رویکردهای مدل‌سازی انبارداده + توصیه هایی برای انتخاب بهترین شیوه

رویکردهای مدل‌سازی انبارداده، در سناریوهای پیچیده حاوی میلیون‌ها داده، نقش مهمی را ایفا می‌کنند. تصور کنید به‌‎عنوان مهندس تجزیه‌وتحلیل در یک رستوران شلوغ کار می‌کنید؛ مشتریان هر روز میز و غذا رزرو می‌کنند، سفارش می‌دهند و پرداخت را به‌ اتمام می‌ رسانند. همه این داده‌ها به دیتابیس تراکنش‌ های رستوران سرازیر می‌شوند که با جزئیات هر تراکنش همراه هستند؛ درحالی‌که این پایگاه داده برای اجرای عملیات روزانه عالی است، اما برای تجزیه‌وتحلیل داده ها، کشف ترندها و بینش‌های رشد دهنده کسب‌وکار ایده‌آل نیست. این‌جا همان خلا ارزش‌ آفرینی به‌ وجود می‌آید که با انبارداده (Data Warehouse) پر می‌شود. 

در این مقاله، ما به هفت تکنیک کلیدی رویکردهای مدل‌سازی انبارداده در آموزش هوش تجاری نگاه می‌کنیم، سپس مزایا و معایب آنها را می‌سنجیم و به شما کمک می‌کنیم تا رویکرد مناسبی را برای انبارداده‌ خودتان انتخاب کنید.

چالش رویکردهای مدل‌سازی انبارداده چیست؟

انبارداده یک دیتابیس جداگانه است، که برای ذخیره حجم زیادی از داده‌ های تاریخی، کوئری و تجزیه‌وتحلیل سریع بهینه شده است. چالش رویکردهای مدل‌سازی انبارداده برای نظم دادن به Data Warehouse این است. که باید داده‌ها را در انبار خود ساختار دهید تا تجزیه‌وتحلیل به‌ شکل کارآمدی پیش برود؛ در‌ عین‌حال هم به‌اندازه کافی انعطاف‌پذیر باشد. تا بتوانید نیازهای درحال‌ تغییر کسب‌وکارتان را به‌ راحتی مدیریت کنید. 

بررسی یک نمونه پایگاه داده برای تراکنش‌ها

پیش‌ از شیرجه زدن در رویکردهای مدل‌سازی انبارداده، اجازه دهید به‌طور خلاصه به یک دیتابیس معمولی و حاوی جزئیات تراکنش‌ها برای یک رستوران نگاهی بیندازیم:

• جدول مشتری: نام، ایمیل، شماره تلفن.
• میز رزرو: تاریخ رزرو، زمان، تعداد مهمان‌ها و غیره.
• جدول محصول: توضیحات، قیمت و جدول گروه‌بندی محصول.
• جدول سفارش‌ها: پیوند دهنده مشتریان به آیتم‌های منوی انتخابی آنها.
• جدول اقلام: تعداد هر آیتم منو به‌ ازای یک سفارش.
• جدول پرداخت‌ها: جمع کل، روش پرداخت، درگاه پرداختی و غیره.

پایگاه داده تراکنشی از یک ساختار عادی‌ شده (Normalized) استفاده می‌کند که برای پردازش تراکنش‌ها بهینه شده است؛ اما این ساختار آنالیز و گزارش‌گیری را دشوار تر می‌کند. یک رویکرد مدل‌سازی انبار داده، داده‌ها را Denormalized کرده و از نو ساختار می‌دهد تا برای تحلیل در لایه Gold بهینه شود؛ درحالی‌ که سرعت بخشیدن به فرآیند نوشتن داده‌ها را در لایه Silver را هم ساده می‌کند.

رویکردهای مدل‌سازی انبارداده

شناخت انواع رویکردهای مدل‌سازی انبارداده، در زمینه انتخاب بهترین شیوه مدل‌سازی کمک زیادی به ما می‌کند؛ پس در ادامه این رویکردها را با جزئیات توضیح خواهیم داد.  

