维度建模设计的过程

维度建模设计就是建个数据分析的框架，简单点：
1. 确定目标：先弄清要分析啥，比如销售数据。 2. 选维度：比如时间、产品、客户等。 3. 建事实表：记录业务数据，比如销售额。 4. 连维度表：把维度数据放进去，比如产品信息、客户信息。 5. 优化调整：看数据跑得顺不顺，不行就改。 6. 自己看：跑跑看，有问题再调整。

维度建模设计的过程其实很简单，但复杂在它需要细心和经验。先说最重要的，维度建模的核心是创建一个能够高效支持查询的数据结构，通常用于数据仓库。
去年我们跑的那个项目，大概3000量级的数据量，我们用了3个月的时间完成了维度建模。首先，我们要确定业务的关键指标和维度，比如在电商领域，用户、商品、时间、交易金额等都是关键维度。另外一点，我们需要设计合适的粒度，比如用户维度可以细到用户ID、用户年龄、用户地域等。
我一开始也以为只要把数据简单分类就好，后来发现不对，还得考虑数据的聚合和连接，这样才能在查询时快速响应。还有个细节挺关键的，就是数据的冗余问题，适当的冗余可以加快查询速度，但过度冗余会增加存储成本。
等等，还有个事，维度建模时要注意数据的更新和维护，特别是对于实时性要求高的系统。用行话说叫雪崩效应，其实就是前面一个小延迟把后面全拖垮了，所以设计时要尽量避免。
我觉得值得试试的一个方法是，先从业务需求出发，逐步细化模型，而不是一开始就追求完美。最后提醒一个容易踩的坑，就是不要忽视数据的质量，脏数据和错误的数据会严重影响模型的准确性。

维度建模设计的过程其实很简单
### 先说最重要的，这个过程主要是为了从数据源中提取出有价值的信息，形成便于分析的维度模型。比如，去年我们公司的一个大数据项目，需要分析销售数据，所以设计了销售维度模型。
### 另外，维度建模有几个关键点需要注意。首先，数据粒度要合理，比如我们当时的数据粒度设定在日级别，这样可以保证数据的细粒度，同时又不至于太过复杂。其次，维度表的关联设计也很关键，它直接影响到后续的分析效率。比如，我们大概处理了3000量级的维度表，通过合理的关联设计，提高了查询速度。
### 我一开始也以为只要把数据源的数据简单转换一下就可以，后来发现不对，维度建模的目的是为了分析，如果数据质量不过关，分析结果就无从谈起。等等，还有个事，维度建模的时候，要充分考虑用户的使用习惯，这样设计出来的模型才会被广泛使用。
### 最后提醒一下，一个容易踩的坑就是忽略数据清洗的步骤。数据清洗不到位，会导致后续分析结果的准确性大打折扣。所以，在做维度建模之前，一定要做好数据清洗工作。