简述数据仓库的组成 带有ODS的体系结构中数据仓库的设计方法[2]

带有ODS的体系结构中数据仓库的设计方法[2]  

　　)转移一部分业务系统细节查询的功能

　　在数据仓库建立之前 大量的报表 分析是由业务系统直接支持的 在一些比较复杂的报表生成过程中 对业务系统的运行产生相当大的压力 ODS的数据从粒度 组织方式等各个方面都保持了与业务系统的一致 那么原来由业务系统产生的报表 细节数据的查询自然能够从ODS中进行 从而降低业务系统的查询压力

　　)完成数据仓库中不能完成的一些功能

　　一般来说 带有ODS的数据仓库体系结构中 DW层所存储的数据都是进行汇总过的数据 并不存储每笔交易产生的细节数据 但是在某些特殊的应用中 可能需要对交易细节数据进行查询 这时就需要把细节数据查询的功能转移到ODS来完成 而且ODS的数据模型按照面向主题的方式进行存储 可以方便地支持多维分析等查询功能文章来源 中国公务网 : :

　　在一个没有ODS层的数据仓库应用系统体系结构中 数据仓库中存储的数据粒度是根据需要而确定的 但一般来说 最为细节的业务数据也是需要保留的 实际上也就相当于ODS 但与ODS所不同的是 这时的细节数据不是 当前 不断变化的 数据 而是 历史的 不再变化的 数据

　　设计方法

　　在数据仓库设计方法和信息模型建模方法中 前人的著作对各种思路和方法都做过大量的研究和对比 重点集中在ER模型和维模型的比较和应用上 根据我们的实践经验 ER模型和维模型在数据仓库设计中并非绝对对立 尤其在ODS设计上 从宏观的角度来看数据之间的关系 以ER模型最为清晰 但从实现出来的数据结构上看 用维模型更加符合实际的需要 因此孤立地看ER模型或者维模型都缺乏科学客观的精神 需要从具体应用上去考虑如何应用不同的设计方法 但目标是一定的 就是要能够把企业的数据从宏观到微观能够清晰表达 并且能够实现出来