看了这么多数仓模型的对比文章，我想把我总结的一些东西记录下来。
说到数仓建模，那么肯定离不开两种方式：范式建模（Inmon）和维度建模（kim ball）。这两种方式各有适用的地方，需要根据具体应用场景进行选择。当然还有一种独立数据集市的方法，不过这种方法容易造成很多数据烟囱以及数据孤岛（没有一致性维度和一致性事实的支持，是无法支持支持多主题区域，并且使得各个数据集市成为信息孤岛，缺乏兼容性。），无法广泛性的运用，这里就不讨论了。
Inmon
Inmon建模的方式是自下而上的，那么什么是自下而上呢？我的理解是先打好广而全的数据基础，考虑当下业务场景中的所有可能，基于范式建模的理念去设计数据仓库，然后基于各种业务场景去开发数据集市以及BI应用。
Kimball
而kimball的方式是自上而下的，这种方式就不用考虑很大的框架，针对某一个数据域或者业务进行维度建模，得到最细粒度的事实表和维度表，形成适用于某一个数据域、业务的数据集市之后，再集成各个数据集市为数据仓库。这其中的要点就是保持各集市之间的一致性维度和一致性事实，不然在集成为数据仓库的时候很麻烦，会无法确认各个集市之间的数据具有关联性、通用性。kimball的这种范式就是开发速度比较快，相对比较省事，但是后续维护会比较麻烦。
在这里引用一张图，相信大家就能比较清楚的了解kimball和Inmon的区别了。
名词解释：
数据仓库收集了整个组织的主题信息，因此它是企业范围的。数据集市（data mart）是数据仓库的一个部门子集，它聚焦在选定的主题上，是部门范围的
数据仓库是一个从多个数据源收集的信息储存库，存放在一个一致的模式下，并且通常驻留在单个站点。数据仓库通过数据清理、数据变换、数据集成、数据装入和定期数据刷新过程来构造。
关于建模理论的书籍我比较推荐：inmon的《数据仓库》，kimball的《数据仓库工具箱》以及阿里的《大数据之路》。通过阅读这几本数据的相关章节再加上实战，相信对建模理论会有更深的理解。
---未完待续
参考文献：
1.https://segmentfault.com/a/1190000006255954?utm_source=tag-newest（强烈推荐！！！）
2.https://blog.csdn.net/kingzone_2008/article/details/8140951
3.https://blog.csdn.net/maenlai0086/article/details/86759984
4.https://blog.csdn.net/weixin_43334198/article/details/82936232
5.https://blog.csdn.net/NextAction/article/details/78928033
来源：CSDN
作者：泽米
链接：https://blog.csdn.net/a6822342/article/details/103643360