KAP v2.5 新特性之智能化的建模

为什么企业需要快速建模的能力？

数据仓库作为一种数据环境，具有面向分析、提供管理决策支持的重要作用。而在数据仓库中，多维数据模型能够满足大多数企业的数据分析需求——它提供了多角度多层次的分析应用，比如基于时间维度、地域维度等构建的销售星形模型、雪花模型，可以实现在各时间维度和地域维度的交叉查询，以及基于时间维度和地域维度的细分。

传统的多维模型建模，具有冗长而复杂的特点。首先要选择业务过程，其次声明数据粒度，之后确定维度字段和事实字段。其中，由于业务过程是由很多微观的业务活动组成的，比如注册用户、获得订单、开具发票、接受付款、处理索赔等等。因此，建模人员需要耗费大量时间去理解和组织业务活动，这样创建的模型最终才能回答业务分析的具体问题，为管理决策提供权威的数据支持。

而在当前的信息时代，业务的快速反应能力决定了很多企业能否把握准确的时机，甚至决定了很多企业在关键时刻的生死存亡。比如零售行业，尤其是电商方向的企业，管理决策层需要关注引起利润变化的因素并迅速调整的营销策略。因此，快速建模或者调整数据模型才可以支持这类的业务快速反应能力。

KAP 支持业务的快速反应

KAP 支持标准 SQL 接口，通过 JDBC 和 ODBC 无缝对接主流 BI 产品，完全匹配商业分析师熟悉的分析模式。分析师无需了解大数据底层架构，可以在海量大数据上进行交互式的分析，释放了大数据生产力。

不同的企业中，常用的业务分析问题是基本固定的，比如零售行业的常见问题“同样的营销模式下，不同渠道的利润差别有多大？”。而这些常用的业务分析问题都已经转化为固定的的查询报表、成体系的 SQL 查询语句或者商业分析师相对稳定的查询模式。

KAP v2.5 支持自动创建合适的模型，减少了建模人员了解业务细节的时间成本，消除了建模人员与业务人员的磨合成本，大大增加了企业的快速反应能力。

KAP v2.5 的自动建模之路

具体来说，KAP v2.5 增强了智能化的建模，模型推荐支持通过 SQL 自动生成模型， Cube 优化器支持多种存储优化策略。另外，新增了通过 SQL 验证模型的能力，支持对业务分析需求变化的快速响应。

模型推荐

模型从无到有的部分，最考验建模人员对业务逻辑和查询需求的理解。传统多维模型的建模耗时耗力，而且对最终所创建的模型是否能回答业务查询无法保证。KAP v2.5 支持通过 SQL 自动生成模型。导入源表后，即可通过输入 SQL 自动创建模型，实现了从 SQL 到模型的一键生成。以查询 SQL 为依据，自动生成的模型可以准确的回答这些查询 SQL。

多策略的 Cube 优化器

Cube 是数据仓库中一个经典的概念，是多维模型的一个形象的说法。传统 OLAP  技术下，Cube 虽然能存储大量维度，但随着维度增加， Cube 所需要的存储空间也会呈几何倍数增长。比如一个 Cube 中包含了 N 个维度，那么这 N 个维度将生成 2N 个维度组合。这些成倍增长的维度组合中，有很多在整个 Cube 的生命周期里都不会被使用，同时由于维度组合数爆炸而带来的存储膨胀、构建时间冗长、甚至查询性能由此而下降的弊病。

为了解决这个问题 KAP 提供了多种场景下，对 Cube 的优化设置，帮助用户筛选出真正会被使用到的  Cube 维度组合，避免大量存储资源被无效的维度组合耗用，缩短构建时间。优化设置包括衍生维度、聚合组、联合维度、层级维度、必要维度和 Rowkey 等。

结合不同的业务场景，合理的使用这些优化设置能够使数据建模事半功倍。根据这些优化设置的方法，商业分析师可以定制精确满足业务场景的 Cube，避免 Cube 爆炸的问题。

Cube 优化器提供了多种优化策略来满足不同的业务场景， 其中模型优先策略，充分利用数据自身的逻辑关系优化 Cube，满足灵活查询场景；业务优先策略，定向加速指定 SQL，用最小的存储成本支持常见的报表查询模式；综合优化策略，支持以上两种需求，满足了多种优化场景。

快速验证 SQL

同样，在传统的 OLAP 技术下，数据模型需要在构建后才能得到验证。每一次模型从设计到验证，需要付出很大的时间成本与资源代价，滞后的模型设计反馈难以满足当前快节奏的市场变化。

KAP v2.5 支持的快速验证能力，极大地加速了模型反馈。无需构建，建模后即可快速验证模型是否满足业务查询 SQL，快速响应业务分析需求变化。

总结

在当前的信息时代，业务的快速反应能力决定了很多企业能否把握准确的时机，KAP 致力于帮助更多企业把握时机，通过支持以 SQL 为中心的自动建模，支持模型设计快速验证，以响应瞬息万变的市场需求，实现更多企业的商业价值与使命。