[Документация Yandex Cloud](../index.md) > [Облачная терминология](index.md) > Базы данных > Data Mart

# Data Mart

Data Mart или витрина данных — база данных, предназначенная для решения специализированной задачи или набора задач из одной предметной области, например по поиску наименьшей цены товара, расчету загрузки производственных мощностей предприятия, организации тематических рассылок и т.п.

Альтернативная технология хранения данных — [Data Lake](datalake.md) или Озеро данных. Витрины данных похожи на бутилированную воду — очищенную и упакованную. Озера данных — это открытые водоемы, в которые вода стекается из различных источников.

## Отличия витрины от хранилища данных {#datamart-vs-storage}

В отличие от хранилища, где размещаются большие объемы разнородной информации, требующей высокой скорости доступа, в витрине содержатся только однородные данные. К этим данным предъявляются высокие требования по достоверности и оперативности обновления.

Характеристика                | Хранилище данных | Витрина данных
----------------------------- | ---------------- | --------------
Тип хранимой информации       | Разнородная      | Однородная
Объем хранимой информации     | Большой          | Средний или малый
Скорость доступа к информации | Средняя          | Высокая
Достоверность информации      | Средняя          | Высокая
Период обновления информации  | Произвольный     | Минимально возможный

## Преимущества Data Mart {#advantages}

* Время и стоимость создания витрины намного меньше затрат на создание хранилища.
* Данные для витрины можно размещать на разных аппаратно-программных комплексах и собирать по заранее настроенным запросам пользователя.
* Так как витрина представляет специализированную однородную информацию, ее может настроить один специалист в предметной области.
* Витрина обеспечивает быстрый доступ к необходимым пользователю сведениям.
* Благодаря относительно небольшому объему данных сокращается время анализа информации на витрине.
* За счет простой внутренней структуры витрину можно быстро перестроить в случае изменения информационной модели или задач пользователя.
* Так как решения Data Mart подразумевают деление данных по предметным областям, витрина позволяет гибко настраивать права доступа пользователей к информации.

## Типы Data Mart {#types}

Витрины данных бывают зависимыми, независимыми и гибридными.

* Зависимая витрина данных

   Данные для витрин собираются централизованно через хранилище данных. С помощью специализированных наборов запросов информация из хранилища перегружается в витрины с разными назначениями. Преимущество этого типа Data Mart — единый источник информации и простое обновление данных на витринах по запросам к хранилищу. Основное условие успешной работы — наличие хранилища с заранее верифицированными данными.

* Независимая витрина данных

   Данные для витрин не хранятся, а собираются по запросам из разнородных источников (например, сети интернет), что уменьшает затраты на создание и поддержание в актуальном состоянии баз данных предприятия. Для этого типа Data Mart сложнее получать актуальную информацию. Кроме того, полученные данные требуют дополнительного анализа и верификации. Независимая витрина подходит для небольших проектов, ограниченных временными и бюджетными рамками.

* Гибридная витрина данных

   Сочетает преимущества обоих предыдущих типов. Наличие хранилища позволяет автоматизировать обновление витрин и увеличить скорость доступа к актуальным данным. Запросы ко внешним источникам обеспечивают отсутствие жесткой привязки к одному источнику данных и гибкость получаемой информации.

## Применение витрин данных {#usage}

Витрины данных позволяют оптимизировать работу отдельных пользователей или подразделений. Важно понимать, что Data Mart не предназначены для решения задач комплексной цифровизации бизнес-процессов.

Витрины обеспечивают:

* Единство хранящихся данных.

   Поскольку все представляемые данные выбираются из единого хранилища, это гарантирует непротиворечивость информации для всех пользователей и подразделений. Отсутствуют потери времени на дополнительную верификацию и сопряжение данных.

* Высокую скорость доступа к информации.

   Пользователи получают доступ к нужному подразделу информации с помощью заранее подготовленных запросов к единому хранилищу и автоматических механизмов выгрузки данных в специализированные СУБД — витрины данных. Это экономит время сотрудников, так как не требует постоянного доступа к центральному хранилищу и помощи квалифицированных ИТ-специалистов. Вся информация доступна для назначенных витрин и прав пользователей по мере необходимости.

* Быстрое принятие решений на основе хранящейся статистики.

   Витрина данных предоставляет доступ ко всей необходимой аналитике в объеме назначенных прав пользователей и потребностей подразделений. Статистические данные, собранные в едином хранилище для решения других задач, не мешают анализировать информацию по выбранной витрине.

* Простое создание и применение.

   Так как витрина данных настраивается на обслуживание задач конкретного направления, подразделения или пользователя, создание витрин проще и быстрее, чем создание единой аналитической базы данных. Для работы витрины достаточно наличия хранилища неструктурированных данных и запросов по выборке интересующей нас информации из этого хранилища.

