http://student-lp.iteye.com/blog/2263154
OLAP（On-LineAnalysis Processing）在线分析处理是一种共享多维信息的快速分析技术；利用多维数据库技术使用户从不同角度观察数据；用于支持复杂的分析操作，侧重于对管理人员的决策支持，可以满足分析人员快速、灵活地进行大数据复量的复杂查询的要求，并且以一种直观、易懂的形式呈现查询结果，辅助决策。
2.相关概念
（1）维
是人们观察数据的特定角度，是考虑问题时的一类属性集合构成一个维（如时间维、地理维等）。
（2）级别（Level）
人们观察数据的某个特定角度（即某个维）还可以存在细节程度不同的各个描述方面（如时间维：日期、月份、季度、年）。即维的级别。
（3）成员（Member）
维的一个取值，是数据项在某维中位置的描述。（“某年某月某日”是在时间维上位置的描述）。
（4）度量（Measure）
多维数组的取值，如“某年某月某日的工资”。
（5）钻取（Drill-up和Drill-down）
改变维的层次，变化分析的粒度。Drill-up是将低层次的数据概括到高层次的汇总数据或者说是减少维度；drill-up则是相反，是将汇总的数据深入到细节，或说是增加新维。
（6）切片和切面
是在一部分维上选定值后，关心度量数据在剩余维上的分布。如果剩余的维只有两个，则是切片；如果有三个或以上，则是切块。
（7）旋转
是变换维的方向，即在表格中重新安排维的放置（例如行列互换）
根据事实表和维度表的关系，又可将常见的模型分为星型模型和雪花型模型。
星形模型：当所有维度表连接到事实表上的时候，整个图就像一个星星，故称之为星型模型。星型架构是一种非正规化的结构，多维数据集的每一个维度都直接与事实表相连，不存在渐变维度，所以数据有一定冗余。因为有冗余，所以很多统计不需要做外部的关联查询，因此一般情况下效率比雪花模型高。维表对应于各个分析的角度，它除了主键以外还包含描述和分类信息。
雪花模型：当有多个维度表没有直接连接到事实表上，而是通过其他维度表连接到事实表上时，其图形就像雪花，故称雪花模型。雪花模型的优点是减少了数据冗余，所以一般情况下查询需要关联其他表。在冗余可接受的前提下使用星型模型。
星型模型和雪花模型的区别在于：维度表是直接连接到事实表还是其他维度表。
比如按省市县的维度分析销量。星形模型的销量事实表中字段有id,省code,市code,县code，销量。事实表直接与省、市、县关联。而雪花模型销量事实表中字段有id,县code，销量。在按省分析销量时，事实表—县维度—市维度—省维度关联起来分析。
3. 星座模式
星座模式(Fact Constellations Schema)也是星型模式的扩展。基于这种思想就有了星座模式：
前面介绍的两种维度建模方法都是多维表对应单事实表，但在很多时候维度空间内的事实表不止一个，而一个维表也可能被多个事实表用到。在业务发展后期，绝大部分维度建模都采用的是星座模式。
从大数据谈起1：OLTP和OLAP的设计区别
https://blog.csdn.net/u010482626/article/details/9213735
在设计大数据处理系统时，首先需要从这两个层面来考虑，需要考虑的因素包括：1、数据大小有多大；2、数据如何使用；3、数据更新频率。
从目前来看需要大数据的主要应用领域，也只有两个：联机事务处理OLTP（On-line Transaction Processing）、联机分析处理OLAP（On-Line Analytical Processing）。
OLTP
是传统的关系型数据库的主要应用，主要是基本的、日常的事务处理，例如银行交易。一般就是把大数据用于在线业务，比如淘宝的订单交易、商品展示、历史交易、百度的网页搜索、新浪的微博内容展示等。这种需求要求有实时性，查询以后需要在秒级别返回，且对于服务稳定性和容错性有一定要求的。另外，读操作的数量远远大于写操作，且增量数据的大小要远远小于历史数据。在设计OLTP的数据系统中，主要技术难点有：
分层、分片、分布式事务
OLAP
是数据仓库系统的主要应用，支持复杂的分析操作，侧重决策支持，并且提供直观易懂的查询结果。一般不需要表关联，直接读取单表即可。
OLAP主要是做离线分析，对时效性要求不高，跑几个小时到几天问题都不大，并且机器挂了也没事，大不了restart一下。但是这种系统往往数据量非常大，维数特别多，基本都需要把历史数据全部扫描1-2遍。在设计OLAP系统里主要涉及到技术有：
列存储、降维、切分
| OLTP |
OLAP |
|
| 用户 |
操作人员，低层管理人员 |
决策人员，高级管理人员 |
| 功能 |
日常操作处理 |
分析决策 |
| 设计 |
面向应用 |
面向主题 |
| 数据 |
当前的， 最新的细节的， 二维的分立的 |
历史的， 聚集的， 多维的，集成的， 统一的 |
| 存取 |
读/写数十条记录 |
读上百万条记录 |
| 工作单位 |
简单的读写 |
复杂查询 |
| DB大小 |
0-100G |
TB-PB级别 |
OLTP做起来相对容易。小型项目用mysql+redis+memcached足够应付。大型项目在开源社区的支持下，hadoop +hbase+redis也可以从无到有地应对需求。而大型商业产品推出的分布式数据库，和一些开源分布式产品，例如淘宝开源的OceanBase都在保证分布式数据库的ACID的原子性上进行了一定程度的尝试。
OLAP较为复杂，由于数据是多维的， SQL语言Hold不住了。在这方面建模和抽象变得很重要，如何解决数据的语义性和查询的可描述性变得很困难。目前OLAP主要的开源产品包括HDFS、HIVE和Impala等
总体来看，如何根据需求来设计系统才是一个技术人员需要考虑的问题，过分的设计和过分的资源消耗都是不合适。下次我们再介绍下OLTP里的分层思想
BI学习之一创建一个简单的Olap多维数据集的展现
讲解利用vs创建一个商业智能项目->Analysis Services项目。简单讲解如何创建维度表、事实表和分析报表。
第二篇：数据仓库与数据集市建模
写的特别好。重点看下。
缓慢变化维度问题
虽然，维表的数据比事实表更稳定。但不论如何维度在某些时候总会发生一些变化。在之前曾抛出一个问题：为什么维度建模后的关系不是***ID，而是***Key了。这样做的目的其实就是为了解决一种被称为缓慢维度变化(slowly changing dimension)的问题。在维度变化后，一部分历史信息就被丢掉了。比如张三是某公司会员。
但仅仅这么做还是不够的，代理码需要配合时间戳，以及行标识符使用才能解决缓慢维度变化的问题。如下CUSTOMER表使用该方法避免缓慢维度变化：
可以看到用户张三对应新维度的TaxBracket状态由Low变成了High。如果需要统计张三的相关行为，那么可以让所有记录用CustomerID字段Join事实表；如果要统计当前TaxBracket为Low的用户状态，则可将Row Indicator字段为Current的记录用CustomerKey字段Join事实表；如果要统计历史TaxBracket状态为Low的用户情况，则只需要将TaxBracket属性为Low的用户记录的CustomerKey属性与事实表关联。