در گذشته ما اصول اولیه DATA VAULT، گسترش DATA VAULT به حالت قابل تجزیه تر و ایجاد یک BUSINESS DATA VAULT را دیده ایم. وقت آن است که این مجموعه را با مقاله سوم به پایان برسانیم.
همانطور که در قسمت قبلی اعلام کردم ، این مقاله بر روی موضوع BI یا بهتر است بگوییم تهیه DATA VAULT به عنوان منبع داده برای BI تمرکز خواهد کرد. بیایید به نحوه ایجاد جداول واقعیت و ابعاد و در نتیجه ایجاد یک طرحواره ستاره نگاه کنیم.
وقتی شروع به مطالعه مطالب انگلیسی زبان در موضوع ایجاد داده‌های مارت از طریق DATA VAULT کردم، احساس کردم که این فرآیند نسبتاً پیچیده است. از آنجایی که مقالات طولانی هستند، اشاره هایی به تغییرات در عبارتی وجود دارد که در روش Data Vault 2.0 ظاهر شده است، اهمیت این عبارات نشان داده شده است.
با این حال، با کاوش در ترجمه، مشخص شد که این روند چندان پیچیده نیست. اما ممکن است شما نظر دیگری داشته باشید.
و خب بریم سر اصل مطلب.
جداول ابعاد و واقعیت در DATA VAULT
سخت ترین اطلاعات برای درک:
- جداول اندازه گیری بر اساس اطلاعات هاب ها و ماهواره های آنها ساخته شده است.
- جداول اطلاعات بر اساس اطلاعات پیوندها و ماهواره های آنها ساخته شده است.
و این پس از خواندن مقاله در مورد آشکار است . هاب ها کلیدهای منحصر به فرد اشیاء تجاری را ذخیره می کنند، ماهواره های مربوط به زمان آنها از وضعیت ویژگی های شی تجاری، ماهواره های متصل به پیوندهای پشتیبانی کننده تراکنش ها، ویژگی های عددی این تراکنش ها را ذخیره می کنند.
این جایی است که اساساً نظریه به پایان می رسد.
اما، با این وجود، به نظر من، لازم است به چند مفهوم اشاره کنیم که می توان در مقالاتی در مورد روش DATA VAULT یافت:
- Raw Data Marts - ویترین داده های "خام".
- اطلاعات Marts - ویترین اطلاعات.
مفهوم "Raw Data Marts" - نشان دهنده مارت هایی است که بر روی داده های DATA VAULT با انجام JOIN های نسبتاً ساده ساخته شده اند. رویکرد "Raw Data Marts" به شما این امکان را می دهد که به طور انعطاف پذیر و سریع پروژه انبار را با اطلاعات مناسب برای تجزیه و تحلیل گسترش دهید. این رویکرد شامل انجام تبدیل داده های پیچیده و اجرای قوانین تجاری قبل از قرار گرفتن در ویترین نیست، با این حال، داده های Raw Data Marts باید برای کاربر تجاری قابل درک باشد و باید به عنوان مبنایی برای تغییر بیشتر، به عنوان مثال، توسط ابزارهای BI باشد. .
مفهوم "Information Marts" در روش Data Vault 2.0 ظاهر شد و جایگزین مفهوم قدیمی "Data Marts" شد. این تغییر به دلیل تحقق وظیفه اجرای مدل داده برای گزارش به عنوان تبدیل داده به اطلاعات است. طرح "Information Marts" اول از همه باید اطلاعات مناسب برای تصمیم گیری را در اختیار کسب و کار قرار دهد.
تعاریف نسبتاً لفظی منعکس کننده دو واقعیت ساده هستند:
- ویترین های نوع "Raw Data Marts" بر روی یک DATA VAULT خام (RAW) ساخته شده اند، مخزنی که فقط حاوی مفاهیم اولیه است: HUBS، LINKS، SATELLITES.
- ویترین های "Information Marts" با استفاده از عناصر BUSINESS VAULT ساخته شده اند: PIT، BRIDGE.
اگر به نمونه‌هایی از ذخیره‌سازی اطلاعات در مورد یک کارمند بپردازیم، می‌توان گفت که ویترین فروشگاهی که شماره تلفن فعلی (فعالی) یک کارمند را نشان می‌دهد، ویترین فروشگاهی از نوع «Raw Data Marts» است. برای تشکیل چنین ویترینی، از کلید تجاری کارمند و تابع MAX() استفاده شده در ویژگی تاریخ بارگذاری ماهواره (MAX(SatLoadDate)) استفاده می شود. هنگامی که لازم است تاریخچه تغییرات ویژگی را در ویترین ذخیره کنید - از آن استفاده می شود، باید بدانید که از چه تاریخی تلفن به روز بوده است، مجموعه کلید تجاری و تاریخ آپلود در ماهواره کلید اصلی را به چنین جدولی اضافه می کند، فیلد تاریخ پایان دوره اعتبار نیز اضافه می شود.
ایجاد یک ویترین فروشگاهی که اطلاعات به روز را برای هر ویژگی از چندین ماهواره موجود در هاب ذخیره می کند، به عنوان مثال، شماره تلفن، آدرس، نام کامل، مستلزم استفاده از جدول PIT است که از طریق آن دسترسی به تمام تاریخ ها آسان است. مربوط از این نوع ویترین ها به عنوان "Information Marts" یاد می شود.
هر دو رویکرد برای اندازه گیری ها و واقعیت ها مرتبط هستند.
برای ایجاد ویترین هایی که اطلاعات مربوط به چندین لینک و هاب را ذخیره می کنند، می توان از دسترسی به جداول BRIDGE استفاده کرد.
با این مقاله مجموعه ای از مفهوم DATA VAULT را کامل می کنم، امیدوارم اطلاعاتی که به اشتراک گذاشتم در اجرای پروژه های شما مفید باشد.
مثل همیشه، در پایان، چند لینک مفید:
- کنتا گرازیانو، که علاوه بر توضیحات مفصل، شامل نمودارهای مدل است.
- کتاب: "ساخت انبار داده مقیاس پذیر با DATA VAULT 2.0"؛
- ;
- .
منبع: www.habr.com