{"canonical_url":"https://engineer.company/sv/glossary/data-warehouse/","content_markdown":"# Analysdatalager\n\n## Vad det är\n\nEtt analysdatalager är en databas som byggs för att besvara frågor om en\nverksamhet, inte för att driva den. Systemen som tar emot beställningar, bokar\nleveranser, skickar fakturor och registrerar supportärenden har var och ett sina\negna data, formade för sitt eget arbete. Analysdatalagret får kopior från dem\nalla, sparar kopiorna i flera år och ordnar dem så att en fråga som spänner över\nflera system blir en enda databasfråga i stället för en veckas export till\nkalkylark. Ofta säger man bara datalager, på engelska data warehouse, och\narbetet med att bygga och driva ett sådant kallas data warehousing.\n\nSkillnaden mot databaserna det kopierar från ligger i arbetsbelastningen. Ett\nordersystem läser och skriver några få rader åt gången, tusentals gånger i\nminuten, och håller bara nuet: när en kund flyttar skrivs den gamla adressen\növer. Ett analysdatalager skrivs i stora omgångar, läses av frågor som går\nigenom miljontals rader på en gång och sparar det förflutna med avsikt, så att\nfjolårets siffror fortfarande kan brytas ned så som verksamheten såg ut i fjol.\n\nRalph Kimball förde in dimensionsmodellering i branschen 1996, och Kimball Group\ndelar ett sådant system i två rum. Back room rymmer ETL-systemet, som de delar\nupp i 34 delsystem fördelade på fyra uppgifter: att hämta data ur källorna, att\nrensa och stämma av dem, att leverera dem till presentationsområdet och att\nstyra hela processen. Front room rymmer presentationsområdet, det som användarna\nfaktiskt ställer frågor mot. Det är organiserat efter affärsprocess, hållet på\nden mest detaljerade nivå som varje process registrerar, kompletterat med\naggregerade sammanställningar för snabbhetens skull och uppbyggt av fakta- och\ndimensionstabeller. Runt det finns BI-applikationerna: ad hoc-frågor,\nstandardrapporter, dashboards, styrkort (scorecards) och analysapplikationer.\nKimball Group beskriver front room som den del av systemet som verksamheten\nmöter.\n\nDet är inte den enda uppbyggnaden. Kimball Groups egen arkitektursida beskriver\nCorporate Information Factory, en hub-and-spoke-design där atomära data ligger i\nett normaliserat analysdatalager för hela företaget i tredje normalform och ett\nandra ETL-steg fyller dimensionella tabeller för rapportering, och en hybrid där\nett befintligt normaliserat analysdatalager förser ett dimensionellt\npresentationsområde. Gemensamt för alla är åtskillnaden: systemen som driver\nverksamheten är inte platsen där den analyseras.\n\nEtt analysdatalager är en roll, inte en produkt. Det kan vara en PostgreSQL-\neller Microsoft SQL Server-databas på en server som teamet driver själv, eller\nen hanterad tjänst som Google BigQuery, som Google beskriver som en fullt\nhanterad dataplattform som kombinerar ett datalager i molnet med analysverktyg.\nBigQuery håller lagring och beräkning åtskilda, så att de kan skalas var för\nsig, lagrar data kolumnvis i stället för radvis och tar emot frågor i\nANSI-standard-SQL.\n\n## Varför det spelar roll\n\nEtt företag som ställer samma fråga till två system får två svar. Försäljningen\nräknar en kund när en order läggs, ekonomi när fakturan är betald och support\nvarje gång ett ärende kommer in. Ingen av dem har fel utifrån sitt eget syfte,\noch ingen av dem stämmer med de andra. Analysdatalagret är platsen där man enas\nom en enda definition och skriver ner den i laddningen, så att varje rapport som\nbygger på den räknar på samma sätt.\n\nKimball Groups verktyg för det här är den gemensamma, avstämda dimensionen, på\nengelska conformed dimension: en kund, en produkt, en kalender, förvaltade\ncentralt i ETL-systemet och delade av varje faktatabell som behöver dem. En\nfaktatabell för försäljning och en för supportärenden som båda pekar på samma\nkunddimension kan jämföras rad för rad. Deras bussarkitektur ställer\naffärsprocesserna mot de dimensioner de delar, i en matris de kallar den\narkitektoniska ritningen, och den gör det möjligt att bygga analysdatalagret en\naffärsprocess i taget, vilket enligt Kimball Group kortar tiden till marknaden.\nEtt team kan leverera beställningar det här kvartalet och returer nästa utan att\nbygga om det som redan är levererat, så länge båda använder samma dimensioner.