我有一个大学作业要求为产品库存管理建立一个数据仓库，它可以帮助库存管理了解现有价值并使用他们可以预测何时带来新库存的历史数据。我一直在阅读以找出使用多维数据集或数据集市的最佳方法。我的问题是我是否必须先创建一个数据仓库，然后在该构建的 Cube、数据集市之上，或者我可以直接将事务数据提取到 Cube/Data Mart 中。
接下来，是否必须构建星型模式（或其他 DW 模式）来执行此任务，因为在阅读了多篇文章后，我的理解是 OLAP 多维数据集可以有多个由维度包围的事实。
【问题讨论】：
标签： data-warehouse olap-cube star-schema
你的问题比你知道的要大得多！
作为一般原则，您将拥有一个临时数据库，该数据库从一个或多个 OLTP 系统中获取数据。然后登台数据库将数据提供给数据仓库 (DWH)。在 DWH 之上会建造一些 Marts，这些通常是特定于主题领域的。
有几种 DWH 方法
重要的是不要混淆 DWH 方法和实施 DWH 的技术，尽管有时有些技术适用于特定的方法。例如，OLAP 多维数据集可以轻松地与 Kimball 星型模式一起使用。没有特别需要对特定数据库使用关系技术。一些 NoSQL 数据库（如 Cassandra）非常适合暂存数据库。
回答您的具体问题
我是否必须先创建数据仓库 上面那个建的Cube，Data mart或者我可以直接提取 交易数据到多维数据集/数据集市。
如果您有一个专门为您的报告量身定制的 Mart，则 OLAP Cube 是可选的，但这取决于您的报告和分析要求以及访问速度。 数据集市实际上只能使用直接来自 DWH 的 OLAP 多维数据集来构建。
特别是在库存管理方面，所有这些 DWH 方法都适用。
我无法回答你的最后一个问题，因为这似乎是作业的重点，而你没有提供足够的信息来回答这个问题，但你需要对 dimensional modelling 进行一些研究，所以我希望这为您指明了正确的方向！
【讨论】：
答案是肯定的，星型模型总是有助于更好的分析，但它是关系型的，多维数据集是多维的（它执行所有数据交叉），并且经常用作星型模型的数据源（推荐）。
OLAP 多维数据集通常用于快速分析和汇总数据。
因此，按照标准，我建议您制作所需的所有星型模型，然后生成用于分析的 OLAP 多维数据集。
【讨论】：
由于这是一个“家庭作业”问题，我猜讲师正在寻找 Kimball 和 Inmon 之间的优缺点，这是最终用户报告的两个“默认”设计。在现实世界中，DataVault 也可以作为 DWH 策略的一部分应用，但它的用途不同，不建议最终用户使用。
DataVault 是一种设计模式，可以不受干扰地从源系统中引入数据。数据在提交给最终用户解决方案之前不可避免地需要清理，如果发现任何问题或业务需求发生变化，DV 允许重新运行 DWH ETL 流程，尤其是在粒度级别下降（例如原始事实表用于销售，维度需求用于销售人员和产品类别，现在他们需要按销售轮次的事实销售和产品子类别和类别的销售人员。没有 DV，您就没有粒度数据来重放历史信息并重建DWH)
【讨论】：