指面向業務分析的業務流程或維度的抽象集合。其中，業務流程可以概括為不可分割的行為事件。在業務流程下，可以定義指標；維度指的是衡量環境，比如買家的下單事件，買家就是壹個維度。為了保證整個系統的生命力，需要對數據域進行長期的抽象、維護和更新，但又不輕易改變。在劃分數據域時，既能覆蓋當前所有的業務需求，又能在新的服務進入時，不受影響地納入現有的數據域，擴展新的數據域。
指企業的業務活動，比如下面的訂單、付款、退款都是業務流程。請註意，業務流程是壹個不可分割的行為事件，通俗地說，業務流程就是企業活動中的壹個事件。
維度是衡量環境，用來反映業務的壹種屬性。這些屬性的集合構成了壹個維度，也可以稱為實體對象。維度屬於壹個數據域，如地理維度(包括國家、地區、省市級別)和時間維度(包括年、季、月、周、日級別)。
維度屬性屬於壹個維度，例如地理維度中的國家名稱、國家ID和省名。
原子指標與度量具有相同的含義，度量基於業務事件的行為。是業務定義中不可拆分的指標，有明確的業務含義，比如付款金額。
衍生指標=壹個原子指標+多個修飾符(可選)+時間段。可以理解為原子指標業務統計範圍的劃定。比如原子指標:付款金額，最後L天海外買家付款金額是衍生指標(最後L天是時間段，海外是修飾符，買家是維度，不是修飾符)。
用於定義數據統計的時間範圍或時間點，如最近30天、自然周、截止到今天等。
它是修飾語的抽象劃分。修改量類型屬於業務領域。例如，對數域的接入終端類型覆蓋諸如無線終端和PC終端的修飾符。
指統計維度以外的指標的業務場景定義抽象。修改器屬於修改器的壹種類型，如PC、無線等。在登錄域的接入終端類型下。
在維度提煉的過程中，通常從與業務流程或文檔相關的誰、在哪裏、何時、如何、是什麽、為什麽等角度進行提煉。詳情請參考權威的《維度建模指南第三版》。
維度建模是從分析決策的需求出發，服務於需求的分析，所以側重於用戶如何更快的完成需求分析，同時對於大規模的復雜查詢有很好的響應性能。其典型代表是壹些特殊場景中使用的星形模型和雪花模型。
1.選擇壹個業務流程。
業務流程可以是單個業務事件，如交易的支付和退款；它也可以是壹個事件的狀態，如當前帳戶余額；也可以是由壹系列相關的業務事件組成的業務流程，取決於我們分析的是某些事件的發生、當前狀態，還是事件流的效率。
2.選擇粒度。
在事件分析中，需要預測所有分析需要細分到什麽程度，從而確定選擇的粒度。粒度是維度的組合。
3.標識維度表。
選擇粒度後，需要根據這個粒度設計壹個維度表，包括維度屬性，用於分析時的分組和篩選。
4.選擇事實。
確定分析中需要測量的指標。
基於維度建模，我們構建了壹個總線矩陣，劃分並定義了數據字段、業務流程、維度、度量/原子指標、修改量類型、修改量、時間段和派生指標。整體遵循以下建模規範。
1，概念層次結構
3、指標體系(指標體系之間的關系)
原子指數
原子指標、修改量類型、修改量直接屬於業務流程，其中修改量繼承修改量類型的數據字段。
衍生指數
1，模型架構圖
操作數據層
將操作系統數據幾乎不加處理地存儲在數據倉庫系統中。
普通* * *號倉庫層(DW)
存儲公共指標的詳細事實數據、維度表數據和匯總數據。以維度模型方法為理論基礎，減少事實表和維度表之間的關聯，提高明細表的可用性。
詳細等級(dwd)
理論上，細節層數據是對ods層數據進行清洗和處理，以提高ods層數據的可用性，dwd層數據是否在同壹層引用需要權衡:
匯總層(dws)
這壹層依賴於我們的指標體系，按照各種維度聚合dwd層的數據。
數據集市層(dwm)
當我們有壹些跨業務的匯總統計需求時，就放在這個層面。
數據倉庫層的主要功能如下:
應用數據層
存儲數據產品的個性化統計指標數據，按照CDM層和ODS層進行處理。
實現過程主要分為數據研究、架構設計、規範定義和模型設計。
該模型的整體實現過程如下圖所示:
數據域劃分
構建總線矩陣
規範性定義主要定義指標體系，包括原子指標、修飾語、時間段和派生指標。上面也已經詳細解釋過了，這裏不再贅述。
模型設計主要包括維度和屬性的規範定義，維度表、明細事實表和匯總事實表的模型設計。
維度是維度建模的基礎和靈魂，數據倉庫的能力與維度屬性的質量和深度成正比。
維度屬性是查詢約束、分組和報表標簽生成的基本來源，是數據可用性的關鍵。維度的作用壹般是查詢約束、分類匯總、排序等等。維度設計的過程就是確定維度屬性的過程。
當存在多級維度屬性時，按照第三範式歸壹化後形成壹系列維度表，而不是單壹的維度表。這種建模被稱為雪花模式。
將維度的屬性層次結構合並為壹個維度的操作稱為反規範化。
來自不同應用系統的數據進入幾個倉庫後需要進行整合:
微維度的創建是通過從相對穩定的主維度中去掉壹些不穩定的屬性，放入壹個有自己代理鍵的新表中來實現的。
遞歸層次是指維度表實例值的層次關系。維的遞歸層次結構可分為具有固定層數的平衡層次結構和沒有固定層數的非平衡層次結構。
因為數據倉庫中壹般不支持遞歸SQL函數來處理這種層次結構，所以需要其他方法。
多值維度是指維度表中有多條記錄與之對應的事實表。
處理多值維度有三種常見的方法:
雜項維度由業務系統中的指標或標誌字段組成，壹般不包含在壹致性維度中。
如果這些維度作為事實存在於事實表中，會導致事實表占用更多的空間；如果單獨建立維度表，會有很多零碎的小維度表。
這時通常的解決方法是建立雜項維度，將這些字段構建成壹個維度表，只需要在事實表中保存壹個外鍵即可。雜項維度可以理解為通過行到列的轉換將許多小維度表存儲到壹個大維度表中的處理方案。
指其屬性直接存儲在事實數據表中的維度。
事實表作為數據倉庫維度建模的核心，緊緊圍繞業務流程進行設計，通過獲取描述業務流程的度量來表達業務流程，包括引用的維度和與業務流程相關的度量。
另壹個角度劃分了事實表的類型:
單壹事務事實表:
為每個業務流程設計壹個事實表。這有助於對每個業務流程進行獨立的分析和研究。
多事務事實表:
將不同的事實放在同壹個事實表中，即同壹個事實表包含不同的業務流程。
多事務事實表有兩種處理事實的方法:
不同業務流程的事實存儲在不同的事實字段中；如果不是當前業務流程的度量，可以考慮用0值填充。
不同業務流程的事實存儲在同壹個事實字段中，但是添加了壹個列作為業務流程標簽，記錄交易是否在同壹天完成。
4、事實表設計原則
嘗試包含所有與業務流程相關的事實。
僅選擇與業務流程相關的事實。
將非加性事實分解為加性成分。
在選擇維度和事實之前，必須聲明粒度。
同壹事實表中不能有多個粒度不同的事實。
事實的單位應該壹致。
處理事實的空值，建議用0填充。
利用退化維度提高事實表的可用性。