数据仓库治理是一个复杂而又困难的过程。在实际应用中，数据仓库的数据来源零散，企业内部的各个团队也存在着不同的数据规范和管理方式，这无疑增加了数据仓库治理的难度。另外，在数据仓库的建模过程中，模型的治理难度也远大于架构，尤其是当业务需求模糊不清时。

构建数据仓库通常采用自下而上的方式，通过逐层建立各种维度表和事实表等基础模型，最终形成完整的数据仓库模型。但是，如果设计者对领域模型不熟悉，或者业务发生了变动，数据仓库重构就会变得困难重重。

为了解决这些问题，一些公司（如阿里巴巴）会采用更进一步的工作方法，例如模型的健康分析，来评估数据仓库的综合性能、存储成本和计算成本等。但是，这只能发现一些常规的问题，而不能替代人工治理。

因此，数据仓库治理是一项需要不断投入和维护的任务。在建立完整的数据模型基础上，需要进行人工治理和优化，以提高数据质量和可靠性。同时，还需要随时注意业务需求和数据变化，以及采用新技术和数据治理工具进行数据分析和处理。

数据仓库的构建

在建立数据仓库的过程中，需要建立基于维度模型的数据仓库建设方法，并在此基础上对业务和数据域进行分析。

1. 宏观了解数据的统计周期，确定全量同步或增量同步，并根据预估的数据量设计数据仓库ODS层。

2. 在业务域划分后，构建最明细粒度的事实表DWD，基于DWD构建公共粒度的汇总指标事实表DWS。

3. 如果存在复杂业务逻辑，则避免加工到DWD中，在ADS层进行处理。

4. 定义一致性的维度DIM，用于支持各种不同的分析和业务需求。

在建模的过程中，需要注重模型的评审和进行CodeReview，以及持续投入和不断优化，以确保数据仓库的质量、一致性和效率。另外，在建设好公共层之后，应该避免频繁修改引发后续维护问题。只有建立了稳固的基础之后，才能进行ADS层的业务开发和数据分析。

建模方法只是数据处理中的一部分，还有其他需要注意的地方：

1. 数据的命名和结构：数据的命名和结构会直接影响到数据的可维护性和可扩展性应该，避免使用过于简略的缩写。

2. 表的依赖层级：通过合理的分区和使用临时表，可以降低表的依赖关系，提高查询效率和并行度。

3. 延伸字段的存储方式：除了key-value的形式，还可以使用json、protobuf等格式进行存储。

4. 精度问题：应该避免使用不精确的类型。例如在处理金额等数据时，使用Decimal类型会更加可靠和精确。

5. 空值处理：避免空值对数据处理的影响。

数据问题的检测

通常而言，数据问题的检测有以下方式：

1. 基于统计：根据规范编码便可以清晰地进行统计，对数据仓库的整体建设情况有大致了解。

2. 基于自动规则：可以进一步提高数据问题的检测和解决效率。这种方式通常包括规则引擎和自动化工具的应用。

3. 基于价值衡量：只有找到数据表的价值和成本，才能更好地规划数据仓库的建设和维护。无论是优先治理高价值的场景还是寻找低价值的重构点，都需要在数据表的价值和成本基础上进行决策。

最后，数据治理工具的应用也是非常关键的。通过数据治理工具的自动化处理，可以节省时效、提高数据治理的效率和精度，减少人为误判和错误。

备受市场认可的数据治理工具其实有很多，选择时必须要结合实际的情况。帆软推出的ETL工具——FineDataLink能够帮助企业构建数据仓库，对数据进行管理、分析和使用，提高数据治理效率和质量。同时，FineDataLink也支持开放API和服务接口，可以与其他数据工具和系统进行整合和拓展。

数据集成平台产品更多介绍：www.finedatalink.com

                         免费体验Demo 咨询方案

上一篇: 扫盲系列：详解数据仓库的实施步骤下一篇: 多源异构数据融合真不难！用这个工具轻松搞定！