©2020-2024 ioDraw All rights reserved
Kimball和Inmon是两种主流的数据仓库方法论，分别由 Ralph Kimbal大神 和 Bill Inmon大神提出，在实际数据仓库建设中，业界往往会
相互借鉴使用两种开发模式
Inmon和Kimball是数据仓库领域伟大的开拓者，他们均多年从事数据仓库的研究，Inmon还被称为“数据仓库之父”。Inmon的《数据仓库》和Kimball的《数据仓库工具箱》都是此领域的经典之作。后来人把这两人的数据仓库思想总结为“Inmon理论”和“Kimball理论”。他们的思想有共同点，也有不同点。
什么是数据仓库:数据仓库之父 Inmon的经典定义如下：数据仓库（Data Warehouse）是一个面向主题的（Subject
Oriented）、集成的（Integrated）、相对稳定的（Non-Volatile）、反映历史变化（Time
Variant）的数据集合，用于支持管理决策（Decision Making Support）。
1. 共同点
（1）均极力推崇数据仓库，认为从OLTP到BI分析之间建立数据仓库是很有必要的；
（2）均认为数据仓库的建立需要从企业整体角度出发，迭代开发，尽量避免按部门建立独立的数据仓库；
（3）数据进入数据仓库之前，需要经过ETL整合。
2. 不同点
Inmon理论
（1）数仓概念：数据仓库（Data Warehouse）是一个面向主题的（Subject
Oriented）、集成的（Integrated）、相对稳定的（Non-Volatile）、反映历史变化（Time
Variant）的数据集合，用于支持管理决策（Decision Making Support）；
（2）自上而下按照主题建立数据仓库，如按照客户、供应商、产品等建立不同的主题。开发过程中每次增加一个主题；
（3）当建立的数据集市是跨多个主题的，需要以整合好的主题数据为基础。
Kimball理论
（1）自下而上，维度建模；
（2）先按照业务主线建立最小粒度的事实表，再建立维度表，形成数据集市，通过“一致维度”能够共同看到不同数据集市的信息；
1.什么是Kimball
1.1 概念
Kimball 模式从流程上看是是自底向上的，即从数据集市到数据仓库再到数据源(先有数据集市再有数据仓库
)的一种敏捷开发方法。对于Kimball模式，数据源往往是给定的若干个数据库表，数据较为稳定但是数据之间的关联关系比较复杂，需要从这些OLTP中产生的事务型数据结构抽取出分析型数据结构，再放入数据集市中方便下一步的BI与决策支持。
1.2 流程
通常，Kimball都是以最终任务为导向。首先，在得到数据后需要先做数据的探索，尝试将数据按照目标先拆分出不同的表需求。其次，在明确数据依赖后将各个任务再通过ETL由Stage层转化到DM层。这里DM层数据则由若干个事实表和维度表组成。接着，在完成DM层的事实表维度表拆分后，数据集市一方面可以直接向BI环节输出数据了，另一方面可以先DW层输出数据，方便后续的多维分析。
Kimball支持数据仓库总线结构，提倡维度建模，以星型模型或是雪花模型等方式构建维度数据仓库。架构体系中，数据集市于维度数据仓库是紧密结合的，数据集市是数据仓库中一个逻辑上的主题域。各种前端工具将可以直接访问使用维度数据仓库。
Kimball往往意味着快速交付、敏捷迭代，不会对数据仓库架构做过多复杂的设计，在变换莫测的互联网行业，这种架构方式逐渐成为一种主流范式。
2. 什么是Inmon
2.1 概念
Inmon 模式从流程上看是自顶向下的，即从数据源到数据仓库再到数据集市的（先有数据仓库再有数据市场）一种瀑布流开发方法。
对于Inmon模式，数据源往往是异构的，比如从自行定义的爬虫数据就是较为典型的一种，数据源是根据最终目标自行定制的。这里主要的数据处理工作集中在对异构数据的清洗，包括数据类型检验，数据值范围检验以及其他一些复杂规则。在这种场景下，
数据无法从stage层直接输出到dm层，必须先通过ETL将数据的格式清洗后放入dw层，再从dw层选择需要的数据组合输出到dm层。
在Inmon模式中，并不强调事实表和维度表的概念，因为数据源变化的可能性较大，需要更加强调数据的清洗工作，从中抽取实体-关系。
2.2 流程
通常，Inmon都是以数据源头为导向。首先，需要探索性地去获取尽量符合预期的数据，尝试将数据按照预期划分为不同的表需求。其次，明确数据的清洗规则后将各个任务通过ETL由Stage层转化到DW层，这里DW层通常涉及到较多的UDF开发，将数据抽象为实体-关系模型。接着，在完成DW的数据治理之后，可以将数据输出到数据集市中做基本的数据组合。最后，将数据集市中的数据输出到BI系统中去辅助具体业务。
3.Kimball VS Inmon 优劣比较
Kimball方式对团队技术水平要求不太高，更易于实现，从小型的主题域数据集市建设起，但在逐步建设过程中，联合维度数据仓库的一致性较难控制，适用于战术层级的规划，或是有迫切的目标需要实现。
Inmon的方式，规范性较好，数据集成和数据一致性方面得到处理，适用于较为大型的企业级、战略级的规划。但对团队的要求较高，且实现周期较长、成本高昂。具体可根据企业的规模、项目规划、预算、团队等角度进行综合考虑。
特性KimballInmon
时间快速交付路漫漫其修远兮
开发难度小大
维护难度大小
技能要求入门级专家级
数据要求特定业务企业级
4.特征对比