۱. فرم عادی سوم (۳NF)

از رویکردهای مدل‌سازی انبارداده “Third Normal Form” یک رویکرد کلاسیک مدل‌سازی پایگاه داده رابطه‌ای است. که افزونگی داده‌ها را به‌ حداقل می‌رساند. در 3NF، هر ستون بدون کلید فقط به کلید اصلی (Primary Key) جدول بستگی دارد. با اعمال رویکرد مدل‌سازی انبار داده 3NF در مثال رستوران‌ مان، جداول را بیشتر از هم تفکیک می‌کنیم. در رویکردهای سنتی مدل‌سازی انبارداده، هر جدول به‌ شکل انفرادی دارای یک ساختار سلسله‌ مراتبی بود.

اما در 3NF، این ساختار منظم به‌شکل لینک به جداول دیگر ایجاد می‌شود؛ بنابراین برخی از ستون‌های جدول تراکنش‌ مانند سفارش‌ها و پرداخت‌ها، به کلیدهای اصلی جداول Metadata اشاره می‌کنند. این جداول هم به جدول‌های سطح بالاتر خود که آنها هم Metadata هستند، ارجاع می‌دهند.

ما باید تشخیص دهیم که جدول مشتری، حاوی جزئیات آدرس او است. این یک ساختار سلسله‌ مراتبی طبیعی و درست است؛ سپس همین ستون‌ها را به جداول کوچک‌ تر تقسیم می‌کنیم. به‌طور معمول از این روش برای یک لایه Presentation/Gold استفاده نمی‌کنیم؛ اما ممکن است برای لایه Silver رویکرد مناسبی باشد. این موضوع زمانی بیشترین اهمیت را پیدا می‌کند که در حال مصرف منابع متعدد هستید. ممکن است هرکدام از این منابع هم به‌شکل بومی، در سطوح مختلف دانه ساختار یافته باشند.

جنبه‌های مثبت رویکرد ۳NF

• افزونگی داده‌ها را کاهش می‌دهد و فضای ذخیره‌سازی بیشتری را در اختیارمان می‌گذارد.
• یکپارچگی داده‌ها را از طریق روابط کلیداصلی اعمال می‌کند.
• فضایی را برای انعطاف‌پذیری در سازگاری با تغییرات آینده در اختیارمان قرار می‌دهد.

جنبه‌‌های منفی رویکرد ۳NF

• ممکن است برای تجزیه‌وتحلیل به Joinهای زیادی بین جداول نیاز داشته باشد، که بر عملکرد کوئری‌ها تاثیر منفی می‌گذارد.
• درک و پیمایش جداول برای کاربران سازمانی پیچیده می‌شود.

۲. طرح‌ واره ستاره کیمبال در رویکردهای مدل‌سازی انبارداده

“Kimball Star Schema” یک مفهوم Pivotal در انبارداده است که توسط رالف کیمبال (Ralph Kimball)، یک چهره برجسته در حوزه Data Warehouse و مفهوم هوش تجاری معرفی شده است. این شیوه، بهترین رویکرد مدل‌سازی انبار داده برای ساده‌ سازی فرآیند ذخیره‌کردن داده‌ها و افزایش عملکرد کوئری‌ها است؛ چون ساختارهای داده‌ای پیچیده‌ را برای تجزیه‌وتحلیل‌، قابل‌ مدیریت و در دسترس‌تر می‌سازد.

اجزای کلیدی رویکرد Kimball Star Schema

• جدول Fact: جدول Fact محوراصلی طرح‌ واره ستاره‌ای است. که داده‌های کمی را در خود نگه می‌دارد؛ مانند ارقام فروش، تعداد تراکنش‌ها و سایر معیارهای قابل اندازه‌گیری. هر رکورد در جدول Fact مربوط‌ به یک رویداد یا تراکنش خاص است و کلیدهای خارجی را در بر می‌گیرد. هرکدام از این کلیدها، داده‌ها را به جداول ابعاد پیوند می‌دهند. به‌طور معمول، این جدول به‌دلیل حجم زیادی از داده‌ هایی که در خود نگه می‌دارد، بزرگ است.
• جداول Dimension: جداول ابعاد جداول جانبی هستند. که زمینه را برای داده‌ها در جدول Fact فراهم می‌کنند. آنها حاوی ویژگی‌های توصیفی مرتبط‌ با ابعاد کسب‌وکار مانند دوره‌های زمانی، مکان‌های جغرافیایی، محصولات، مشتریان و کارمندان هستند. به‌طورکلی، جداول ابعاد در مقایسه با جدول Fact، کوچک‌تر و ثابت‌ تر هستند. آن‌ها داده‌ها را به‌شکل Denormalized ذخیره می‌کنند تا پرس‌وجوها ساده و درک و پیمایش بین آنها راحت‌ تر شود.