\n\nHistoriken är det andra skälet. Driftsystem håller det aktuella tillståndet; ett\nanalysdatalager kan hålla varje tillstånd. Kimballs teknik för en egenskap som\nändras, kallad typ 2, lägger till en ny rad i dimensionen med de nya värdena och\nen ny surrogatnyckel, och varje faktarad som laddas från det ögonblicket pekar\npå den nya raden. Försäljning från före flytten stannar i den gamla regionen;\nförsäljning efteråt hamnar i den nya. Minst tre extra kolumner, ett datum då\nraden börjar gälla, ett datum då den slutar gälla och en markering för aktuell\nrad, gör det möjligt att fråga vad som var sant ett visst datum.\n\nDet tredje skälet är ren belastning. En rapport som går igenom tre års\nbeställningar hör inte hemma på databasen som tar emot dagens beställningar, där\nden konkurrerar med kassan om samma minne, samma diskar och samma lås. När\nanalysen flyttar till en egen databas kan varje sida trimmas för sitt eget\narbete.\n\nPriset är att ett analysdatalager är en kopia. Det är så färskt som den senaste\nladdningen och så korrekt som reglerna i den, och någon måste äga båda delarna:\nnär laddningen körs, och de definitioner av en försäljning, en kund och en månad\nsom verksamheten har enats om.\n\n## Så ser det ut i praktiken\n\nKärnan i ett dimensionellt analysdatalager är en faktatabell vars granularitet,\npå engelska grain, bestäms först, här en rad per orderrad, omgiven av de\ndimensioner som beskriver den. Kunddimensionen har kolumnerna för typ 2, så att\nen kund som flyttar får en ny rad i stället för en överskriven.\n\n```sql\nCREATE TABLE dim_customer (\n    customer_key bigint PRIMARY KEY,   -- surrogatnyckel, ägs av lagret\n    customer_id  text NOT NULL,        -- nyckeln i källsystemet\n    region       text NOT NULL,\n    valid_from   date NOT NULL,\n    valid_to     date,                 -- tom så länge raden är aktuell\n    is_current   boolean NOT NULL\n);\n\nCREATE TABLE fact_order_line (\n    date_key     integer NOT NULL REFERENCES dim_date,\n    customer_key bigint  NOT NULL REFERENCES dim_customer,\n    product_key  bigint  NOT NULL REFERENCES dim_product,\n    quantity     integer NOT NULL,\n    net_amount   numeric(12, 2) NOT NULL\n);\n\nSELECT d.year, c.region, sum(f.net_amount) AS revenue\nFROM fact_order_line AS f\nJOIN dim_date AS d USING (date_key)\nJOIN dim_customer AS c USING (customer_key)\nGROUP BY d.year, c.region\nORDER BY d.year, c.region;\n```\n\nEftersom varje orderrad laddades med den kundrad som var aktuell då, visar\nfrågan intäkterna fördelade på den region kunden bodde i när köpet gjordes. Om\nman i stället joinar på `customer_id` och filtrerar på `is_current` räknas hela\nhistoriken om efter dagens regioner. Båda frågorna är legitima, och modellen\nbesvarar båda utan en extra kopia av datan.\n\nTjänsten [Design av datalager](/sv/services/data-warehousing/) lovar just det första skälet: siffror från försäljning, drift och ekonomi samlade på ett ställe, så att två avdelningar slutar komma med två olika svar till samma möte. I större skala [utformade och förvaltade grundaren 100 datalagerdatabaser](/sv/portfolio/ran-100-postgresql-ms-sql-bigquery-warehouses/) i PostgreSQL, Microsoft SQL Server och Google BigQuery mellan 2022 och 2024, främst med GIS- och tidsseriedata som spatiala koordinater och sensoravläsningar. Arbetet kombinerade normaliserade och denormaliserade tabellayouter med spatial indexering (PostGIS i PostgreSQL) och tidsseriepartitionering på de två första plattformarna, och tidspartitionerade, klustrade tabeller med komprimering och kolumnlagring i BigQuery. Svarstiderna för databasfrågor mot GIS- och tidsseriedata minskade med 40–60 %, och den optimerade infrastrukturen gjorde det möjligt för organisationen som använde dessa databaser att lansera nya datadrivna produkter som dashboards för realtidsanalys.\n\n## Var det går fel\n\n**En faktatabell blandar två granulariteter, och varje summa räknar vissa\npengar två gånger.** En order har rader, och den har också en fraktavgift som\nhör till ordern som helhet. Läggs avgiften på varje rad räknar en summa över\nraderna den en gång per rad. I Kimball Groups designprocess i fyra steg kommer\nfastställandet av granulariteten som nummer två, direkt efter valet av\naffärsprocess och innan någon dimension eller något faktum namnges, och deras\nregel är att olika granulariteter inte får dela en faktatabell. Håll en separat\nfaktatabell på ordernivå för belopp som hör till hela ordern, eller fördela\navgiften på raderna enligt en regel som verksamheten godkänner.