一文概覽數(shù)據(jù)倉庫知識和面試

1、什么是數(shù)據(jù)倉庫？

權(quán)威定義：數(shù)據(jù)倉庫是一個面向主題的、集成的、相對穩(wěn)定的、反映歷史變化的數(shù)據(jù)集合，用于支持管理決策。

1）數(shù)據(jù)倉庫是用于支持決策、面向分析型數(shù)據(jù)處理；

2）對多個異構(gòu)的數(shù)據(jù)源有效集成，集成后按照主題進(jìn)行重組，并包含歷史數(shù)據(jù)，而且存放在數(shù)據(jù)倉庫中的數(shù)據(jù)一般不再修改。

面對大數(shù)據(jù)的多樣性，在存儲和處理這些大數(shù)據(jù)時，我們就必須要知道兩個重要的技術(shù)。

分別是：數(shù)據(jù)倉庫技術(shù)、Hadoop。當(dāng)數(shù)據(jù)為結(jié)構(gòu)化數(shù)據(jù)，來自傳統(tǒng)的數(shù)據(jù)源，則采用數(shù)據(jù)倉庫技術(shù)來存儲和處理這些數(shù)據(jù)，如下圖：

2、數(shù)據(jù)倉庫和數(shù)據(jù)庫的區(qū)別？

從目標(biāo)、用途、設(shè)計來說。

1）數(shù)據(jù)庫是面向事務(wù)處理的，數(shù)據(jù)是由日常的業(yè)務(wù)產(chǎn)生的，并且是頻繁更新的；數(shù)據(jù)倉庫是面向主題的，數(shù)據(jù)來源多樣化，經(jīng)過一定的規(guī)則轉(zhuǎn)換得到的，用于分析和決策；

2）數(shù)據(jù)庫一般用來存儲當(dāng)前事務(wù)性數(shù)據(jù)，如交易數(shù)據(jù)；數(shù)據(jù)倉庫一般存儲的是歷史數(shù)據(jù)；

3）數(shù)據(jù)庫設(shè)計一般符合三范式，有最大的精確度和最小的冗余度，有利于數(shù)據(jù)的插入；數(shù)據(jù)倉庫設(shè)計一般不符合三范式，有利于查詢。

3、如何構(gòu)建數(shù)據(jù)倉庫？

數(shù)據(jù)倉庫模型的選擇是靈活的，不局限與某種模型方法；

數(shù)據(jù)倉庫數(shù)據(jù)是靈活的，以實際需求場景為導(dǎo)向；

數(shù)倉設(shè)計要兼顧靈活性、可擴(kuò)展性、要考慮技術(shù)可靠性和實現(xiàn)成本。

1）調(diào)研：業(yè)務(wù)調(diào)研、需求調(diào)研、數(shù)據(jù)調(diào)研

2）劃分主題域：通過業(yè)務(wù)調(diào)研、需求調(diào)研、數(shù)據(jù)調(diào)研最終確定主題域

3）構(gòu)建總線矩陣、維度建模

總線矩陣：把總線架構(gòu)列表形成矩陣形式，行表示業(yè)務(wù)處理過程，即事實，列表示一致性的維度，在交叉點上打上標(biāo)記表示該業(yè)務(wù)處理過程與該維度相關(guān)（交叉探查）

4）設(shè)計數(shù)倉分層架構(gòu)

5）模型落地

6）數(shù)據(jù)治理

4、什么是數(shù)據(jù)中臺？

數(shù)據(jù)中臺是通過數(shù)據(jù)技術(shù)，對海量數(shù)據(jù)進(jìn)行采集、計算、存儲、加工，同時統(tǒng)一標(biāo)準(zhǔn)和口徑。數(shù)據(jù)中臺把數(shù)據(jù)統(tǒng)一之后，會形成標(biāo)準(zhǔn)數(shù)據(jù)，再進(jìn)行存儲，形成大數(shù)據(jù)資產(chǎn)層，進(jìn)而為客戶提供高效服務(wù)。