ساختار و طراحی Kimball Star Schema 

از رویکردهای مدل‌سازی انبارداده، رویکرد “Kimball Star Schema” نام خود را از چیدمانش گرفته است؛ چیدمانی که شبیه یک ستاره است. این چیدمان فقط در یک حالت تغییر می‌کند؛ از Mermaid برای ساختن نمودارهای خود به‌ عنوان کد استفاده کنید که شکل آن را در پایین نشان داده‌ایم. 

جدول Fact در مرکز این رویکرد قرار دارد و توسط جداول ابعاد احاطه شده است. هرکدام از این جداول، به‌واسطه کلیدهای خارجی به جدول Fact متصل هستند. این طراحی بصری به کاربران اجازه می‌دهد تا Joinهای مستقیم را بین جداول Fact و ابعاد انجام دهند.

در مثال رستوران ما، یک جدول Fact حاوی سفارش‌ها داریم. که درست در مرکز ساختار قرار دارد و از کلیدهای خارجی برای جداول ابعاد مانند مشتریان، تاریخ، محصول و غیره استفاده می‌کند. این رویکرد تا حدی استاندارد تلقی شده و برای لایه Gold یا Presentation در انبار داده، بهترین انتخاب خواهد بود.

جنبه‌های مثبت رویکرد Kimball Star Schema

• بهینه‌ سازی‌شده برای کوئری‌ نویسی سریع با به‌حداقل رساندن Join ها.
• نمای بصری برای کاربران سازمانی آشنا با فرآیند کسب‌ و کار.
• سادگی جمع‌ آوری و محاسبه داده‌ها. 

جنبه‌ های منفی رویکرد Kimball Star Schema

• Denormalization و بروز مشکل افزونگی داده‌ ها. 
• به‌وجود آمدن چالش در رسیدگی به تغییرات جداول ابعاد. 
• انعطاف کمتر در مقایسه‌ با 3NF برای انطباق با تغییرات آینده.

۳. طرح‌ واره دانه‌ های برف

از رویکردهای مدل‌سازی انبارداده “Snowflake Schema” گونه‌ای از اسکیمای ستاره‌ای در انبار داده است. که برای مدیریت ساختار های داده‌ای پیچیده با درصد زیادی از Normalized طراحی شده است. این طرح که به‌ دلیل شکل پیچیده و دانه برفی خود نام‌ گذاری شده است، داده‌ ها را در چند جدول مرتبط سازماندهی می‌کند. در این حالت، یکپارچگی داده‌ ها افزایش یافته و افزونگی کاهش می‌یابد. بااین‌حال، رویکرد Snowflake Schema به قیمت افزایش پیچیدگی در نوشتن کوئری و تاثیرات بالقوه منفی بر عملکرد کلی دیتابیس است؛ به‌ همین‌ دلیل، می‌توانیم آن را به‌عنوان ترکیبی بین Star Schema و 3NF درنظر بگیریم.

اجزای کلیدی رویکرد Snowflake Schema

• جدول Fact: جدول Fact در این رویکرد، به‌عنوان جدول اصلی در طرح دانه‌های برف باقی می‌ماند و حاوی داده‌های کمی مانند فروش، درآمد یا سایر متریک‌ های تجاری است. Snowflake Schema کلید های خارجی جداول ابعاد را نگه می‌دارد که زمینه را برای Fact فراهم می‌کنند. هر رکورد در جدول Fact یک رویداد قابل اندازه‌ گیری را نشان می‌دهد و شامل متریک‌های عددی و کلید های خارجی است که به ابعاد مربوطه وصل می‌شوند.
• جداول ابعاد: برخلاف طرح ستاره، طرح دانه‌ های برف جداول ابعاد را بیشتر Normalized می‌کند. هر جدول بُعد را می‌توان به چند جدول مرتبط تقسیم و ساختار نرمال‌ تری را ایجاد کرد. برای مثال، بُعد مشتری ما آدرس را به جدول‌ های کدپستی، شهر و ایالت تقسیم می‌کند که هرکدام به کلید های خارجی وصل هستند. این Normalization افزونگی داده‌ها را کاهش می‌دهد؛ اما به‌ طور هم زمان هم باعث افزایش تعداد Join های مورد نیاز برای پرس‌ و جو ها می‌شود.

