在 SQL Server 中建置資料倉儲的核心概念與架構

資料倉儲是企業商業智慧 (BI) 的基礎設施。SQL Server 提供完整的 OLAP 與資料採礦能力，支援從關聯式資料倉儲到多維度分析的端到端建置。本文介紹核心概念術語與架構要素。

七大核心概念定義

1. 多維度資料集

OLAP 的核心物件，從資料倉儲子集建構，將資料組織為由「維度」與「量值」定義的多維結構，提供極速查詢回應。

2. 維度

多維資料集的結構特徵，對應事實資料表中的描述性分類。具備階層結構 (層級)，如：時間維度 → 年 → 季 → 月 → 日；地理維度 → 國家 → 縣市 → 鄉鎮。

3. 量值

多維資料集的中心數值，基於事實資料表的數值欄位 (如銷售額、成本、數量、生產數)。最終使用者瀏覽多維資料集時重點分析的數字指標。

4. 中繼資料

描述 OLAP 元件與應用程式結構模型的資料。記錄 OLTP 資料表、資料倉儲多維資料集等物件定義，以及應用程式對資料塊的引用關係。

5. 層級

維度階層結構的元素，描述資料從最高層 (摘要/彙總) 到最低層 (明細/詳細) 的鑽研路徑。

6. 資料採礦

定義包含分群與預測規則的模型，套用至關聯式資料庫或多維 OLAP 資料集，自動執行複雜分析，發掘趨勢與機會。

7. 多維 OLAP (MOLAP) 儲存模式

分區彙總與來源資料複本以多維結構儲存在分析伺服器上。依彙總比例與設計，提供最快查詢回應潛力。適合高頻使用、需極速回應的多維資料集分區。

SQL Server BI 架構三層模型

┌─────────────────────────────────────┐
│         前端呈現層                   │  Excel、Reporting Services、Power BI、自訂 App
├─────────────────────────────────────┤
│         語義/分析層                  │  Analysis Services (多維/表格式模型)、資料採礦
├─────────────────────────────────────┤
│         資料整合層                   │  SSIS (ETL)、資料品質服務 (DQS)、Master Data Services
├─────────────────────────────────────┤
│         階段性儲存區 (Staging)       │  ODS、暫存資料表
├─────────────────────────────────────┤
│         來源系統層                   │  ERP、CRM、檔案、Web API、外部資料
└─────────────────────────────────────┘

資料倉儲建置關鍵步驟

1. 需求分析與維度建模：Kimball 星狀/雪花綱要設計，確認事實表與維度表
2. ETL 設計與實作：SSIS 封裝抽取、清洗、轉換、載入 (SCD Type 1/2 維度維護)
3. Analysis Services 專案建立：資料來源檢視 (DSV) → 多維/表格式模型 → 維度/量值群組定義
4. 彙總設計與分區策略：使用彙總設計精靈、依時間/地理分區、設定主動式快取
5. 部署與處理：完整/增量處理、排程自動化、處理狀態監控
6. 安全性與角色：維度資料安全性、角色權限、動態資料過濾
7. 效能調校：彙總使用率分析、查詢日誌分析、分區合併/分割

儲存模式選擇指南

延伸閱讀建議

• Kimball 《The Data Warehouse Toolkit》維度建模經典
• SQL Server Analysis Services 文件：表格式模型 (Tabular) 現代替代方案
• DAX 語言與 Power BI 整合應用