优点：
维度建模同时满足（1）以商业用户可理解的方式发布数据；（2）提供高效的查询性能。这两大需求。
1、便于理解
按照事实表、维度表来构建数据仓库、数据集市。在维度建模方法体系中，维度是描述事实的角度，如日期、地址、商品等，事实是要度量的指标，如骑手数、完成单量等。
维度建模是将层次化的数据结构展开为单一层次，构建出来的数据库结构表更加符合人的直觉、易于被人所理解，从而有利于数据的推广使用。
2、快速的响应业务
面向分析构建的，每次不需要编写冗长的SQL，查询大宽表，减少join，方便分析人员和业务人员（不太懂技术，不会写复杂SQL）使用，能快速的响应业务需求。
3、标准框架
数据仓库工具数，定义了业界广泛理解的概念。
新员工可以快速的掌握数仓的结构，不需要熟悉具体的业务系统数据。工程师和分析师对事实、维度、粒度这些概念都比较了解，可以促进协作。
缺点：
1、数据预处理开销和数据冗余
由于在构建星型模式之前需要进行大量的数据预处理，因此会导致大量的数据处理工作。而且，当业务发生变化，需要重新进行维度的定义时，往往需要重新进行维度数据的预处理。而在这些与处理过程中，往往会导致大量的数据冗余。
2、一致性维度发生变化，每个主题表都要同步相关维度，对模型冲击比较大，相比范式建模扩展性不好。
3、如果只是依靠单纯的维度建模， 不能保证数据来源的一致性和准确性，而且在数据仓库的底层，不是特别适用于维度建模的方法。
在建设数据仓库的过程中，明细层和集市层分别采用不同的建模方法，比如：
明细层采用传统的三范式关系模型：将业务过程描述清楚，将源数据（即业务系统）中隐含的、有歧义的概念进行清晰化。此层灵活地表达业务过程，要保证数据一致性、唯一性、正确性，以尽量少的代价与源数据保持数据同步。（面向技术人员）
集市层采用维度模型。集市层是按照业务主题、分主题构建出来的、面向特定部门或人员的数据集合，该层次的数据模型会开放给业务人员使用，进行数据挖掘及业务分析。（面向不懂技术的业务人员，需要简单易理解）