這些服務(wù)和企業(yè)的業(yè)務(wù)有較強(qiáng)關(guān)聯(lián)性，是企業(yè)所獨有且能復(fù)用的，他是企業(yè)業(yè)務(wù)和數(shù)據(jù)的積淀，其不僅能降低重復(fù)建設(shè)，減少煙囪式協(xié)助的成本，也是差異化競爭的優(yōu)勢所在。

數(shù)據(jù)中臺是通過整合公司開發(fā)工具、打通全域數(shù)據(jù)、讓數(shù)據(jù)持續(xù)為業(yè)務(wù)賦能，實現(xiàn)數(shù)據(jù)平臺化、數(shù)據(jù)服務(wù)化和數(shù)據(jù)價值化。

數(shù)據(jù)中臺更加側(cè)重于“復(fù)用”和“業(yè)務(wù)”。

5、數(shù)據(jù)中臺、數(shù)據(jù)倉庫、大數(shù)據(jù)平臺、數(shù)據(jù)湖的關(guān)鍵區(qū)別是什么？

• 1）基礎(chǔ)能力上的區(qū)別

數(shù)據(jù)平臺：提供的是計算和存儲能力

數(shù)據(jù)倉庫：利用數(shù)據(jù)平臺提供的計算和存儲能力，在一套方法論的指導(dǎo)下建設(shè)的一整套的數(shù)據(jù)表

數(shù)據(jù)中臺：包含了數(shù)據(jù)平臺和數(shù)據(jù)倉庫的所有內(nèi)容，將其打包，并且以更加整合以及更加產(chǎn)品化的方式對外提供服務(wù)和價值

數(shù)據(jù)湖：一個存儲企業(yè)各種各樣原始數(shù)據(jù)的大型倉庫，包括結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)，其中湖里的數(shù)據(jù)可供存取、處理、分析和傳輸

• 2）業(yè)務(wù)能力上的區(qū)別

數(shù)據(jù)平臺：為業(yè)務(wù)提供數(shù)據(jù)主要方式是提供數(shù)據(jù)集

數(shù)據(jù)倉庫：相對具體的功能概念是存儲和管理一個或多個主題數(shù)據(jù)的集合，為業(yè)務(wù)提供服務(wù)的方式主要是分析報表

數(shù)據(jù)中臺：企業(yè)級的邏輯概念，體現(xiàn)企業(yè)數(shù)據(jù)產(chǎn)生價值的能力，為業(yè)務(wù)提供服務(wù)的主要方式是數(shù)據(jù)API

數(shù)據(jù)湖：數(shù)據(jù)倉庫的數(shù)據(jù)來源

總的來說，數(shù)據(jù)中臺距離業(yè)務(wù)更近，數(shù)據(jù)復(fù)用能力更強(qiáng)，能為業(yè)務(wù)提供速度更快的服務(wù)，數(shù)據(jù)中臺在數(shù)據(jù)倉庫和數(shù)據(jù)平臺的基礎(chǔ)上，將數(shù)據(jù)生產(chǎn)為一個個數(shù)據(jù)API服務(wù)，以更高效的方式提供給業(yè)務(wù)。數(shù)據(jù)中臺可以建立在數(shù)據(jù)倉庫和數(shù)據(jù)平臺之上，是加速企業(yè)從數(shù)據(jù)到業(yè)務(wù)價值的過程的中間層。

6、大數(shù)據(jù)有哪些相關(guān)的系統(tǒng)？

數(shù)倉設(shè)計中心：按照主題域、業(yè)務(wù)過程，分層的設(shè)計方式，以維度建模作為基本理論依據(jù)，按照維度、度量設(shè)計模型，確保模型、字段有統(tǒng)一的命名規(guī)范

數(shù)據(jù)資產(chǎn)中心：梳理數(shù)據(jù)資產(chǎn)，基于數(shù)據(jù)血緣，數(shù)據(jù)的訪問熱度，做成本的治理

數(shù)據(jù)質(zhì)量中心：通過豐富的稽查監(jiān)控系統(tǒng)，對數(shù)據(jù)進(jìn)行事后校驗，確保問題數(shù)據(jù)第一時間被發(fā)現(xiàn)，避免下游的無效計算，分析數(shù)據(jù)的影響范圍。