* Гибкость и масштабирование решений.

   Поскольку представляемые данные изначально собираются не в витрины, а в хранилища данных, для перенастройки требуемой аналитики достаточно изменить запросы по выборке информации.
   Лучшей аналогией этого процесса является куб (хранилище данных), у которого мы можем увидеть любую грань (витрину) по нашему выбору.

* Анализ динамики получаемой информации.

   Для анализа изменения данных достаточно добавить к запросам по выборке информации при построении витрины еще один срез — время. Поскольку данные поступают в единое хранилище постоянно, это не требует перестройки работы хранилища в целом.

При создании Data Mart важно не попасть в другую крайность. Множество разнородных независимых витрин для разных пользователей в конечном итоге приводят к трудностям  актуализации информации и снижают достоверность данных. При необходимости предоставления инструментария Data Mart для различных областей в рамках одного предприятия необходимо планировать разработку зависимых решений на основе единого хранилища данных.

Идеальной средой разработки подобных решений является облачное хранилище, например, хранилище от Yandex Cloud.

## Реализация Data Mart с помощью сервисов Yandex Cloud {#datamart-yc}

Чтобы успешно решать аналитические задачи с использованием зависимых витрин:

1. Соберите и подготовьте данные.

   Для сбора и обработки данных из различных источников перед помещением их в хранилище используйте инструменты Yandex Cloud:
   * [Yandex Data Transfer](https://yandex.cloud/ru-kz/services/data-transfer) — сервис для логического переноса данных между источниками и приемниками (СУБД, объектными хранилищами или брокерами сообщений). Подробнее в [документации](../data-transfer/index.md).
   * [Yandex Data Streams](https://yandex.cloud/ru-kz/services/data-streams/) — сервис для управления потоками данных в режиме реального времени. Подробнее в [документации](../data-streams/index.md).
   * [Yandex Data Processing](https://yandex.cloud/ru-kz/services/data-proc/) — сервис для разворачивания кластеров Apache Hadoop и Apache Spark™ в инфраструктуре Yandex Cloud. Подробнее в [документации](../data-proc/index.md).
   * [Yandex Cloud Functions](https://yandex.cloud/ru-kz/services/functions/) — сервис для запуска приложений в безопасном, отказоустойчивом и масштабируемом окружении без создания и обслуживания виртуальных машин. Подробнее в [документации](../functions/index.md).

1. Организуйте многоуровневое хранение данных.

   Для многоуровневого хранения собранной информации используйте механизмы работы Yandex Cloud с популярными СУБД:
   * [Yandex Managed Service for PostgreSQL](https://yandex.cloud/ru-kz/services/managed-postgresql/) — для развертывания кластера одной из самых популярных СУБД по обработке и структурированию полученной информации. Подробнее в [документации](../managed-postgresql/index.md).
   * [Yandex MPP Analytics for PostgreSQL](https://yandex.cloud/ru-kz/services/managed-greenplum/) — для работы с популярной массивно-параллельной СУБД для аналитики больших объемов данных. Подробнее в [документации](../managed-greenplum/index.md).
   * [Yandex Managed Service for ClickHouse®](https://yandex.cloud/ru-kz/services/managed-clickhouse/) — для создания витрины данных на базе высокопроизводительной колоночной СУБД. Подробнее в [документации](../managed-clickhouse/index.md).
   * Сервис [Yandex Query](https://yandex.cloud/ru-kz/services/query/) — для создания аналитических и потоковых SQL-запросов в реальном времени к собранным данным. Подробнее в [документации](../query/index.md).

1. Создайте удобные инструменты для анализа данных.

   Для удобной работы с собранной и подготовленной информацией используйте сервис для бизнес-аналитики [Yandex DataLens](https://yandex.cloud/ru-kz/services/datalens/).
   Yandex DataLens позволит вам напрямую подключаться к различным источникам данных, а также создавать визуализации и дашборды для совместной работы. Подробнее в [документации](../datalens/index.md).

Чтобы начать работу с сервисами, войдите в свой аккаунт в Yandex Cloud или [зарегистрируйтесь](https://kz.console.yandex.cloud/billing/create-account).


### Полезные ссылки {#see-also}

* [Пример создания аналитической витрины в Yandex DataLens](https://yandex.cloud/ru-kz/blog/posts/2022/11/datalens-analytics-clickhouse)

* [Пример Data Warehouse как аналитического инструмента, использующий создание витрин](https://yandex.cloud/ru-kz/blog/posts/2022/06/data-warehouse)

* [Пример загрузки данных из Яндекс Метрика в витрину](../data-transfer/tutorials/metrika-to-clickhouse.md)


_ClickHouse® является зарегистрированным товарным знаком [ClickHouse, Inc](https://clickhouse.com)._