Please enable JavaScript.
Coggle requires JavaScript to display documents.
Lec 3, Dimensional Modelling, Summary - Coggle Diagram
Lec 3
Dimensional Modelling
数据仓库（Data Warehouse, DW）特点
Subject-Oriented：按主题组织，如销售、顾客、产品
Integrated：整合多系统数据，标准格式
Time-Variant：保存历史快照，可追踪变化
Non-Volatile：只读，定时更新（非实时）
Granularity：数据存储多个粒度（粗略→细节）
设计流程（Kimball 方法）
选择业务过程（如销售、借阅）
定义粒度（最小分析单元）
确定维度（客户、时间、产品等）
确定度量指标（销售额等）
完善维度表（包含层级和属性）
维度建模 Dimensional Modelling（Kimball模型）
目标
优化查询性能，而非更新性能
简单易懂，便于终端用户写查询
结构组成
Fact Table（事实表）：包含度量指标（如销售额）+ 各维度外键
Dimension Table（维度表）：提供查询切入维度（如产品、时间、客户、门店）
Star Schema（星型模型）
中心是事实表
四周是维度表：What（产品）、When（时间）、Who（客户）、Where（门店）
Transactional vs. Informational Databases
事务型数据库 Transactional
支持日常操作（下单、发货），高度规范化（避免冗余），读写频繁，一线员工，
事务型数据库像收银机系统，记录每笔交易
信息型数据库 Informational
支持分析决策（趋势分析），非规范化（便于分析），查询为主，管理者、分析师
信息型数据库像大屏仪表盘，分析每家门店的销售趋势
事实表（Fact Table）
包含可加性指标（如销售额、销量）
每条记录粒度 = 每维度中最细粒度
维度表（Dimension Tables）
每张维度表描述某个分析方向
维度内通常存在层级结构（Hierarchies）
事务型 vs. 分析型查询对比
事务型查询 Transaction Query
顾客电话是多少？哪家门店今天开门？
分析型查询
哪类客户带来最多销售额？哪个季度的营业额最高？
规范化 vs 非规范化
规范化
多表少冗余，更新一致性强，设计复杂
非规范化
少表快查询，查询响应快，用户友好
数据仓库更适合使用非规范化结构（如星型模型）
Summary
Transactional vs. Informational
Data Warehouse 特征
Fact & Dimension Tables
Star Schema 星型模型
Dimensional Design 流程
粒度 & Hierarchies
正规化 vs 非正规化