指標(biāo)系統(tǒng)：管理指標(biāo)的業(yè)務(wù)口徑、計算邏輯和數(shù)據(jù)來源，通過流程化的方式，建立從指標(biāo)需求、指標(biāo)開發(fā)、指標(biāo)發(fā)布的全套協(xié)作流程

數(shù)據(jù)地圖：提供元數(shù)據(jù)的快速索引，數(shù)據(jù)字典、數(shù)據(jù)血緣、數(shù)據(jù)特征信息的查詢，相當(dāng)于元數(shù)據(jù)中心的門戶。

7、如何建設(shè)數(shù)據(jù)中臺？

數(shù)據(jù)中臺在企業(yè)落地實踐時，結(jié)合技術(shù)、產(chǎn)品、數(shù)據(jù)、服務(wù)、運營等方面，逐步開展相關(guān)工作

1）理現(xiàn)狀：了解業(yè)務(wù)現(xiàn)狀、數(shù)據(jù)現(xiàn)狀、IT現(xiàn)狀、現(xiàn)有的組織架構(gòu)

2）定架構(gòu)：確認(rèn)業(yè)務(wù)架構(gòu)、技術(shù)架構(gòu)、應(yīng)用架構(gòu)、組織架構(gòu)

3）建資產(chǎn)：建立貼近數(shù)據(jù)層、統(tǒng)一數(shù)倉層、標(biāo)簽數(shù)據(jù)層、應(yīng)用數(shù)據(jù)層

4）用數(shù)據(jù)：對數(shù)據(jù)進(jìn)行輸出、應(yīng)用

5）數(shù)據(jù)運營：持續(xù)運營、持續(xù)迭代

中臺建設(shè)需要有全員共識，由管理層從上往下推進(jìn)，由技術(shù)和業(yè)務(wù)人員去執(zhí)行和落地是一個漫長的過程，在實施數(shù)據(jù)中臺時，最困難的地方就是需要有人推動。

8、數(shù)據(jù)倉庫最重要的是什么？

個人認(rèn)為是數(shù)據(jù)集成和數(shù)據(jù)質(zhì)量！

企業(yè)的數(shù)據(jù)通常存儲在多個異構(gòu)數(shù)據(jù)庫中，要進(jìn)行分析，必須對數(shù)據(jù)進(jìn)行一致性整合，整合后才能對數(shù)據(jù)進(jìn)行分析挖掘出潛在的價值；

數(shù)據(jù)質(zhì)量必須有保障，數(shù)據(jù)質(zhì)量不過關(guān)，別人怎么會使用你的數(shù)據(jù)？

9、概念模型、邏輯模型、物理模型分別介紹一下？

1）概念模型CDM：概念模型是最終用戶對數(shù)據(jù)存儲的看法，反映了最終用戶綜合性的信息需求，以數(shù)據(jù)類的方式描述企業(yè)級的數(shù)據(jù)需求

概念模型的內(nèi)容包括重要的實體與實體之間的關(guān)系，在概念模型中不包含實體的屬性，也不包含定義實體的主鍵

概念模型的目的是統(tǒng)一業(yè)務(wù)概念，作為業(yè)務(wù)人員和技術(shù)人員之間的溝通橋梁，確定不同實體之間的最高層次的關(guān)系

2）邏輯模型LDM：邏輯模型反映的是系統(tǒng)分析人員對數(shù)據(jù)存儲的觀點，是對概念模型的進(jìn)一步分解和細(xì)化，邏輯模型是根據(jù)業(yè)務(wù)規(guī)則確定的，關(guān)于業(yè)務(wù)對象，業(yè)務(wù)對象的數(shù)據(jù)項以及業(yè)務(wù)對象之間關(guān)系的基本藍(lán)圖

邏輯模型的內(nèi)容包括所有的實體和關(guān)系，確定每個實體的屬性，定義每個實體的主鍵，指定實體的外鍵，需要進(jìn)行范式化處理

邏輯模型的目標(biāo)是盡可能詳細(xì)的描述數(shù)據(jù)，并不考慮物理上如何實現(xiàn)

