1、为什么要建设数据仓库？
为了更快更好的响应业务上的分析需求。
传统数据库是操作型数据库，数据仓库是分析型数据库
1.1、数据仓库建设方法？
建设流程：梳理业务主题--》ER图(ER模型)--》逻辑建模(关系模型)。其中，数据仓库建设过程即ER图到关系模型的实现过程，数仓模型也属于关系模型中的一种，只是在此基础上需要考虑几个问题：
1）哪些维度对分析主题有用？
2）如何使用当前数据建设维表？
3）用什么指标度量主题？
4）如何使用当前数据建设事实表？
1.2、什么要设计数据分层？
1）数据结构更清晰
2）开发过程更明了
3）级联关系更明确、口径更统一
4）复杂问题标准化
1.3、数据层级有哪些？
数据源--》数据缓冲层--》数据明细层--》数据中间层--》数据分析层--》数据应用层，越往上层，聚合程度越高。
1）数据缓冲层：从数据源中接入并ETL抽取出来的数据
2）数据明细层：将数据缓冲层按照维度抽离、主题抽取形成的事实表，粒度一般在秒级以下
3）数据中间层：常用维度的轻度汇总表，保留了通用维度
4）数据分析层：为主题服务的主题宽表，仅保留1~2个能反映主题的维度
5）数据应用层：制作报表的上层汇总表，粒度一般在天级以上
1.4、数据仓库建设时，如何设计数据体系？
设计流程：梳理业务--》提炼主题--》提炼维度--》提炼事件、提炼度量--》思考公共维表设计--》思考主题事实表设计--》思考多维分析表设计
2、为什么要做元数据管理？
为了更好的管理不同层级数据表的属性，以及其间的关联关系、父子关系，以实现快速追溯、核查。
3、为什么要做数据质量管理？
为了保证数据的完整性、准确性、一致性、及时性。一旦数据质量出现问题，任何用数据作支撑的业务分析都是无价值的。
3.1、数据质量管理哪些方面？
1）完整性：缺失值，记录的缺失或者字段值的缺失，通常在数据接入层。
2）准确性：异常值，数据记录中是否存在异常值或错误值，通常在数据清洗层。
3）一致性：口径统一，各个指标在不同层不同表的统计口径是否保持一致，通常在数据清洗层。
4）及时性：响应时间，数据结果能否及时输出给到服务方，通常在数据结果层。
3.2、数据质量管理办法？
异常监测规则--》异常告警--》反馈处理
异常监测：完整性 - 一般监测表的数据量波动情况；准确性 - 一般监测通用维度下的数据量波动情况；一致性 - 比较不同表出处的指标大小；及时性 - 统计各表输出结果的运行时间（算法监控设计）
异常告警：设定告警的可用规则，配置相应的告警。
反馈处理：可以对告警进行标记，可以对告警进行处理