جنبه‌های مثبت رویکرد Snowflake Schema

• افزونگی داده‌ها را در مقایسه با طرح‌واره ستاره‌ای کاهش می‌دهد.
• یک‌پارچگی داده‌ها را با کمک Normalisation اعمال می‌کند.
• نگهداری جداول ابعاد را آسان‌تر می‌کند.

جنبه‌های منفی رویکرد Snowflake Schema

• ممکن است در مقایسه با طرح ستاره‌ای به Joinهای بیشتری نیاز داشته باشد که بر عملکرد کوئری‌ها تاثیر منفی می‌گذارد.
• درک و پیمایش بین جداول و دیتابیس برای کاربران سازمانی دشوار تر از مدل‌ های قبلی است.

۴. یک میز بزرگ (OBT)

از رویکردهای مدل‌سازی انبارداده “The One-Big-Table” که به‌عنوان میز مسطح یا جدول عریض هم شناخته می‌شود، یک رویکرد ذخیره‌سازی داده است که در آن همه داده‌ها در یک جدول واحد و Denormalized ادغام می‌شوند. این رویکرد مدل‌سازی انبار داده با طرح‌ واره‌های نرمال‌ شده مانند طرح‌ واره‌های ستاره‌ای و دانه‌های برف تضاد زیادی دارد؛ همچنین ساختار ساده‌تری را ارائه می‌دهد؛ اما به‌ طور هم‌ زمان هم باعث افزایش افزونگی و مشکلات ضعف عملکردی بالقوه می‌شود که در مواجه‌ با مجموعه داده‌های بسیار بزرگ رخ می‌دهند.

اجزای کلیدی OBT

• جدول تک: ویژگی اصلی طراحی OBT این است که تمام داده‌های مرتبط در یک جدول جامع ذخیره می‌شوند. این جدول شامل آرایه وسیعی از ستون‌ها است که تمام ویژگی‌ها و معیارهای لازم را برای تجزیه‌وتحلیل نشان می‌دهد. جدول ممکن است حاوی هزاران ستون باشد که هر ردیف نشان‌دهنده یک رکورد منحصر به‌فرد است که ابعاد و معیارهای متعددی را دربرمی‌گیرد.
• ویژگی‌ها و متریک‌ها: در طراحی OBT، ویژگی‌ها که در جداول ابعاد طرح‌ واره‌های دیگر هم یافت می‌شوند و معیار ها که در جداول Fact حضور دارند در یک جدول واحد ترکیب می‌شوند؛ به‌عنوان مثال، جزئیات مشتری، اطلاعات محصول و ارقام فروش همگی در یک جدول ذخیره می‌شوند و هر رکورد یک Snapshot فوری و کامل از تراکنش یا رویداد را ارائه می‌دهد.

ساختار طراحی OBT ساده است؛ چون فقط یک جدول دارد که هر ردیف آن شامل تمام نقاط داده لازم است. این ساختار مسطح نیاز به Join را از بین می‌برد و کاربران می‌توانند بدون درک روابط پیچیده جدول، کوئری و بازیابی داده‌ها را انجام دهند. در مثال رستوران، برای هریک از سه رویداد کلیدی رزرو، سفارش و پرداخت یک OBT خواهیم داشت. 

اگر داده‌های خود را به Power BI یا انواع ابزاهای هوش تجاری می‌کشید، نرم‌ افزار انتظار یک مجموعه داده سبک را با رویکرد Star Schema دارد؛ با این‌ حال، اگر داده‌ها را به Tableau می‌کشید، ممکن است رویکرد OBT انتخاب بهتری باشد. 
نکته: اگر OBT را انتخاب می‌کنید، باید هر منطق Reusable را در جداول پشتیبانی (Supporting Tables) حفظ کنید؛ چون می‌توانید در دیتابیس خود، بارها و بارها به این جداول ارجاع دهید.