\n\n**En kund flyttar, och fjolårets rapport ändras.** När regionen på kundraden\nbara skrivs över följer all tidigare försäljning med kunden till den nya\nregionen, och en rapport som godkändes i januari berättar en annan historia i\njuni. Hantera egenskaper där historiken spelar roll med typ 2: stäng den\naktuella raden och lägg till en ny med en ny surrogatnyckel, i en och samma\ndatabastransaktion, så att ingen laddning någonsin ser två aktuella rader.\n\n```sql\nBEGIN;\nUPDATE dim_customer\nSET valid_to = current_date, is_current = false\nWHERE customer_id = 'C-1042' AND is_current;\nINSERT INTO dim_customer\n    (customer_key, customer_id, region, valid_from, valid_to, is_current)\nVALUES (90731, 'C-1042', 'Norr', current_date, NULL, true);\nCOMMIT;\n```\n\n**Två team bygger var sin kunddimension, och diskussionen som analysdatalagret\nskulle avsluta börjar om.** Ett nytt ämnesområde går snabbare att leverera med\nen egen kopia av kund- eller produktlistan, och varje kopia glider isär från de\nandra: en utelämnar avslutade konton, en annan slår ihop dubbletter på ett annat\nsätt. Bygg de gemensamma dimensionerna en gång i ETL-systemet och låt varje ny\nfaktatabell använda dem. Bussmatrisen är checklistan: innan en affärsprocess\nläggs till visar den vilka befintliga dimensioner den nya faktatabellen ska peka\npå.\n\n**Rapporterna pekar på staging-tabellerna.** Råa kopior av källorna landar först\ni back room, och när de väl ligger där är det frestande att fråga direkt mot\ndem, eftersom de redan är laddade. De tabellerna bär varje källas egna koder,\ndubbletter och luckor och ändras varje gång en källa gör det, så varje rapport\nsom bygger på dem ärver precis det problem som analysdatalagret skulle lösa.\nHåll back room för ETL-systemet ensamt, och ge rapporter, dashboards och\nanalytiker bara presentationsområdet, där de gemensamma dimensionerna och den\nfastställda granulariteten är det som får siffrorna att stämma.\n\n## Läs mer\n\n- [Kimball Technical DW/BI System Architecture](https://www.kimballgroup.com/data-warehouse-business-intelligence-resources/kimball-techniques/technical-dw-bi-system-architecture/)\n  — back room och front room, ETL-delsystemen, metadata och alternativen\n  hub-and-spoke och hybrid.\n- [Enterprise Data Warehouse Bus Architecture](https://www.kimballgroup.com/data-warehouse-business-intelligence-resources/kimball-techniques/kimball-data-warehouse-bus-architecture/)\n  — conformed dimensions, bussmatrisen och uppbyggnad en affärsprocess i taget.\n- [Four-Step Dimensional Design Process](https://www.kimballgroup.com/data-warehouse-business-intelligence-resources/kimball-techniques/dimensional-modeling-techniques/four-4-step-design-process/)\n  — affärsprocess, granularitet, dimensioner och fakta, i den ordningen.\n- [Type 2: Add New Row](https://www.kimballgroup.com/data-warehouse-business-intelligence-resources/kimball-techniques/dimensional-modeling-techniques/type-2/)\n  — historik för en egenskap som ändras, med en ny rad, en ny surrogatnyckel och\n  tre extra kolumner.\n- [BigQuery overview](https://docs.cloud.google.com/bigquery/docs/introduction)\n  — Googles hanterade analysdatalager, med lagring och beräkning åtskilda och\n  data lagrade kolumnvis.\n\n\u003chttps://engineer.company/sv/glossary/data-warehouse/\u003e\n","date_modified":"2026-11-08T02:22:23Z","description":"Databasen ett företag bygger för att besvara frågor snarare än för att driva verksamheten: back room och front room, avsiktlig historik och fyra klassiska fel.","formats":{"gemtext":"https://engineer.company/sv/glossary/data-warehouse/index.gmi","gopher":"https://engineer.company/sv/glossary/data-warehouse/gophermap","html":"https://engineer.company/sv/glossary/data-warehouse/","json":"https://engineer.company/sv/glossary/data-warehouse/index.json","markdown":"https://engineer.company/sv/glossary/data-warehouse/index.md","pdf":"https://engineer.company/sv/glossary/data-warehouse/index.pdf"},"kind":"page","language":"sv","title":"Vad är ett analysdatalager?","url":"https://engineer.company/sv/glossary/data-warehouse/","version":1}