數據倉庫維度模型粒度提升情況淺析

維度建模時，力求在數據倉庫中記錄最明細粒度的數據，以保證完整記錄業務發生的事實，從而滿足日后面臨不同分析需求時能夠對數據進一步加工利用?？稍?a href='/map/shangyezhineng/' style='color:#000;font-size:inherit;'>商業智能項目中往往還需要更高粒度的數據，這時就會面臨維度模型粒度提升的情況。滿足業務需求的前提下為提高效率而采取的提升粒度做法不在討論之列。
   1、關注的層次提升，提高維度級別
    傳統BI應用中，決策分析層的數據粒度往往比業務操作層的大，比如DW中財務模型一般會記錄到分錄的級別（憑證之下），可是分析時往往關注核算項目、科目、甚至指標和比率的層級，而且在時間上一般是月度級別。
   2、關注的角度縮窄，降維
    DW中明細粒度的數據需要記錄一個業務事實發生的方方面面，比如DW庫存模型對退貨操作要記錄退貨單號、貨品、倉庫倉位、倉管員、退貨開始時間、退貨結束時間、退貨店鋪、客戶、退貨數量等事實，銷售部的商品退貨分析模型中需要略去單號、倉位、倉管員、開始及結束時間細節等（倉管部門在退貨效率分析時卻需要這些數據）。再比如財務模型的會計及出納人員信息，在財務分析模型中一般也會忽略。
    3、關注的對象合并，提取公共指標
    不同業務單元的業務數據因為可記錄的事實不同，往往在DW明細粒度級別無法歸并在一個模型中，比如即使是集中管理型的集團企業內，不同下屬公司的財務和業務由于地域或板塊等原因，不能夠在財務核算和業務明細級別進行分部分析，只能提取一些績效指標具有代表性的績效指標（公共指標），在分部之間進行橫向比較。企業具有不同銷售渠道（如同時經營實體店和網店）時，也面臨這種情況。
    4、關注的流程合并，提取公共維
    DW數據模型在明細級別是按照業務單元分割的，可在一些分析中，尤其是績效分析中，是跨業務環節的。比如服飾行業（尤其是快時尚品牌）里的買手分析模型，需要對買手負責的貨品進行全生命周期的跟蹤分析，從買貨或設計，到入庫、銷售、出庫、退貨等等，直到下架，都要跟蹤，在貨品生命周期分析模型里就只能保留公共維度，忽略各環節的個性維度。
   5、附加指標的約束，提升維度級別或降維
    不同來源的數據往往具有不同的粒度，在DW數據模型中分開存儲，在分析模型集成。比如預算數據遠比業務發生數據的維度少，而且很多預算指標與原始的業務度量不對應，而與計算指標對應。再比如市場分析模型中常用的競爭對手數據、市場占有率數據，遠比企業本身銷售分析模型的維度少（比如需要忽略掉企業自身渠道、部門、人員等維度）、粒度大（比如在地區、時間、商品等維度上僅達到城市、月度、品牌等級別）。