Data Cube ช่วยให้สามารถสร้างแบบจำลอง (Model) และมองข้อมูลในหลายมิติ (Dimensions) ได้ แสดงโดย Dimensions และ Facts กล่าวคือ Dimensions คือมุมมองหรือเอนทิตี้ที่เกี่ยวข้อง ซึ่งองค์กรต้องการเก็บบันทึก
ตัวอย่าง: AllElectronics สร้าง Sales Data Warehouse เพื่อเก็บบันทึกมิติที่เกี่ยวกับการขายของร้าน ได้แก่ Time, Item, Branch, และ Location มิติเหล่านี้ช่วยให้ร้านติดตามสิ่งต่างๆ เช่น ยอดขายรายเดือนของสินค้า และสาขา/สถานที่ที่ขายสินค้าเหล่านั้น
แต่ละมิติอาจมีตารางที่เกี่ยวข้อง เรียกว่า Dimension Table ซึ่งอธิบายมิติเพิ่มเติม ตัวอย่าง: Dimension Table สำหรับ Item อาจมี Attributes ได้แก่ Item Name, Brand, และ Type Dimension Tables สามารถกำหนดโดยผู้ใช้ ผู้เชี่ยวชาญ หรือสร้าง/ปรับเปลี่ยนอัตโนมัติตาม Data Distributions
Multidimensional Data Model โดยทั่วไปจัดระเบียบรอบธีมกลาง (Central Theme) เช่น Sales Fact Table กำหนดธีมนี้ Facts คือ Measures แบบตัวเลข ตัวอย่าง Facts สำหรับ Sales Data Warehouse ได้แก่ Dollars Sold (ยอดขายเป็นดอลลาร์), Units Sold (จำนวนหน่วยที่ขาย), และ Amount Budgeted (งบประมาณที่จัดสรร) Fact Table มีชื่อ Facts/Measures และ Keys ไปยัง Dimension Tables ที่เกี่ยวข้องแต่ละตัว
Data Cube สร้างจาก Subset ของ Attributes ในฐานข้อมูล Attributes เฉพาะถูกเลือกเป็น Measure Attributes (ค่าที่สนใจ) Attributes อื่นถูกเลือกเป็น Dimensions หรือ Functional Attributes Measure Attributes ถูก Aggregate ตาม Dimensions
ตัวอย่าง: XYZ สร้าง Sales Data Warehouse สำหรับมิติ Time, Item, Branch, Location มิติเหล่านี้ช่วยติดตามยอดขายรายเดือน สาขา และสถานที่ที่ขาย แต่ละมิติมีตารางที่เกี่ยวข้อง เรียกว่า Dimensional Table ซึ่งกำหนดมิติ ตัวอย่าง: Dimension Table สำหรับ Item มี Attributes: Item_name, Brand, Type
Data Cube Techniques เป็นวิธีที่น่าสนใจและมีหลาย Application Data Cubes อาจเป็น Sparse ในบางกรณี เพราะไม่ phảiทุก Cell ในทุกมิติจะมีข้อมูลตรงกันในฐานข้อมูล หาก Query มี Constants ที่ระดับต่ำกว่าที่ Data Cube รองรับ ไม่ชัดเจนว่าจะใช้ Pre-calculated Results ใน Data Cube ได้อย่างดีที่สุดอย่างไร
