数据仓库维度建模详细过程

news2025/5/31 22:28:27

数据仓库的维度建模（Dimensional Modeling）是一种以业务用户理解为核心的设计方法，通过维度表和事实表组织数据，支持高效查询和分析。其核心目标是简化复杂业务逻辑，提升查询性能。以下是维度建模的详细过程：

一、维度建模的核心概念

维度表（Dimension Table）
- 描述业务实体的属性（如时间、产品、客户、地理位置）。
- 例如：时间维度表包含年、季度、月、日等字段。
事实表（Fact Table）
- 存储业务过程的度量值（如销售额、订单数量）。
- 例如：销售事实表包含销售金额、销售量，并关联多个维度表的外键。

二、维度建模的步骤

1. 选择业务过程（Business Process）

目标：明确需要分析的业务流程（如销售、订单、库存）。
输入：与业务团队沟通，识别关键业务流程和分析需求。
示例：分析电商平台的“订单处理”过程。

2. 声明粒度（Declare Grain）

目标：定义事实表中每一行数据的细节层级。
原则：选择最细粒度的数据（如订单中的每个商品项而非整个订单）。
示例：订单事实表的粒度是“每个订单项的商品销售记录”。

3. 确定维度（Identify Dimensions）

目标：确定描述业务过程的维度，覆盖所有分析视角。
常见维度：时间、产品、客户、渠道、地理位置等。
示例：订单事实表的维度可能包括 时间维度、产品维度、客户维度、店铺维度。

4. 确定事实（Identify Facts）

目标：确定业务过程的度量值（数值型字段）。
类型：
- 可加事实：如销售额、数量（可跨维度求和）。
- 半可加事实：如库存量（不可跨时间求和）。
- 不可加事实：如比率（需计算后分析）。
示例：订单事实表的度量包括 销售额、折扣金额、商品数量。

5. 构建维度模型（Build Schema）

星型模型（Star Schema）：
- 事实表居中，直接关联所有维度表（无规范化）。
- 优点：查询简单、性能高。
- 缺点：可能存在冗余数据。
雪花模型（Snowflake Schema）：
- 维度表进一步拆分为子维度表（规范化设计）。
- 优点：减少冗余。
- 缺点：查询复杂度高。

三、关键设计要点

缓慢变化维（Slowly Changing Dimensions, SCD）
- 问题：维度属性随时间变化（如客户地址变更）。
- 处理方式：
  - Type 1：直接覆盖旧值（不保留历史）。
  - Type 2：新增记录，保留历史（常用）。
  - Type 3：新增字段记录新旧值（有限历史）。
退化维度（Degenerate Dimension）
- 将事务的唯一标识（如订单号）直接存储在事实表中，无需单独维度表。
一致性维度（Conformed Dimensions）
- 跨不同事实表共享同一维度（如时间维度），确保分析一致性。

四、应用场景

报表分析：如按时间、地区统计销售额。
历史数据分析：追踪客户行为变化。
OLAP（联机分析处理）：支持多维度的快速钻取、切片和切块。

五、示例：电商销售维度建模

1. 业务过程

分析用户在电商平台下单的销售行为。

2. 粒度

每个订单项的商品销售记录（即一条订单可能对应多条事实记录）。

3. 维度表设计

时间维度：年、季度、月、日、小时。
产品维度：产品ID、名称、类别、价格。
客户维度：客户ID、姓名、地区、会员等级。
店铺维度：店铺ID、名称、所在城市。

4. 事实表设计

订单事实表：

CREATE TABLE fact_order (
  order_item_id INT PRIMARY KEY,
  product_key INT,       -- 关联产品维度
  customer_key INT,      -- 关联客户维度
  time_key INT,          -- 关联时间维度
  store_key INT,         -- 关联店铺维度
  sales_amount DECIMAL,  -- 销售额
  quantity INT,          -- 销售数量
  discount DECIMAL       -- 折扣金额
);