3）物理模型PDM：物理模型是在邏輯模型的基礎(chǔ)上，考慮各種具體的技術(shù)實現(xiàn)因素，進(jìn)行數(shù)據(jù)體系結(jié)構(gòu)設(shè)計，真正實現(xiàn)數(shù)據(jù)在數(shù)據(jù)倉庫中的存放

物理模型的內(nèi)容包括確定所有的表和列，定義外鍵用確認(rèn)表之間的關(guān)系，基于用戶的需求可能要進(jìn)行反范式化等內(nèi)容

10、SCD常用的處理方式有哪些？

slowly changing dimensions 緩慢變化維度

常見的緩慢變化維處理方式有三種：

1）直接覆蓋：不記錄歷史數(shù)據(jù)，薪數(shù)據(jù)覆蓋舊數(shù)據(jù)

2）新加一行數(shù)據(jù)（縱向擴(kuò)展）：使用代理主鍵+生效失效時間或者是代理主鍵+生效失效標(biāo)識（保存多條記錄，直接新添一條記錄，同時保留原有記錄，并用單獨的專用字段保存）

3）新加兩個字段（橫向擴(kuò)展）：一個是previous，一個是current，每次更新只更新這兩個值，但是這樣職能保留最近兩次的變化（添加歷史列，用不同的字段保存變化痕跡，因為只保存兩次變化記錄，使用與變化不超過兩次的維度）

11、怎么理解元數(shù)據(jù)？

1、業(yè)務(wù)元數(shù)據(jù)

• 描述 "數(shù)據(jù)"背后的業(yè)務(wù)含義。
• 主題定義：每段 ETL、表背后的歸屬業(yè)務(wù)主題。
• 業(yè)務(wù)描述：每段代碼實現(xiàn)的具體業(yè)務(wù)邏輯。
• 標(biāo)準(zhǔn)指標(biāo)：類似于 BI 中的語義層、數(shù)倉中的一致性事實；將分析中的指標(biāo)進(jìn)行規(guī)范化。
• 標(biāo)準(zhǔn)維度：同標(biāo)準(zhǔn)指標(biāo)，對分析的各維度定義實現(xiàn)規(guī)范化、標(biāo)準(zhǔn)化。
• 不斷的進(jìn)行維護(hù)且與業(yè)務(wù)方進(jìn)行溝通確認(rèn)。

2、技術(shù)元數(shù)據(jù)

數(shù)據(jù)源元數(shù)據(jù)：例如：數(shù)據(jù)源的 IP、端口、數(shù)據(jù)庫類型；數(shù)據(jù)獲取的方式；數(shù)據(jù)存儲的結(jié)構(gòu)；原數(shù)據(jù)各列的定義及 key 指對應(yīng)的值。

ETL 元數(shù)據(jù)：

1. 根據(jù) ETL 目的的不同，可以分為兩類：數(shù)據(jù)清洗元數(shù)據(jù)；數(shù)據(jù)處理元數(shù)據(jù)。
2. 數(shù)據(jù)清洗，主要目的是為了解決掉臟數(shù)據(jù)及規(guī)范數(shù)據(jù)格式；因此此處元數(shù)據(jù)主要為：各表各列的"正確"數(shù)據(jù)規(guī)則；默認(rèn)數(shù)據(jù)類型的"正確"規(guī)則。
3. 數(shù)據(jù)處理，例如常見的表輸入表輸出；非結(jié)構(gòu)化數(shù)據(jù)結(jié)構(gòu)化；特殊字段的拆分等。源數(shù)據(jù)到數(shù)倉、數(shù)據(jù)集市層的各類規(guī)則。比如內(nèi)容、清理、數(shù)據(jù)刷新規(guī)則。

數(shù)據(jù)倉庫元數(shù)據(jù)：

數(shù)據(jù)倉庫結(jié)構(gòu)的描述，包括倉庫模式、視圖、維、層次結(jié)構(gòu)及數(shù)據(jù)集市的位置和內(nèi)容；業(yè)務(wù)系統(tǒng)、數(shù)據(jù)倉庫和數(shù)據(jù)集市的體系結(jié)構(gòu)和模式等。

