数据仓库搭建——Inmon与Kimball
数据仓库是现代商业智能应用的核心，而数据仓库的搭建过程涉及到众多技术和方法。其中，Inmon和Kimball是两种主要的数据仓库建模方法，它们各自有其特点和适用场景。本文将重点介绍这两个方法中的重点词汇或短语，帮助读者更好地理解它们。
一、Inmon方法
Inmon是“SQL Server Central”杂志的一名专栏作家，他提出了一种基于关系型数据库的数据仓库建模方法。这种方法的核心思想是将数据从业务系统中抽取出来，然后将其转换为适合数据仓库的形式。在Inmon方法中，有一些重要的词汇和短语：
- 原子数据：原子数据是最基本的数据单元，它们不能被进一步分解。在数据仓库中，应该尽可能地使用原子数据进行建模，以保证数据的完整性和准确性。
- 维度：维度是指描述事件的各个方面的特征，例如时间、地点、产品等。在数据仓库中，维度是用于分析数据的重要工具。
- 事实：事实是指用于度量事件的数据，例如销售额、访问量等。在数据仓库中，事实是用于支持决策的重要依据。
- 粒度：粒度是指事件的详细程度，例如小时级别、天级别等。在数据仓库中，选择合适的粒度对于提高数据仓库的性能和准确性非常重要。
- 统一维度模型（UDM）：UDM是一种用于统一不同业务系统中的维度建模方法。在数据仓库中，UDM可以有效地解决不同系统之间的数据不一致和重复问题。
二、Kimball方法
Kimball方法是 data warehouse 的创始人，他提出了一种基于集市和维度建模的数据仓库建模方法。这种方法的核心思想是将数据从业务系统中抽取出来，然后将其按照维度进行建模。在Kimball方法中，有一些重要的词汇和短语：
- 数据仓库：数据仓库是一种面向分析的数据库，它用于存储和管理企业的各个业务系统的数据。数据仓库可以帮助企业进行数据分析、决策支持和业务优化。
- 维度：维度是指描述事件的各个方面的特征，例如时间、地点、产品等。在数据仓库中，维度是用于分析数据的重要工具。
- 集市：集市是 Kimball 方法中的一种数据组织方式，它是对特定主题或业务领域的数据进行组织和展示的一种方式。在集市中，通常会包含一些常用的分析和报表工具，以方便用户进行数据分析。
- 数据清洗和整合：由于企业的各个业务系统中的数据可能存在不一致和重复的情况，因此在数据仓库建模过程中需要进行数据清洗和整合。这包括去除重复数据、纠正错误数据以及填补缺失的数据等。
- 数据质量：在 Kimball 方法中，数据质量是非常重要的。为了保证数据仓库中的数据的准确性和完整性，需要在数据清洗和整合过程中进行严格的数据质量检查和控制。
综上所述，“数据仓库搭建——Inmon与Kimball”中的重点词汇或短语包括原子数据、维度、事实、粒度、统一维度模型、数据仓库、维度建模、集市、数据清洗和整合以及数据质量等。这些词汇或短语对于理解这两种方法以及进行实际的数据仓库建模工作都非常重要。