京公网安备 11010802034615号
经营许可证编号:京B2-20210330
CDA数据分析师 出品
作者:李诗怡
| 对比维度 | 事实表 | 维度表 |
|---|---|---|
| 核心问题 | 记录“业务发生了什么事” | 描述“在什么情况下发生的” |
| 存储内容 | 可度量的数值(订单金额、购买数量、折扣金额) | 描述性的属性(用户姓名年龄、商品品名品类、时间年月日) |
| 数据量 | 大 | 小 |
| 变化频率 | 经常新增 | 变化慢 |
| 典型示例 | 电商订单表 | 用户表、商品表、时间表 |
一句话区分:事实表=“发生了什么事”(存数值,数据量大,经常新增);维度表=“在什么情况下发生的”(存属性,数据量小,变化慢)
维度建模:数据仓库设计核心方法论,将数据抽象为事实表(记录业务度量)与维度表(描述业务上下文)。
| 模型类型 | 核心结构特点 | 关联方式 |
|---|---|---|
| 星型模型 | 1张事实表 + 多张维度表 | 事实表与维表通过主键外键关联,维表间无关联 |
| 雪花模型 | 1张事实表 + 多张维度表,部分维表存在层级/父子关系 | 部分维表不直接连事实表,通过其他维表间接关联 |
| 星座模型 | 多个事实表,共用部分维度表 | 事实表与共享维度表通过主键外键关联 |
考试要点:由事实表和维表组成,每个维表主键结合成事实表主键的模型 = 星型模型(星形模型)
| 序号 | 模型名称 | 一句话核心 | 关键记忆点 |
|---|---|---|---|
| 1 | 波士顿矩阵 | 按增长率和份额分四类业务 | 明星双高、金牛高份额低增长、问题高增长低份额、瘦狗双低 |
| 2 | RFM模型 | 按最近消费/频次/金额分用户 | R近活跃、F频忠诚、M金价值;三高=VIP,R低M高=需挽留 |
| 3 | 同期群分析 | 同经历用户分组看留存 | 横向看群体内生命周期,纵向看不同群体同阶段对比 |
| 4 | 漏斗分析 | 定位转化流失节点 | 环节转化率=本环节/上环节;整体转化率=某环节/第一环节 |
| 5 | AARRR模型 | 用户增长五环节闭环 | 获、活、留、赚、推 |
| 6 | 杜邦分析法 | ROE三因子拆解 | ROE=净利率×总资产周转率×权益乘数 |
| 7 | STP模型 | 营销战略三步法 | 细分(S)→目标(T)→定位(P) |
| 8 | OSM模型 | 目标自上而下拆解 | 目标O→策略S→指标M,策略必须是动作不是数据 |
| 9 | 金字塔原理 | 先结论后原因的思考表达 | 结论先行、以上统下、归类分组、逻辑递进 |
| 10 | MECE原则 | 分类不重不漏 | 相互独立+完全穷尽;二分/流程/要素/公式/矩阵五法 |
| 11 | 用户标签体系 | 特征标识刻画用户 | 数据类型5类、时态3类、加工3类 |
| 12 | 用户分群4法 | 相似用户归组 | 层级/维度/双重/先进细分,数据需求从低到高 |
| 13 | 5W1H分析法 | 六维度全方位拆问题 | What→Who→When→Where→How→Why(先事实后原因) |
| 14 | 北极星指标 | 唯一核心战略指标 | 全链漏斗式(有时间顺序)vs 因子分解式(并列模块) |
| 15 | 事实表vs维度表 | 数仓两类基础表 | 事实表存数值量大常新增;维度表存属性量小变化慢 |
| 16 | 维度建模三模型 | 星型/雪花/星座 | 星型=1事实表多维表直连;雪花=维表有层级;星座=多事实表共享维表 |
解析:选 A、D。多对一连接中,“多”端的表(如订单表,每条订单对应一个产品)是事实表/主表,提供可聚合的度量数据(如订单金额、数量);“一”端的表(如产品详情表,一个产品对应多条订单)是维度表,提供分析维度(如产品名称、类别)。透视计算时以多表为主表、以一表为维度表,才能正确聚合度量值并按维度切片分析。B选项以一表为主表会导致度量值重复计算,C选项以多表为维度表不符合维度建模规范。
答案:C
解析:星形模型(Star Schema)由一个事实表和多个维表组成,维表直接与事实表关联,且通常不再规范化。事实表的主键一般由各维表的主键组合而成(复合主键),用于唯一标识一条事实记录。
因此,符合题意的是 C. 星形模型。


CDA数据分析师 出品 作者:李诗怡 1. 事实表 vs 维度表 对比维度 事实表 维度表 核心问题 记录“业务发生了什么事” 描述 ...