BI 元數(shù)據(jù)：

匯總用的算法、包括各類度量和維度定義算法。數(shù)據(jù)粒度、主題領(lǐng)域、聚集、匯總、預(yù)定義的查詢與報告。

3、管理元數(shù)據(jù)

管理領(lǐng)域相關(guān)，包括管理流程、人員組織、角色職責(zé)等。

12、數(shù)倉如何確定主題域？

主題是在較高層次上將數(shù)據(jù)進(jìn)行綜合、歸類和分析利用的一個抽象概念，每一個主題基本對應(yīng)一個宏觀的分析領(lǐng)域，在邏輯意義上，他是對企業(yè)中某一宏觀分析領(lǐng)域所涉及的分析對象。

面向主題的數(shù)據(jù)組織方式，就是在較高層次上對分析對象的數(shù)據(jù)的一個完整并且一致的描述，能刻畫各個分析對象所涉及的企業(yè)各項數(shù)據(jù)，以及數(shù)據(jù)之間的聯(lián)系。

主題域通常是聯(lián)系較為機(jī)密的數(shù)據(jù)主題的集合，可以根據(jù)業(yè)務(wù)的關(guān)注度，將這些數(shù)據(jù)主題劃分到不同的主題域（也就是說對某個主題進(jìn)行分析后確定的主題的邊界）。

關(guān)于主題域的劃分，可以考慮幾方面：

1、按照業(yè)務(wù)或者業(yè)務(wù)過程劃分：比如一個靠銷售廣告位置的門戶網(wǎng)站主題域可能會有廣告域，客戶域等，而廣告域可能就會有廣告的庫存，銷售分析、內(nèi)部投放分析等主題；

2、根據(jù)需求方劃分：比如需求方為財務(wù)部，就可以設(shè)定對應(yīng)的財務(wù)主題域，而財務(wù)主題域里面可能就會有員工工資分析，投資回報比分析等主題；

3、按照功能或者應(yīng)用劃分：：比如微信中的朋友圈數(shù)據(jù)域、群聊數(shù)據(jù)域等，而朋友圈數(shù)據(jù)域可能就會有用戶動態(tài)信息主題、廣告主題等；

4、按照部門劃分：比如可能會有運營域、技術(shù)域等，運營域中可能會有工資支出分析、活動宣傳效果分析等主題；

總而言之，切入的出發(fā)點邏輯不一樣，就可以存在不同的劃分邏輯。在建設(shè)過程中可采用迭代方式，不糾結(jié)于一次完成所有主題的抽象，可先從明確定義的主題開始，后續(xù)逐步歸納總結(jié)成自身行業(yè)的標(biāo)準(zhǔn)模型。

13、如何控制數(shù)據(jù)質(zhì)量？

1）校驗機(jī)制，每天對比數(shù)據(jù)量，比如count()早發(fā)現(xiàn)，早修復(fù)

2）數(shù)據(jù)內(nèi)容的比對，抽樣對比

3）復(fù)盤、每月做一次全量

14、模型設(shè)計的思路？業(yè)務(wù)驅(qū)動？數(shù)據(jù)驅(qū)動？

構(gòu)建數(shù)據(jù)倉庫有兩種方式：自上而下、自下而上

Bill Inmon推崇自上而下的方式（這里的上指的是數(shù)據(jù)源出發(fā)），一個企業(yè)建立唯一的數(shù)據(jù)中心，數(shù)據(jù)是經(jīng)過整合、清洗、去掉臟數(shù)據(jù)、標(biāo)準(zhǔn)的、能夠提供統(tǒng)一的視圖。要從整個企業(yè)的環(huán)境入手，建立數(shù)據(jù)倉庫，要做很全面的設(shè)計。偏數(shù)據(jù)驅(qū)動

Ralph Kimball推崇自下而上的方式（這里的下指的是從業(yè)務(wù)需求出發(fā)），認(rèn)為數(shù)據(jù)倉庫應(yīng)該按照實際的應(yīng)用需求，架子啊需要的數(shù)據(jù)，不需要的數(shù)據(jù)不要加載到數(shù)據(jù)倉庫中。這種方式建設(shè)周期短，用戶能很快看到結(jié)果。偏業(yè)務(wù)驅(qū)動

