Modelado dimensional

El modelado dimensional forma parte de la metodología del ciclo de vida dimensional empresarial desarrollada por Ralph Kimball, que incluye un conjunto de métodos, técnicas y conceptos para su uso en el diseño de almacenes de datos . ^{[ 1 ] : 1258–1260 [ 2 ]} El enfoque se centra en identificar los procesos empresariales clave dentro de una empresa y modelarlos e implementarlos primero antes de añadir procesos empresariales adicionales, como un enfoque ascendente . ^{[ 1 ] : 1258–1260} Un enfoque alternativo de Inmon aboga por un diseño descendente del modelo de todos los datos empresariales utilizando herramientas como el modelado entidad-relación (ER). ^{[ 1 ] : 1258–1260}

El modelado dimensional siempre utiliza los conceptos de hechos (medidas) y dimensiones (contexto). Los hechos suelen ser (aunque no siempre) valores numéricos que se pueden agregar, y las dimensiones son grupos de jerarquías y descriptores que definen los hechos. Por ejemplo, el importe de las ventas es un hecho; la marca de tiempo, el producto, el número de caja, el número de tienda, etc., son elementos de las dimensiones. Los modelos dimensionales se construyen por área de proceso de negocio, por ejemplo, ventas de tienda, inventario, reclamaciones, etc. Dado que las diferentes áreas de proceso de negocio comparten algunas, pero no todas, las dimensiones, la eficiencia en el diseño, la operación y la coherencia se logran mediante el uso de dimensiones conformadas , es decir, utilizando una sola copia de la dimensión compartida en todas las áreas temáticas.

El modelado dimensional no implica necesariamente una base de datos relacional. El mismo enfoque de modelado, a nivel lógico, puede utilizarse para cualquier formato físico, como bases de datos multidimensionales o incluso archivos planos. Su enfoque prioriza la comprensibilidad y el rendimiento.

Entre los beneficios del modelo dimensional se incluyen: ^{[ 6 ]}

• Comprensibilidad. En comparación con el modelo normalizado, el modelo dimensional es más fácil de entender e intuitivo. En los modelos dimensionales, la información se agrupa en categorías o dimensiones de negocio coherentes, lo que facilita su lectura e interpretación. La simplicidad también permite que el software navegue por las bases de datos de manera eficiente. En los modelos normalizados, los datos se dividen en numerosas entidades discretas, e incluso un proceso de negocio sencillo puede generar docenas de tablas unidas de forma compleja.
• Rendimiento de las consultas. Los modelos dimensionales están más desnormalizados y optimizados para la consulta de datos, mientras que los modelos normalizados buscan eliminar la redundancia de datos y están optimizados para la carga y actualización de transacciones. La estructura predecible de un modelo dimensional permite que la base de datos haga suposiciones sólidas sobre los datos, lo que puede tener un impacto positivo en el rendimiento. Cada dimensión es un punto de entrada equivalente a la tabla de hechos, y esta estructura simétrica permite un manejo eficaz de consultas complejas. La optimización de consultas para bases de datos con unión en estrella es simple, predecible y controlable.
• Extensibilidad. Los modelos dimensionales son escalables y se adaptan fácilmente a nuevos datos inesperados. Las tablas existentes se pueden modificar directamente, ya sea añadiendo nuevas filas o ejecutando comandos SQL de modificación de tabla. No es necesario reprogramar las consultas ni las aplicaciones que se ejecutan sobre el almacén de datos para adaptarse a los cambios. Las consultas y aplicaciones antiguas siguen funcionando sin generar resultados diferentes. Sin embargo, en los modelos normalizados, cada modificación debe considerarse cuidadosamente debido a las complejas dependencias entre las tablas de la base de datos.

Aún podemos disfrutar de las ventajas de los modelos dimensionales en Hadoop y plataformas de big data similares . Sin embargo, algunas características de Hadoop requieren que adaptemos ligeramente el enfoque estándar para el modelado dimensional.

• El sistema de archivos de Hadoop es inmutable . Solo podemos agregar datos, pero no actualizarlos. Por lo tanto, solo podemos agregar registros a las tablas de dimensiones. Las dimensiones de cambio lento en Hadoop se convierten en el comportamiento predeterminado. Para obtener el registro más reciente y actualizado en una tabla de dimensiones, tenemos tres opciones. Primero, podemos crear una vista que recupere el último registro usando funciones de ventana . Segundo, podemos tener un servicio de compactación ejecutándose en segundo plano que recree el estado más reciente. Tercero, podemos almacenar nuestras tablas de dimensiones en un almacenamiento mutable, por ejemplo HBase, y federar consultas entre los dos tipos de almacenamiento.
• La forma en que se distribuyen los datos en HDFS hace que unirlos sea costoso. En una base de datos relacional distribuida ( MPP ), podemos ubicar registros con las mismas claves primarias y foráneas en el mismo nodo de un clúster. Esto hace que unir tablas muy grandes sea relativamente económico. No es necesario que los datos viajen a través de la red para realizar la unión. Esto es muy diferente en Hadoop y HDFS. En HDFS, las tablas se dividen en grandes bloques y se distribuyen entre los nodos de nuestro clúster. No tenemos ningún control sobre cómo se distribuyen los registros individuales y sus claves en el clúster. Como resultado, las uniones en Hadoop para dos tablas muy grandes son bastante costosas, ya que los datos tienen que viajar a través de la red. Deberíamos evitar las uniones siempre que sea posible. Para una tabla de hechos y dimensiones grande, podemos desnormalizar la tabla de dimensiones directamente en la tabla de hechos. Para dos tablas de transacciones muy grandes, podemos anidar los registros de la tabla hija dentro de la tabla padre y aplanar los datos en tiempo de ejecución.

• Kimball, Ralph ; Margy Ross (2013). The Data Warehouse Toolkit: The Definitive Guide to Dimensional Modeling (3.ª  ed.). Wiley. ISBN 978-1-118-53080-1.
• Ralph Kimball (1997). "Un manifiesto de modelado dimensional" . Sistemas de gestión de bases de datos e Internet . 10 (9).
• Margy Ross (Kimball Group) (2005). "Identificación de procesos de negocio" . Kimball Group, Consejos de diseño (69). Archivado del original el 12 de junio de 2013.