2026-10-02做数据聚合时,PySpark的groupBy()确实能完成统计,这也是它的本职工作。但它有一个根本性局限:每一组数据,最终只能返回一行 ...
2026-10-01热力地图是数据可视化中极具辨识度与实用性的空间分析图表,结合地理空间维度与数据密度特征,通过颜色深浅、色阶渐变直观展示数 ...
2026-09-30 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-09-30同样是“银行数据岗”,在国有大行总行数据中心、在一家城商行的零售部、在银行系金融科技子公司、在保险公司,工作内容、成长节 ...
2026-09-29在数据分析与统计学研究中,数据往往不是独立存在的,不同变量之间普遍存在相互关联、相互影响的关系。相关性统计分析是挖掘变量 ...
2026-09-29 导读:大多数人只把 dataclasses 当成偷懒工具,用来少写 __init__、__repr__ 这类魔法方法。但它的能力远不止于此。本文带 ...
2026-09-29 很多数据分析师能熟练地计算指标、搭建标签体系,但当被问到“画像到底在解决什么问题”“画像和标签是什么关系”“画像如何 ...
2026-09-29在MySQL数据库运维与业务开发中,行业普遍存在“数据达到千万级就必须分表”的说法。但在实际生产环境中,千万条数据并不是强制 ...
2026-09-28CDA数据分析师 出品 作者:李诗怡 1. 5W1H 分析法 定义:经典系统性思维框架,通过六个核心维度对问题进行全方位拆解与剖析,确 ...
2026-09-28 很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当 ...
2026-09-28CDA数据分析师 出品 作者:李诗怡 1. 用户标签体系 定义: 通过一系列高度精炼的特征标识,对用户属性、行为与偏好进行量化刻画 ...
2026-09-24Pandas是Python生态中用于表格数据处理的核心库,广泛应用于数据清洗、统计运算、报表输出、数据分析建模等场景。在处理极大数值 ...
2026-09-24随着数字经济快速发展,数据已成为核心生产要素,各行各业的业务沉淀、用户行为、设备运行、市场交易均产生海量数据。数据处理作 ...
2026-09-24 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-09-24在时序数据分析中,大部分业务数据并非持续平稳变化,而是会在某些时间节点出现突然抬升、断崖下跌、趋势反转、波动异变等现象, ...
2026-09-23在统计学与数据分析中,研究多组数据差异最常用的方法为单因素方差分析与事后多重比较。很多数据分析初学者容易混淆两者功能,认 ...
2026-09-23 很多数据分析师每天都在写 SQL,但当被问到“DQL 的本质是什么”“SELECT 子句的书写顺序与执行顺序为何不同”“INNER JOIN ...
2026-09-23 很多数据分析师写过无数个SELECT查询,但当被问到“如何新建一张表来固化中间数据”“创建视图和创建物理表有什么区别”“视 ...
2026-09-22CDA数据分析师 出品 作者:李诗怡 1. 金字塔原理 定义: 一种“先总后分、先结论后原因”的思考和表达方式。顶层为核心观点,中 ...
2026-09-22