爲什麼我們在非規範化關係模型上使用維度模型？

Question

我對某些問題感到困惑。我需要他們的答案。 如果我們的關係模型也是非規範化的，那麼爲什麼我們更喜歡維度模型？ 我們更喜歡維度模型而不是關係模型的原因是什麼？ 您的歷史數據也可以存儲在OLTP中，您可以在任何OLTP上輕鬆執行報告，那麼爲什麼我們使用維度模型和數據倉庫？ 維度與非規格化表格有什麼區別？

在此先感謝

Answer 1

簡短的回答：

如果您的查找/從OLTP表的檢索是足夠快，和您的特定搜索需求就不有這樣的併發症描述下面，那麼就不需要進入任何維度的星形模式。

龍答：

尺寸和非標準化的模型有不同的目的。維數模型通常用於數據倉庫場景，特別適用於計算數字需要超快查詢結果的情況，例如「按季度銷售」或「由銷售人員」。預先計算這些數據後，數據將存儲在維度模型中，並根據某個固定的時間表進行更新。

但是，即使沒有涉及到數據倉庫，多維模型可能是有用的，其目的可以補充的是，非標準化的模式，如下面的例子：

一個Dimensional model使快速搜索。 dimension tables和fact table之間的連接設置爲star-schema。搜索John Smith將被簡化，因爲我們將只在相關維度表中搜索John OR Smith，並從事實表中獲取相應的人員ID（事實表FKs指向維表PK），從而使所有人在他們的名字中的2個關鍵字。 （進一步的增強將使我們約翰，喬恩，約翰尼，喬納森·史密斯，Psmith，史邁士通過建立snowflake尺寸搜索具有「約翰·史密斯」的變化他們的名字，例如所有的人。）

一個Denormalized model另一方面，使快速檢索，例如返回關於特定項目的許多列而不必將多個表連接在一起。

因此，在上面的場景中，我們首先使用維度模型爲我們感興趣的人員獲取一組ID，然後使用非規範化表格獲取這些選定ID的完整詳細信息，而無需進一步處理連接。

如果我們直接查詢非規範化表，這種搜索會非常緩慢，因爲需要在PersonName列上進行文本搜索。如果我們嘗試包含名稱變體，或者需要添加更多搜索條件，它會變得更慢。

很好的參考：

用於瞭解三維造型的巨大（而且很有意思）的話題一個很好的參考是拉爾夫·金博爾的The Data Warehouse Lifecycle Toolkit。其伴侶卷The Data Warehouse Toolkit涵蓋了大量的實際使用案例。

希望這會有所幫助！

Answer 2

維度模型使用非規格化作爲其技術之一，以便優化數據庫： - 查詢性能和用戶理解 。

OLTP系統通常很難從OLTP系統報告，而且速度也很慢，正在針對OLTP（插入，更新，刪除）性能進行優化，同時也保護了事務完整性。 一個使用維度模型的數據倉庫仍然使用關係技術，但是反而被優化考慮獲取數據以獲取數據的經驗。

事實是，您不能總是輕鬆地從任何OLTP報告系統：這些表格往往模糊不清，而沒有考慮到人們會想要獲取數據來做出業務決策。生成SQL的報告工具也很難對典型的規範化模式進行高性能查詢。

OLTP技術的現代進步爲解決性能問題的維度模型提供了替代方案，但仍未解決創建維度模型時的典型步驟，以使數據庫表更易於理解和導航。

維度是一個表格，旨在表示業務概念或實體，爲業務流程（或「事實」）的特定度量指定上下文。通常在維度模型中對維度進行非規範化處理，以減少要理解/導航的表的數量，但出於性能原因也要減少連接的數量。例如，產品維度可能會聯繫品牌信息，而在OLTP模型中，這些維度可能是單獨的表格，這些表格允許用戶直接過濾品牌信息，而無需遍歷多個表格。