Einführung in Star-Schemata

Daten transformieren und analysieren mit Microsoft Fabric

Luis Silva

Solution Architect - Data & AI

Grundlagen des Dimensional Modeling

Ein Dimensional Model ist eine für Data Warehousing und Analysen optimierte Datenstruktur
Es bildet Business-Ereignisse ab
Ereignisse haben Daten und Kontext

Grundlagen des Dimensional Modeling

Ereignis: Verkauf eines Produkts in einem Einzelhandelsgeschäft.

Bild eines Kassenbelegs aus einem Geschäft

Grundlagen des Dimensional Modeling

Ereignis: Verkauf eines Produkts in einem Einzelhandelsgeschäft.

Numerische Daten:
- Anzahl verkaufter Einheiten
- Verkaufspreis

Bild eines Kassenbelegs, hervorgehoben die numerischen Daten: Anzahl und Verkaufspreis

Grundlagen des Dimensional Modeling

Ereignis: Verkauf eines Produkts in einem Einzelhandelsgeschäft.

Quantifizierbare numerische Daten:
- Anzahl verkaufter Einheiten
- Verkaufspreis
Kontext zu den Daten:
- Verkauftes Produkt

Bild eines Kassenbelegs, hervorgehoben die numerischen Daten: Anzahl und Verkaufspreis. Zudem hervorgehoben der Kontext: Verkaufsort, Verkaufsdatum und welches Produkt verkauft wurde

Ereignisdaten in Tabellen speichern

Diagramm, das zeigt, wie sich Daten des Kassenbelegs auf Zeilen in einer Verkaufsauftrags-Tabelle abbilden lassen

Ereignisdaten in Tabellen speichern

Faktentabelle mit allen Einträgen des Beispielbelegs

Faktentabelle: Enthält alle Transaktionen.

Ereignisdaten in Tabellen speichern

Faktentabelle mit allen Einträgen des Beispielbelegs, hervorgehoben die Spalten zu den Dimensionen: Store, Order Date, Order Time, Sales Person, Sold To, Product

Faktentabelle: Enthält alle Transaktionen.
Dimensionen: Kontext der Transaktion (wann, wo, was, wer).

Ereignisdaten in Tabellen speichern

Faktentabelle mit allen Einträgen des Beispielbelegs, hervorgehoben die Spalten zu den Kennzahlen: Sale Units, Sale Price

Faktentabelle: Enthält alle Transaktionen.
Dimensionen: Kontext der Transaktion (wann, wo, was, wer).
Kennzahlen: Numerische Daten (wie viel).

Ereignisdaten in Tabellen speichern

Faktentabelle mit allen Einträgen des Beispielbelegs, hervorgehoben die Spalte für das zusätzliche Attribut: Order Number

Faktentabelle: Enthält alle Transaktionen.
Dimensionen: Kontext der Transaktion (wann, wo, was, wer).
Kennzahlen: Numerische Daten (wie viel).
Attribute: Zusätzliche Informationen zum Transaktionsdatensatz.

Normalisierung

Faktentabelle, hervorgehoben die Spalte Store mit dem Namen des Geschäfts je Datensatz

Faktentabelle mit einer Dimensionstabelle: Die Spalte Store der Faktentabelle enthält nun nur noch Codes der Stores, die eigentlichen Namen stehen in einer separaten Dimensionstabelle

Faktentabellen + Dimensionstabellen

Star-Schema

Snowflake-Schema

Beispiel-Snowflake-Schema

Snowflake-Schema

Beispiel-Snowflake-Schema

Snowflake-Schema

Beispiel-Snowflake-Schema

Star-Schema vs. Snowflake-Schema

Zentrale Unterschiede

Bereich	Star-Schema	Snowflake-Schema
Speicher	Mehr Speicher nötig	Weniger Speicher nötig
Normalisierung	Denormalisiert (eine Tabelle pro Dimension)	Normalisiert (mehrere Tabellen pro Dimension)
Modellkomplexität	Niedriger	Höher
Abfrageleistung	Weniger JOINs → schnellere Abfragen	Mehr JOINs → langsamere Abfragen

Wähle das Modell, das zu deinen Anforderungen passt. Meist ist das Star-Schema bevorzugt, weil Modelle damit einfacher und schneller sind.

Lass uns üben!

Daten transformieren und analysieren mit Microsoft Fabric