数字化转型网数据专题将关注数据治理、数据质量管理、数据架构、主数据管理、数据仓库、元数据管理、数据备份、数据挖掘、数据分析、数据安全、大数据、数据合规、等数据相关全产业链相关环节。
一、”自上而下”建立数仓（数仓→数据集市）
将不同的数据源，都整合到一个企业级的数仓里
（一）什么是”自上而下”建立数仓
自上而下建立数据仓库（DW-DM）又称为范式建模，之所以称为范式建模，是因为这种方式构建的数据仓库，信息存储是符合第三范式。为什么需要存储信息满足第三范式？因为所有的表都是先抽取到数仓里面，在进行维度建模。如果数据不满足第三范式的话，数据维度建模数据处理差，处理成本太大。
（二）”自上而下”建立数仓的优劣势分别有哪些
1、”自上而下”建立数仓的优势
企业对数据有一个真正的企业范围级的观察；
粒状的数据，可以满足不同分析角色的分析需求，支撑不同方式的分析过程；
能够从整体上把握数据仓库的规模、粒度的级别和元数据管理，是一种系统的解决方法；
易于维护，高度集成。
2、”自上而下”建立数仓的劣势
部署周期较长
投入的资源比较大
数据化建设的效果不能立刻展现；
结构死板，缺乏灵活性，因为整个组织的共同数据模型达到一致是很困难的。
（三）”自上而下”建立数仓的的适用场景
a.公司层面有大量资源投入和部门间协调推进能力，属于公司自上而下发起的数据建设；
b.对性能要求没那么高，可以接受查询性能的不足。
c.有一些更高层次的要求，要求底层数据的一致性，无数据冗余，方便维护等
二、“自下而上”建立数据仓库（维度建模）
（一）什么是“自下而上”建立数据仓库
别名：维度建模、维度数据仓库、总线体系结构、结构化数据集市、虚拟数据集市。维度建模源自数据集市，主要面向分析场景。维度建模是一种面向用户需求的、容易理解的、访问效率高的建模方法。维度建模通常以星型模式的方式构建，不过有时也会加入一些雪花模型在里面。
三大数据模型：星型模型、雪花模型、星座模型
（二）“自下而上”建立数据仓库的优劣势分别有哪些
1、“自下而上”建立数据仓库的优势
性能好，通过对各个维的预处理，能够极大地提升数据仓库的处理能力；
比较直观，不需要经过特别的抽象处理即可完成维度建模，通过紧紧围绕业务模型，可直观地反映出业务模型中的业务问题；
灵活性，花费低，能够得到快速的投资回报。
2、“自下而上”建立数据仓库的劣势
数据孤岛现象。不能保证各个数据集市数据来源的一致性和准确性
数据抽取负担。当数据集市数量庞大时，抽取原始数据的负担会比较大；
变更不可传递。当多个数据集市需要做一些相关或类似的变更时，需要在多个数据集市都要做一遍，会增加工作量和出错率；
缺乏扩展性。当需要建立一个新的数据集市是可能还要从头建起。
（三）“自下而上”建立数据仓库的适用场景
a.追求卓越的性能，希望能够有快速的查询和计算能力；
b.希望数据建设项目快速上线，短期内不希望有大量的投入；
c.能够接受后续比较高的维护成本，以及维度建模长期发展的一些劣势：数据孤岛、数据抽取负担、变更不可传递、缺乏扩展性的缺点。
数字化转型网数据专题包含哪些内容
数字化转型网数据专题将关注数据治理、数据质量管理、数据架构、主数据管理、数据仓库、元数据管理、数据备份、数据挖掘、数据分析、数据安全、大数据、数据合规、等数据相关全产业链相关环节。
数字化转型网数据专题包含：
1、数据相关外脑支持：100+数据相关专家、100+数据实践者、1000+相关资料
2、数据研习社：与全球数据相关专家、实践者共同探讨相关问题，推动产业发展！
3、国际认证培训：目前已引进DAMA国际认证CDMP，其他国内外认证也在逐步引进中
4、典型案例参考：与数字化转型网数据要素X研习社社员一起学习典型案例，共探企业数据落地应用