جنبه‌های مثبت رویکرد OBT

• عملکرد کوئری‌ها بسیار سریع می‌شود و نیاز به Join از بین می‌رود.
• به‌دلیل قرار گرفتن همه داده‌ها در یک مکان، درک ارتباطات جداول و مدل کلی ساختار ساده می‌شود.
• برای استفاده در زمینه Data Science، یک گزینه است.

جنبه‌ های منفی رویکرد OBT

• افزونگی بالا در داده‌ها، نیاز به فضای ذخیره‌سازی قابل‌ توجهی دارد.
• ایجاد تغییرات بدون تغییر کل ساختار جدول دشوار است.
• کوئری‌هایی با ستون‌های زیاد می‌توانند برای نوشتن و نگهداری سخت باشند.

۵. مفهوم Data Vault 2.0

از رویکردهای مدل‌سازی انبارداده، Data Vault 2.0 یک رویکرد مدرن برای مدل‌سازی انبار داده است که چند هدف کلیدی را دنبال می‌کند: ارائه یک مدل داده مقیاس‌پذیر، چابک و قابل ممیزی. این رویکرد توسط “Dan Linstedt” توسعه یافت و براساس روش اصلی Data Vault ساخته شده است؛ مدلی که برای پشتیبانی بهتر از محیط‌های داده‌ای پیچیده امروزی، کامل‌ترین قابلیت‌ها را دارد. Data Vault 2.0 نیاز به مدیریت Big Data، داده‌های بدون ساختار و انواع منابع داده را با حفظ یکپارچگی و دقت تاریخی برطرف می‌کند؛ مانند 3NF، این رویکرد هم در لایه Silver دیتابیس شما قرار می‌گیرد. 

اجزای کلیدی Data Vault 2.0

• هاب‌ها: هاب‌ها در واقع کلیدهای منحصربه‌فرد بیزینس را با یک کلید جانشین خاص و Metadata آن، مانند تاریخ بارگذاری و اطلاعات منبع ذخیره می‌کنند. هر هاب یک مفهوم پایه را در بیزینس نشان می‌دهد؛ مانند مشتری، محصول یا سفارش. هاب‌ ها بسیار پایدار هستند و به‌ندرت تغییر می‌کنند؛ همچنین یک نقطه مرجع ثابت برای انبارداده می‌سازند.
• لینک‌ها: لینک‌ها روابط بین کلیدهای ذخیره‌شده بیزینس را در هاب‌ها نشان می‌دهند. هر جدول لینک حاوی کلیدهای خارجی به هاب‌های مربوطه به‌همراه Metadata است. لینک‌ها نشان‌دهنده تراکنش‌ها،‌ گروه‌های به‌ هم‌ مرتبط یا سلسله مراتب بین موجودیت‌ها هستند. آن‌ها برای مدل‌سازی روابط چندبه‌چند (Many-to-Many) و تغییرات اعمال‌ شده روی آن‌ها در طول زمان استفاده می‌شوند.
• ماهواره‌ها: “Satellites” ویژگی‌ها و زمینه‌های توصیفی را برای کلیدهای بیزینس در هاب‌ها یا روابط بین لینک‌ها ذخیره می‌کنند. آنها شامل Metadata برای ردیابی تغییرات در طول زمان هستند؛ مانند تاریخ بارگذاری و منبع. ماهواره‌ها می‌توانند بدون تاثیرگذاری بر کلیدها و روابط اصلی کسب‌وکار تکامل یافته و امکان تطبیق را به‌شکل انعطاف‌پذیر با سیستم‌های جدید فراهم کنند.

ساختار و طراحی Data Vault 2.0

از رویکردهای مدل‌سازی انبارداده، Data Vault 2.0 با معماری ماژولار طراحی شده که تفکیک ذخیره‌سازی داده‌ها را با این سه نوع جدول ممکن می‌کند؛ به‌همین‌دلیل، رویکرد Data Vault 2.0 را یک شیوه مقیاس‌پذیر و منعطف در زمینه مدل‌سازی انبارداده می‌دانیم. هاب‌ها، لینک‌ها و ماهواره‌ها به گونه‌ای طراحی شده‌اند که به‌صورت تدریجی و موازی بارگذاری شوند. این تقسیم‌بندی امکان مدیریت کارآمد حجم زیادی از داده‌ها و تغییرات را در طول زمان ساده می‌کند.

