数据仓库维度建模

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“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）

考试判断：问哪个是事实表/维度表 → 看内容是数值还是属性

2. 维度建模三大模型

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）

附录：16个模型速记总表

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

常见问题

1. 订单表与产品详情表可以通过产品ID构成多对一的连接关系，关于多对一连接关系下的透视计算描述正确的是？

A. 以多表为主表
B. 以一表为主表
C. 以多表为维度表
D. 以一表为维度表

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。

2. 维度建模中，由事实表和维表组成，每个维表的主键结合成事实表主键的模型是？

A. 雪花模型
B. 星座模型
C. 星形模型
D. 关系模型

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。

雪花模型：维表进一步规范化，形成层级关系。
星座模型：多个事实表共享维表。
关系模型：基于关系理论的通用数据模型，不是维度建模的典型结构。

因此，符合题意的是 C. 星形模型。