1、ER实体关系模型
ER实体关系模型：是当前几乎所有的 OLTP 系统设数据库设计理论基础，当在信息系统中将事物抽象为“实体”，”属性“，”关系“来表示数据关联和事物描述。
实体：实体是一个数据对象，指应用中可以区别的客观存在的事物。例如：商品、用户、学生、课程等
属性：实体的某一特性称为属性。例如：商品的重量、颜色、尺寸。用户的性别、身高、爱好等。
关系：表示一个或多个实体之间的关联关系。实体不是孤立的，实体之间是有联系的，这就是关系。例如：用户是实体，商品是实体，用户选购商品这个过程就会产生“选购商品数量”，“金额”这些属性，这就是关系。
2、数据仓库
数据仓库是面向主题的、集成的（非简单的数据堆积）、相对稳定的、反应历史变化的数据集合，数仓中的数据是有组织有结构的存储数据集合，用于对管理决策过程的支持。
**面向主题：**主题是指使用数据仓库进行决策时所关心的重点方面，每个主题都对应一个相应的分析领域，一个主题通常与多个信息系统相关。
**数据集成：**数据仓库中的数据是在对原有分散的数据库数据抽取、清理的基础上经过系统加工、汇总和整理得到的，必须消除源数据中的不一致性
**相对稳定：**数据仓库中一般有大量的查询操作，基本没有修改和删除操作，通常只需要定期的加载、刷新。
反映历史变化：数据仓库中的数据通常包含历史信息，系统地记录企业从过去某一时点(如开始应用数据仓库的时点)到当前的各个阶段的信息，通过这些信息，可以对企业的发展历程和未来趋势做出定量分析和预测。
3、维度建模
维度建模主要源自数据集市，主要面向分析场景。将数据仓库中的表划分为事实表或实体表、维度表两种类型。
**实体表或者事实表：**一般是指一个现实存在的业务对象，比如用户，商品，商家，销售员：
在以上事实表的示例中，“地区 ID”、“产品 ID”、“月份 ID”为键值列，“销售量”、“销售额”为度量列，所谓度量列就是列的数据可度量，度量列一般为可统计的数值列。事实表中每个列通常要么是键值列，要么是度量列。
在事实表中使用代号或者整数键值时，维度成员的名称需要放在另一种表中，也就是维
度表。通常事实表中的每个维度都对应一个维度表。
在数据仓库中，事实表的前缀为“fact”
事实表分类
周期型事实表，一般指随着业务发生不断产生的数据。
与事务型不同的是，数据会随着业务周期性的推进而变化。
比如订单，其中订单状态会周期性变化。再比如，请假、贷款申请，随着批复状态在周期性变化。
同步策略
数据同步策略的类型包括：全量表、增量表、新增及变化表
全量表：存储完整的数据。
增量表：存储新增加的数据。
新增及变化表：存储新增加的数据和变化的数据。
实体表同步策略
实体表：比如用户，商品，商家，销售员等
实体表数据量比较小：通常可以做每日全量，就是每天存一份完整数据。即每日全量。
维度表同步策略
维度表：比如订单状态，审批状态，商品分类
维度表数据量比较小：通常可以做每日全量，就是每天存一份完整数据。即每日全量。
说明：
1）针对可能会有变化的状态数据可以存储每日全量。
2）没变化的客观世界的维度（比如性别，地区，民族，政治成分，鞋子尺码）可以只
存一份固定值。
事务型事实表同步策略
事务型事实表：比如，交易流水，操作日志，出库入库记录等。
因为数据不会变化，而且数据量巨大，所以每天只同步新增数据即可，所以可以做成每日增
量表，即每日创建一个分区存储。
周期型事实表同步策略
周期型事实表：比如，订单、请假、贷款申请等
这类表从数据量的角度，存每日全量的话，数据量太大，冗余也太大。如果用每日增量的话无法反应数据变化。
每日新增及变化量，包括了当日的新增和修改。
维度表
维度表，一般是指对应一些业务状态，编号的解释表。也可以称之为码表。 比如地区表，订单状态，支付方式，审批状态，商品分类等等。