جنبه‌‎های مثبت رویکرد Data Vault 2.0

• برای رسیدگی به تغییرات در زمینه‌های مهم کسب‌وکار در طول زمان طراحی شده است.
• تغییرات ساختاری را از تغییرات اطلاعاتی جدا می‎کند.
• فراهم کردن قابلیت ردیابی تغییرات و تاریخ آنها را ممکن می‌سازد.

جنبه‌‎های منفی رویکرد Data Vault 2.0

• گاهی در طراحی و پیاده‌سازی دیتابیس پیچیدگی‌های زیادی را رقم می‌زند.
• در جمع‌آوری داده‌ها و تجزیه‌ و تحلیل آنها، به جداول و Joinهای زیادی نیاز دارد.
• در این رویکرد ممکن است نوشتن و درک کوئری‌ها دشوار باشد. 

۶. طرح‌ واره فعالیت

از رویکردهای مدل‌سازی انبارداده، “Activity Schema” یک رویکرد ذخیره‌سازی داده است که توسط احمد السامدیسی (Ahmed Elsamadisi)، برای ثبت سوابق دقیق فعالیت‌ها یا رویدادهای بیزینسی به‌شیوه‌ای ساختاریافته و کارآمد طراحی شد. این رویکردهای مدل‌سازی انبارداده بر مستندسازی اقدامات یا تراکنش‌های انجام‌ شده در یک کسب‌وکار تمرکز دارد و آن را برای داده‌های رویدادمحور و ثبت جزئیات تراکنش مفید می‌کند. 

Activity Schema در سیستم‌هایی که نیاز به ردیابی حجم بالایی از رویدادهای Granular دارند، بهترین رویکرد مدل‌سازی در انبارداده است؛ سیستم‌ها و پلتفرم‌هایی مانند فروشگاه‌های آنلاین، پلتفرم‌های تجارت الکترونیک، سیستم‌های مالی و برنامه‌های IoT.

اجزای کلیدی Activity Schema

• جدول فعالیت: جدول مرکزی در طرح‌واره فعالیت، همان Activity Table است که هر فعالیت یا رویداد تجاری را ثبت می‌کند. هر ردیف در این جدول، رویداد یا تراکنش واحدی را نشان می‌دهد که جزئیات مربوط‌به اتفاقات، زمان وقوع و سایر زمینه‌های مرتبط را به تصویر می‌کشد. ویژگی‌های جدول Activity به‌عنوان بخشی از استانداردهای متداول دیتابیس تعریف شده است؛ بنابراین پیاده‌سازی آن آسان است.
• جداول ابعاد: پیوست‌شده به جدول فعالیت که یک جدول ابعاد اختیاری است و زمینه اضافی را برای رویدادهای ثبت‌ شده در جدول فعالیت فراهم می‌کند. یک بُعد در این جدول ممکن است شامل جزئیاتی در مورد مشتریان، محصولات، مکان‌ها، زمان و سایر نهادهای مرتبط و وابسته‌به جریان فعالیتی باشد که با آن ارتباط دارد.

در مثال رستوران، ممکن است یک جدول فعالیت مشتری با بُعد مرتبط‌ با مشتری داشته باشیم. جدول Activity فعالیت‌ های مشتری را مانند رزرو، سفارش‌ها و پرداخت‌های او ردیابی می‌کند. جزئیات این موارد در ستون “feature_json” با یک ستون اختیاری دیگر نگهداری می‌شود. این ستون اختیاری مسئول ذخیره‌سازی  تاثیر درآمد، در صورت پیدا کردن ارتباط با داده‌های جدول است.

جنبه‌‌ های مثبت رویکرد Activity Schema

• طراحی این رویکرد بسیار ساده و شهودی است که به تعداد بسیار کمی جدول نیاز دارد.
• فعالیت‌های اضافی توسط یک موجودیت می‌تواند بدون تغییر طرح‌ واره ثبت شود.
• جداول جدید فقط زمانی ایجاد می‌شوند که موجودیت‌های جدید نیاز به ردیابی داشته باشند.

جنبه‌‌ های منفی رویکرد Activity Schema

• این رویکرد تا حدودی جدید است و پذیرش گسترده آن هنوز اتفاق نیفتاده است.
• ممکن است برای همه حوزه‌ها، صنایع و نیاز های آنالیز داده مناسب نباشد.

