数据仓库架构演进：从Kimball星型模型到Lakehouse一体化设计

Kimball与Inmon：数据建模的两个流派

数据仓库建模领域有两个经典的流派。Kimball方法论主张自下而上构建——先建立面向业务过程的数据集市，再逐步整合为企业数据仓库。它的核心是维度建模，将数据分为事实表和维度表，事实表记录业务事件而维度表描述事件发生的上下文。一个电商订单的事实表可能只有几十个字段，但关联的商品维度、用户维度、时间维度和地区维度让它能回答几乎所有业务问题。

Inmon方法论则主张自上而下——先构建第三范式的企业级数据模型，再从企业模型中推导出面向部门的数据集市。Inmon的方式理论上更规范更稳定，但实践中因为建设周期太长和需求响应太慢而逐渐被Kimball的敏捷方式取代。

数据湖：当仓库装不下原始数据时

数据仓库的设计假设是数据在入库前已经过清洗和建模，但在大数据时代，越来越多的场景要求先存储原始数据再决定怎么用——数据湖应运而生。数据湖用廉价的分布式存储存放任何格式的原始数据，湖里的数据可以经过处理后装进仓库做BI分析，也可以直接交给机器学习工程师做特征工程。

Lakehouse：鱼和熊掌兼得

Lakehouse是Databricks提出的新范式，试图在数据湖的廉价存储基础上叠加数据仓库的ACID事务和SQL查询能力。通过Delta Lake等开放表格式在数据湖上实现时间旅行、模式演进和增删改查，Lakehouse让组织可以用一套系统同时服务BI报表和机器学习两种负载。

【交流与合作】微信号：abc6789122