数据仓库发展、架构与趋势
1. 数据仓库概述
1). 概念
Data warehouse is a
subject oriented,
integrated,
non-volatile and
time variant collection of data
in support of management’s decision
— [Inmon,1996]
面向主题的
联机交易型或操作型数据库的数据组织面向事务处理任务，而数据仓库中的数据是按照一定的主题域进行组织的。
集成的
数据仓库中的数据是在对原有分散的数据库进行数据抽取、清理的基础上经过系统加工、汇总和整理得到的，必须消除源数据库中的不一致，以保证数据仓库内的信息是关于整个企业的一致的全局信息。
相对稳定的
数据仓库的数据主要供企业决策分析之用，所涉及的数据操作主要是数据查询。一旦某个数据进入数据仓库以后，一般情况下将被长期保留。也就是说数据仓库中一般有大量的查询操作，但修改和删除操作很少，通常只需要定期的加载、刷新。
反应时间变化的
数据仓库中的数据通常包括历史和实时数据。通过这些信息，可以对企业业务的运营现状、未来趋势等做出定量分析和预测。
支持管理决策的
数据仓库一般不是面向最终客户，而是面向企业领导、业务部门和内部分析人员，用于决策分析等场景。
2). 发展阶段
上图是摘自某国外网站，其将数据仓库发展划分为5个阶段。
固定报表阶段
通过预置的固定报表，
解决"what happen"问题。
即席分析阶段
通过增加即席查询，
解决"why did it happen"。
趋势预测阶段
引入数据建模，预测未来，
解决"what will happen"。
实时决策阶段
支持实时数据变化及查询，
解决"what is happening"。
主动决策阶段
基于事件驱动，主动决策，
解决"what do I want to happen"。
2. 数仓分层与建模
1). 数仓分层
在数据仓库中，往往采用分层结构。数据逐层处理，每层可采用不同的处理机制及适合的存储方式。
STAGE - 预处理层
存储每天的增量数据，表与ODS层一致。
ODS - 操作数据层
做数据清洗，存储基础原始明细数据。
DW - 数据仓库层
一般采用维度、事实表设计。根据主题定义好事实与维度表，保存最细粒度的事实数据。
DM - 数据集市层
宽表化设计，形成公共指标。数据集市/轻度汇总层，在 DW层的基础之上根据不同的业务需求做轻度汇总所得。
APP - 数据应用层
数据个性化指标，面向最终展示，可做少量计算。
2). 数仓建模
ROLAP
关系模型，可细分为ER模型、星型模型和雪花模型等。其特点是与事务实体对应，关系清晰；但一般需要较为复杂的数据准备。在响应前端需求时，一般较快，但取决于计算引擎能力。
MOLAP
多维模型，可简单理解为将数据存放在一个n维数组中，而不是像关系数据库那样以记录的形式存放。因此它存在大量稀疏矩阵，人们可以通过多维视图来观察数据。它的优势在于响应较快、分析灵活、但数据准备时间较长。
HOLAP
混合OLAP，顾名思义，由MOLAP和ROLAP组成。
3. 数据仓库架构演进
1). 传统数仓架构
这是比较传统的一种方式，结构或半结构化数据通过离线ETL定期加载到离线数仓，之后通过计算引擎取得结果，供前端使用。这里的离线数仓+计算引擎，通常是使用大型商业数据库来承担，例如Oracle、DB2、Teradata等。
2). 离线大数据架构
随着数据规模的不断增大，传统数仓方式难以承载海量数据。随着大数据技术的普及，采用大数据技术来承载存储与计算任务。当然，也可以使用传传统数据库集群或MPP架构数据库来完成。例如Hadoop+Hive/Spark、Oracle RAC、GreenPlum等。
3). Lambda架构
随着业务的发展，随着业务的发展，人们对数据实时性提出了更高的要求。此时，出现了Lambda架构，其将对实时性要求高的部分拆分出来，增加条实时计算链路。从源头开始做流式改造，将数据发送到消息队列中，实时计算引擎消费队列数据，完成实时数据的增量计算。与此同时，批量处理部分依然存在，实时与批量并行运行。最终由统一的数据服务层合并结果给于前端。一般是以批量处理结果为准，实时结果主要为快速响应。
4). Kappa架构
Lambda架构，一个比较严重的问题就是需要维护两套逻辑。一部分在批量引擎实现，一部分在流式引擎实现，维护成本很高。此外，对资源消耗也较大。而后面诞生的Kappa架构，正是为了解决上述问题。其在数据需要重新处理或数据变更时，可通过历史数据重新处理来完成。方式是通过上游重放完成(从数据源拉取数据重新计算)。Kappa架构最大的问题是流式重新处理历史的吞吐能力会低于批处理，但这个可以通过增加计算资源来弥补。
5). 混合架构
上述架构各有其适应场景，有时需要综合使用上述架构组合满足实际需求。当然这也必将带来架构的复杂度。用户应根据自身需求，有所取舍。在一般大多数场景下，是可以使用单一架构解决问题。现在很多产品在流批一体、海量、实时性方面也有非常好的表现。可以考虑这种“全能手”解决问题。
4. 数据仓库发展趋势
上图摘自网上的一幅图，总结了数仓的发展趋势，总结如下：
实时
随着企业数字化转型，对数据的实时性要求越来越高。未来传统离线数仓将逐渐消失，实时方式将成为主流方式。
海量
数仓承载的体量将越来越大，十亿、百亿级别、TB甚至PB级别，将成为数仓的容量刚需。
多模
半结构化、非结构化数据，将更多被使用在数仓领域，发挥出更大的价值。
多元
数据使用方式，将出现多元化特征。除常规的复杂查询、高频点查等外，搜索类、向量计算等也成为常规计算需求。在单一平台提供更加丰富的计算能力，对于客户来说不在需要频繁移动数据，一站式解决。
虚拟
传统的大集中方式，存在诸多问题。如果构建轻量化的解决方案，无需搬动数据即可形成虚拟数仓，解决客户问题成为数仓的基本能力。
治理
数仓除了传统的数据存储、计算能力外，还需提供完备的数据治理能力。包括元数据、数据血缘、数据质量等等，构成数据全生命周期的管理平台。
智能
数据使用上，AI、ML将赋能数据应用，这些都需要在数仓平台提供支持能力。
韩锋频道：
关注技术、管理、随想。
长按扫码可关注