۷. مدل‌سازی موجودیت‌ محور

از رویکردهای مدل‌سازی انبارداده، “Entity-Centric Modelling” یک رویکرد انعطاف‌پذیر برای رویکردهای مدل‌سازی انبارداده است که توسط “Maxime Beauchemin”، با تمرکز بر مدل‌سازی پیرامون موجودیت‌هایی مانند مشتریان و محصولات ارائه شد. در این رویکرد هر موجودیت، جدول مخصوص به‌خود را می‌گیرد و با کمک Json، ردیابی مجموعه‌ای از معیارها را ممکن می‌سازد. رویکرد Entity-Centric به جداول ابعاد اضافی نیاز ندارد؛ چون جداول Entity در پایین‌ترین Grain موجودیت دیتابیس قرار دارند و می توانند ویژگی‌های خود را به‌شکل مستقیم در جدول داشته باشند.

در مثال رستوران، ما یک جدول مشتریان با ستون‌هایی برای ویژگی‌های مشتری، به‌ علاوه یک ستون Json برای نگهداری معیارهای محدودزمانی مانند visit.7d، visit.14d، sale.30d خواهیم داشت.

جنبه‌‌های مثبت رویکرد Entity-Centric

• انعطاف‌ پذیری و سازگار بالایی با نیازهای درحال‌ تغییر کسب‌ و‌ کار ها دارد.
• جداول کمی در این رویکرد می‌سازیم و به‌ همین‌ دلیل درک بالایی از روابط و جداول این مدل داریم.
• تاریخچه را به‌طور موثری در ستون متریک ثبت می‌کند.

جنبه‌‌های منفی رویکرد Entity-Centric

• گاهی کوئری‌ها دچار پیچیدگی زیادی می‌شوند و اغلب نیاز به جداسازی داده‌های نیمه‌ ساختار یافته دارند.
• موجودیت‌ها دارای ویژگی‌ها یا انواع رفتار هستند که چالش‌های خاصی را در بررسی و آنالیز دیتا به‌وجود می‌آورند.
• اعمال محدودیت‌های یکپارچگی در مقایسه با طرح‌ واره ستاره دشوارتر است.

۵ توصیه برای انتخاب بهترین رویکردهای مدل‌سازی انبارداده

انتخاب روش مدل‌سازی انبار داده با در نظر گرفتن این هفت رویکرد ممکن می‌شود. در ادامه به بررسی پنج نکته مهم در انتخاب بهترین رویکردهای مدل‌سازی انبارداده این زمینه می‌پردازیم.

۱. الزامات تحلیلی در رویکردهای مدل‌سازی انبارداده

باید به چه نوع سوالاتی در تحلیل داده‌های خود پاسخ دهید؟ براساس جوابی که به این سوال‌ها می‌دهید، یک مدل بهینه‌شده برای الگوهای کوئری‌های دیتابیس خود انتخاب کنید.

۲. حجم داده و مقیاس‌ پذیری در رویکردهای مدل‌سازی انبارداده

میزان و مقدار داده‌هایی که درحال‌ حاضر در اختیار دارید را بسنجید و یک میانگین از افزایش آنها را در طول زمان بگیرید. برخی از رویکردها بهتر از دیگر شیوه‌ها مقیاس‌ پذیر و منعطف هستند.

۳. سادگی در استفاده در رویکردهای مدل‌سازی انبارداده

به این فکر کنید که چه‌کسی در انبارداده کوئری‌ می‌نویسد و دیتابیس شما را مدیریت می‌کند؟ برخی از رویکردها برای کاربران غیرفنی گرافیکی‌تر و ساده‌تر هستند.

۴. انعطاف‌ پذیری در رویکردهای مدل‌سازی انبارداده

ممکن است کسب‌وکار شما درحال‌ تکامل و گسترش باشد، پس مدلی را انتخاب کنید که بتواند با نیازهای متغیر سازمان و داده‌های شما سازگار شود.

۵. عملکرد در رویکردهای مدل‌سازی انبارداده

در انتخاب بهترین رویکردهای مدل‌سازی انبارداده، مبادلات بین سرعت کوئری‌ها و افزونگی داده‌ها را در نظر بگیرید. اغلب مدل‌های Denormalized اغلب سریع‌تر از دیگر مدل‌ها هستند؛ اما به فضاوتجهیزات ذخیره‌سازی بیشتری نیاز دارند.