“产品名称”是产品维度表中的一个属性，维度表中可以包含很多属性列。
维度表中的“产品 ID”与事实表中的“产品 ID”相匹配，称为“键属性”，在当前产品维度表中一个“产品 ID”只有一个“产品名称”，显示时使用“产品名称”来代替，所以“产品名称”也被认为是“键属性”的一部分。
每个维度表中的键值属性都与事实表中对应的维度相匹配
在数据仓库中，维度表的前缀为"dim"
在数据仓库中事实表就是我们需要关注的内容，维度表就是我们从哪些角度观察这些内容。例如，某地区商品的销量，是从地区这个角度观察商品销量的。事实表就是销量表，维度表就是地区表。
4、常用的模型
星型模型：当所有的维度表都由连接键连接到事实表时，结构图如星星一样，这种分析模型就是星型模型。
雪花模型：当有一个或多个维表没有直接连接到事实表上，而是通过其他维表连接到事实表上时，其结构图就像雪花连接在一起，这种分析模型就是雪花模型。
星座模型：多个事实表共用多张维度表，由多个星型模型组成。
星型模型与雪花模型对比：
星型模型和雪花模型主要区别就是对维度表的拆分，对于雪花模型，维度表的设计更加规范，一般符合三范式设计;而星型模型，一般采用降维的操作，维度表设计不符合三范式设计，反规范化，利用冗余牺牲空间来避免模型过于复杂，提高易用性和分析效率。
5、数据仓库的分层
基于大数据的数据仓库建设要求快速响应需求，同时需求灵活多变，对实时性有不同的要求，除了面向 DSS、BI 等应用外，还要响应用户画像、个性化推荐、机器学习、数据分析等各种复杂的应用场景，实际上在大数据开发中，涉及到数仓设计都会进行分层设计。
数据分层好处如下：
清晰的数据结构：每层数据都有各自的作用域和职责，在使用表的时候更方便定位
和理解。
减少重复开发：规范数据分层，开发一层公用的中间层数据，减少重复计算流转数
据。
统一数据出口：通过数据分层，提供统一的数据出口，保证对外输出数据口径一致。
简化问题：通过数据分层，将复杂的业务简单化，将复杂的业务拆解为多层数据，
每层数据负责解决特定的问题。
ODS(Operational Data Store)层 - 操作数据层：将不同业务的数据汇聚
DW（Data Warehouse）层 - 数据仓库层本层将从 ODS 层中获得的数据按照主题建立各种数据模型，每一个主题对应一个宏观的分析领域，数据仓库层排除对决策无用的数据，提供特定主题的简明视图。DW 层又细分为 DWD（Data Warehouse Detail）层、DWM（Data Warehouse Middle）层和 DWS（Data Warehouse Service）层。
**数据明细层：DWD（Data Warehouse Detail）**：保证数据质量，对ODS层数据加工，提供更干净的数据
**数据中间层：DWM（Data Warehouse Middle）**：对通用维度进行聚合，计算出相应的统计指标，方便复用。
**数据服务层：DWS（Data Warehouse Service）**：用于提供后续的业务查询，OLAP分析，数据分析等。
DM(Data Mart)层 - 数据集市层：数据集市层，也可以称为数据应用层，基于 DW 上的基础数据，整合汇总成分析某一个主题域的报表数据。主要是提供给数据产品和数据分析使用的数据，一般会存放在 ES、PostgreSql、Redis 等系统中供线上系统使用，也可能会存在 Hive 或者 Druid 中供数据分析和数据挖掘使用。比如我们经常说的报表数据，一般就放在这里。
6、数据库和数据仓库的区别
数 据 库 ： 传 统 关 系 型 数 据 库 的 主 要 应 用 是 OLTP
数据仓库：数仓系统的主要应用主要是 OLAP