数据建模指的是对现实世界各类数据的抽象组织，确定数据库需管辖的范围、数据的组织形式等直至转化成现实的数据库。
在如何构建数据仓库方面，这两种截然不同的思想流派：Inmon 方法和 Kimball 方法。他们的关键区别在于数据结构如何建模、加载和存储在数据仓库中。
这种差异会影响数据仓库的交付时间以及适应 ETL 设计未来变化的能力。
Inmon提出的集线器的自上而下（EDW-DM）的数据仓库架构。操作型或事务型系统的数据源，通过ETL抽取转换和加载到数据仓库的ODS层，
然后通过ODS的数据建设原子数据的数据仓库EDW，EDW不是多维格式的，不方便上层应用做数据分析，
所以需要通过汇总建设成多维格式的数据集市层。优势：易于维护，高度集成；劣势：结构死板，部署周期较长
Inmon表示应该围绕主题来组织数据仓库中的数据，每个主题区域仅仅包含该主题相关的信息，数据仓库应该一次增加一个主题。
Kimball提出的总线式的自下而上（DM-DW）的数据仓库架构。同样的，操作型或事务型系统的数据源，通过ETL抽取转换和加载到数据仓库的ODS层，
然后通过ODS的数据，利用维度建模方法建设一致维度的数据集市。通过一致性维度可以将数据集市联系在一起，由所有的数据集市组成数据仓库。
优势：构建迅速，最快的看到投资回报率，敏捷灵活；劣势：作为企业资源不太好维护，结构复杂，数据集市集成困难。
Kimball表示数据仓库仅仅是构成它的数据集市的联合，通过一系列维数相同的数据集市递增得构建数据仓库。每个数据集市将联合多个数据源来满足特定的业务需求。
通过一致的维度，能够看到不同数据集市中的信息。
范式建模、维度建模、Data Valut、Archor Modeling
本质是模型打散程度的区别。
1、维度建模为了更好的支撑分析、降低查询人员的使用难度，往往会将数据进行比较集中的组织和管理。此情况的极限是只有一张表。
2、3NF、Data Valut、Archor Modeling对数据的管理规范越来越严格，去冗余程度越来越高。
3、Data Valut模型不同于关系模型和维度模型，
从形式上看，Data Valut模型存储来自多个操作型系统的完整的历史数据并不做任何清洗、转换，即使各业务系统中的数据质量层次不齐。
从本质上看，Data Valut数据模型是一种3NF和维度建模相结合的建模方法，主要适用于企业级数据仓库或数据中台的建模。
1、范式建模：Inmon提出的集线器的自上而下（EDW-DM）的数据仓库架构。
范式（NF）
一张数据表的表结构所符合的某种设计标准的级别。
第一范式（1NF）：符合1NF的关系中的每个属性都不可再分。
第二范式（2NF）：消除了非主属性对码的部分函数依赖。
第三范式（3NF）：3NF在2NF的基础之上，消除了非主属性对于码的传递函数依赖。
一个符合第三范式的关系必须具有一下三个条件：
每个属性的值唯一，不具有多义性;
每个非主属性必须完全依赖于整个主键，而非主键的一部分;
每个非主属性不能依赖于其它关系中的属性；
2、维度建模：Kimball提出的总线式的自下而上（DM-DW）的数据仓库架构。
一般用到的模型有：
星型模型、雪花模型、星座模型
一般dw层(明细层，数据粒度与ods层一致)会采用范式建模。dm层会采用维度建模。
经典的4层分层：
ods：operation data store原始数据层，数据保持原貌不做处理。
dwd：data warehouse detail明细数据层，结构和粒度与原始表保持一致，对ods层数据进行清洗（去除空值，脏数据）。
(dwm：Data Warehouse Middle中间层)。
dws：data warehouse service数据汇总层，数据轻度汇总。
ads：application data store 数据应用层，为各种统计报表提供数据。
7、实时数仓和离线数仓区别？同一业务线数据建模分层必须一样么？ 数据仓库建模阶段划分：业务建模、概念建模、逻辑建模、物理建模
数据湖是一个集中式存储库，允许你以任意规模存储所有结构化和非结构化数据。