سخن پایانی

رویکردهای مدل‌سازی انبارداده در مدل‌سازی انبار داده در مدیریت دیتابیس نقش مهمی دارد؛ چون این فرآیند را ساده کرده و بررسی عملکرد بیزینس را روان و آسان می‌کند. انتخاب بهترین رویکرد مدل‌سازی انبار داده به نیازها و اولویت‌ های منحصر به‌فرد کسب‌ و کار شما بستگی دارد. با درک نقاط قوت و ضعف هر تکنیک مدل‌ سازی، می‌توانید انبار داده‌ای را طراحی کنید که تجزیه‌ و تحلیل‌ های سریع، انعطاف‌ پذیری و وضوح را برای رشد بیزینس‌ تان ارائه دهد. نیک آموز در بخش نظرات، مشتاق خواندن دیدگاه و تجربه شما است؛ پس همین حالا آن را با ما در میان بگذارید.

سوالات متداول رویکردهای مدل‌سازی انبارداده

۱. چالش اصلی در مدل‌سازی انبار داده چیست؟

چالش اصلی، ساختاردهی داده‌ها در انبار داده به شکلی است که هم تجزیه‌ و تحلیل را کارآمد کند و هم به اندازه کافی انعطاف‌پذیر باشد تا نیازهای متغیر کسب‌وکار را مدیریت کند.

۲. رویکرد Third Normal Form (3NF) چه مزایایی نسبت به پایگاه داده تراکنشی دارد؟

3NF افزونگی داده‌ها را به حداقل می‌رساند، یکپارچگی داده‌ها را از طریق روابط کلید اصلی تضمین می‌کند و فضایی برای انعطاف‌پذیری در سازگاری با تغییرات آینده فراهم می‌آورد.

۳. تفاوت اصلی بین Kimball Star Schema و Snowflake Schema در چیست؟

Kimball Star Schema با Denormalization داده‌ها، تعداد Joinها را برای کوئری‌های سریع به حداقل می‌رساند و برای لایه Gold مناسب است. در مقابل، Snowflake Schema داده‌ها را بیشتر نرمال‌سازی (Normalized) می‌کند که منجر به افزونگی کمتر اما پیچیدگی بیشتر در کوئری‌ها می‌شود و بیشتر برای لایه Silver کاربرد دارد.

۴. رویکرد One-Big-Table (OBT) چه زمانی می‌تواند انتخاب مناسبی باشد؟

OBT زمانی انتخاب خوبی است که سادگی درک مدل و سرعت بالای کوئری‌ها اولویت داشته باشد، به‌خصوص در ابزارهایی مانند Tableau که با مجموعه داده‌های مسطح به خوبی کار می‌کنند. با این حال، این رویکرد افزونگی بالایی دارد.

۵. اجزای کلیدی Data Vault 2.0 کدامند و هدف اصلی آن چیست؟

اجزای کلیدی Data Vault 2.0 شامل Hubs (کلیدهای منحصربه‌فرد کسب‌وکار)، Links (روابط بین Hubs) و Satellites (ویژگی‌های توصیفی) هستند. هدف اصلی آن ارائه یک مدل داده مقیاس‌پذیر، چابک و قابل ممیزی است که بتواند محیط‌های داده‌ای پیچیده و حجم بالای داده را مدیریت کند.

۶. چه معیارهایی برای انتخاب بهترین رویکرد مدلسازی انبار داده باید در نظر گرفت؟

معیارهای کلیدی شامل الزامات تحلیلی (نوع سوالات)، حجم داده و مقیاس‌پذیری، سادگی در استفاده برای کاربران، انعطاف‌پذیری برای سازگاری با تغییرات کسب‌وکار و عملکرد کوئری‌ها است.

💡 مطالعه‌های تکمیلی برای درک بهتر رویکردهای مدل‌سازی انبارداده

• power bi چیست و چرا تجزیه و تحلیل داده‌ها در کسب‌ و کار اهمیت دارد؟
• بهترین ابزارهای طراحی داشبورد مدیریتی و هوش تجاری را بشناسید
• اتصال به منابع داده در Power BI
• درباره انبار داده چه می‌دانید؟