00-数仓逻辑模型

0 前言

数据仓库的逻辑模型指的是描述数据仓库中数据如何组织、存储和相互关联的高层次抽象模型。它不涉及数据在物理层面上的实现细节（例如具体的数据库表结构），而是关注于数据模型的设计与规划，以便于支持业务决策和数据分析工作。

以下是数据仓库逻辑模型的两种常见设计方法：

1 星型模式（Star Schema）

星型模式是一种数据模型，其中包含一个或多个事实表和多个维度表。事实表存储量化的业务数据（事实），例如销售总额、交易次数等，并且通常包含大量记录。维度表用于存储描述性数据来提供上下文信息，例如时间、地点、产品信息等。这种模式的名称来源于其看上去像一个星星的形状——中心的事实表被各个维度表围绕。

当表关系可视化时，事实表在中间，被一系列维度表包围；与这些表的连接就像星星光芒。

          [时间维度表]
                  |
    [产品维度表] - [事实表] - [店铺维度表]
                  |
          [顾客维度表]

该模板的变体为

2 雪花模式（Snowflake Schema）

雪花模式是星型模式的变体，其中维度表可以有它们自己的维度表（被称为子维度表或归一化维度表）。在雪花模式中，数据库的结构更复杂，维度数据经过了进一步的归一化，它可以减少数据冗余，但可能会使得查询变得复杂，因为需要多个连接操作。

              [时间维度表]
                      |
        [产品类型] - [产品维度表] 
                      |           - [事实表] - [店铺类型] - [店铺维度表]
                      |
            [顾客国家] - [顾客维度表]

其中维度被进一步分解为子维度。如品牌和产品类别可能有单独表格，且dim_product 表格中的每行都能再次将品牌和类别作为外键，而不是将它们作为字符串直接存储在 dim_product 表。雪花模式比星形模式更规范化，但星形模式是首选，因为对于分析师，它更简单。

典型数仓中，表格很宽：

• 事实表通常超100列，甚至数百列
• 维度表也可能宽，因为它们包括可能与分析相关的所有元数据。如dim_store 表可能包括在每个商店提供哪些服务的细节，是否具有店内面包房，店面面积，商店开张日期，最后一次装修时间，距离最近的高速公路有多远

3 核心原则

• 支持业务需求： 逻辑模型应确保可以满足所有当前和预期的业务分析需求。
• 可扩展性： 数据模型应方便未来的调整和扩展，以容纳新的数据源和新的业务需求。
• 性能优化： 模型应经优化以支持高效的数00-数仓逻辑模型据访问和查询性能。
• 易用性： 数据模型应容易理解和使用，尤其对于业务用户而言应显得直观。
• 数据质量与一致性： 逻辑模型应保证数据的准确性、完整性和一致性。

在构建数据仓库的逻辑模型时，将考虑如何将不同的数据源整合到一致的框架中，以及如何结构化这些数据以便于报告和数据分析。逻辑模型是数据仓库概念和物理实现之间的桥梁。

关注我，紧跟本系列专栏文章，咱们下篇再续！sbnk