一、什么(shénme)是BI（BusinessIntelligence）一、什么(shénme)是BI（BusinessIntelligence）一、什么(shénme)是BI（BusinessIntelligence）一、数据仓库的架构(jiàɡòu)(二)、数据仓库OLAP和OLTP数据库的区别(qūbié)?(三)、数据仓库的架构(jiàɡòu)模型有哪些？3、两者比较？
从OLAP系统的分析需求和ETL的处理效率两方面来考虑：星型结构聚合快，分析效率高;而雪花型结构明确，便于与OLTP系统交互。
因此，在实际(shíjì)项目中，我们将综合运用星型架构与雪花型架构来设计数据仓库。三、构建(ɡòujiàn)企业级数据仓库五步法三、构建(ɡòujiàn)企业级数据仓库五步法(三)、确定事实数据粒度
在确定了量度之后，我们要考虑到该量度的汇总情况和不同维度下量度的聚合情况。考虑到量度的聚合程度不同，我们将采用“最小粒度原则”，即将量度的粒度设置到最小。

例如：假设目前的数据最小记录到包卷烟，即数据库中记录了每包卷烟的交易额。

那么，如果我们可以确认，在将来的分析需求中，卷烟只需要精确到包就可以的话(dehuà)，我们就可以在ETL处理过程中，按包为单位来汇总进销存数据，此时，数据仓库中量度的粒度就是“包”;
反过来，如果我们不能确认将来的分析需求在卷烟上是否需要精确到包，那么，我们就需要遵循“最小粒度原则”，在数据仓库的事实表中保留每一支的进销存数据，以便日后对“支”进行分析。

举例:卷烟零售分析系统中，需求变更要求以万支为单位分析卷烟进销存情况。
附加:DDS层销售，库存及进货事实表结构和卷烟单位代码表三、构建(ɡòujiàn)企业级数据仓库五步法表名三、构建(ɡòujiàn)企业级数据仓库五步法三、构建(ɡòujiàn)企业级数据仓库五步法三、构建(ɡòujiàn)企业级数据仓库五步法三、构建(ɡòujiàn)企业级数据仓库五步法三、构建(ɡòujiàn)企业级数据仓库五步法三、构建(ɡòujiàn)企业级数据仓库五步法三、构建(ɡòujiàn)企业级数据仓库五步法四、什么(shénme)是ETL(ETL中的关键技术)四、什么(shénme)是ETL(ETL中的关键技术)四、什么(shénme)是ETL(ETL中的关键技术)四、什么(shénme)是ETL(ETL中的关键技术)四、什么(shénme)是ETL(ETL中的关键技术)四、什么(shénme)是ETL(ETL中的关键技术)四、什么(shénme)是ETL(ETL中的关键技术)四、什么(shénme)是ETL(ETL中的关键技术)感谢您的观看(guānkàn)。