15、為什么需要數(shù)據(jù)倉庫建模？

數(shù)倉建模需要按照一定的數(shù)據(jù)模型，對整個企業(yè)的數(shù)據(jù)進(jìn)行采集，整理，提供跨部門、完全一致的報表數(shù)據(jù)。

合適的數(shù)據(jù)模型，對于大數(shù)據(jù)處理來講，可以獲得得更好的性能、成本、效率和質(zhì)量。良好的模型可以幫助我們快速查詢數(shù)據(jù)，減少不必要的數(shù)據(jù)冗余，提高用戶的使用效率。

數(shù)據(jù)建模進(jìn)行全方面的業(yè)務(wù)梳理，改進(jìn)業(yè)務(wù)流程，消滅信息孤島，更好的推進(jìn)數(shù)倉系統(tǒng)的建設(shè)。

16、數(shù)據(jù)倉庫建模方法有哪些？

維度模型

維度建模按數(shù)據(jù)組織類型劃分可分為星型模型、雪花模型、星座模型。

Kimball老爺爺維度建模四個步驟：

選擇業(yè)務(wù)處理過程 > 定義粒度 > 選擇維度 > 確定事實

• 星型模型

星型模型主要是維表和事實表，以事實表為中心，所有維度直接關(guān)聯(lián)在事實表上，呈星型分布。

• 雪花模型

雪花模型，在星型模型的基礎(chǔ)上，維度表上又關(guān)聯(lián)了其他維度表。這種模型維護(hù)成本高，性能方面也較差，所以一般不建議使用。尤其是基于hadoop體系構(gòu)建數(shù)倉，減少join就是減少shuffle，性能差距會很大。

星型模型可以理解為，一個事實表關(guān)聯(lián)多個維度表，雪花模型可以理解為一個事實表關(guān)聯(lián)多個維度表，維度表再關(guān)聯(lián)維度表。

• 星座模型

星座模型，是對星型模型的擴(kuò)展延伸，多張事實表共享維度表。

星座模型是很多數(shù)據(jù)倉庫的常態(tài)，因為很多數(shù)據(jù)倉庫都是多個事實表的。所以星座模型只反映是否有多個事實表，他們之間是否共享一些維度表。

范式模型

即實體關(guān)系（ER）模型，數(shù)據(jù)倉庫之父Immon提出的，從全企業(yè)的高度設(shè)計一個3NF模型，用實體加關(guān)系描述的數(shù)據(jù)模型描述企業(yè)業(yè)務(wù)架構(gòu)，在范式理論上符合3NF。此建模方法，對建模人員的能力要求非常高。

特點：設(shè)計思路自上而下，適合上游基礎(chǔ)數(shù)據(jù)存儲，同一份數(shù)據(jù)只存儲一份，沒有數(shù)據(jù)冗余，方便解耦，易維護(hù)，缺點是開發(fā)周期一般比較長，維護(hù)成本高。

Data Vault模型

DataVault由Hub（關(guān)鍵核心業(yè)務(wù)實體）、Link（關(guān)系）、Satellite（實體屬性） 三部分組成 ，是Dan Linstedt發(fā)起創(chuàng)建的一種模型方法論，它是在ER關(guān)系模型上的衍生，同時設(shè)計的出發(fā)點也是為了實現(xiàn)數(shù)據(jù)的整合，并非為數(shù)據(jù)決策分析直接使用。

Anchor模型

高度可擴(kuò)展的模型，所有的擴(kuò)展只是添加而不是修改，因此它將模型規(guī)范到6NF，基本變成了K-V結(jié)構(gòu)模型。企業(yè)很少使用。

17、數(shù)倉架構(gòu)為什么要分層？

• 分層可以清晰數(shù)據(jù)結(jié)構(gòu)，使用時更好的定位和理解
• 方便追蹤數(shù)據(jù)的血緣關(guān)系
• 規(guī)范數(shù)據(jù)分層，可以開發(fā)一些通用的中間層數(shù)據(jù)，能夠減少極大的重復(fù)計算
• 把復(fù)雜的問題簡單化
• 屏蔽原始數(shù)據(jù)的異常，下游任務(wù)沒有感知異常