Introdução a Star Schemas

Transforme e analise dados com o Microsoft Fabric

Luis Silva

Solution Architect - Data & AI

Noções básicas de Modelagem Dimensional

Um Modelo Dimensional é uma estrutura de dados otimizada para data warehousing e análise
É um modelo de eventos de negócio
Eventos têm dados e contexto

Noções básicas de Modelagem Dimensional

Evento: venda de um produto em uma loja.

Imagem de um comprovante de venda de uma loja

Noções básicas de Modelagem Dimensional

Evento: venda de um produto em uma loja.

Dados numéricos:
- Quantidade vendida
- Preço de venda

Imagem de um comprovante de venda de uma loja, destacando os dados numéricos: Unidades vendidas e Preço de venda

Noções básicas de Modelagem Dimensional

Evento: venda de um produto em uma loja.

Dados numéricos quantificáveis:
- Quantidade vendida
- Preço de venda
Contexto dos dados:
- Produto vendido

Imagem de um comprovante de venda de uma loja, destacando os dados numéricos: Unidades vendidas e Preço de venda. Também destaca os dados de contexto: onde a venda foi feita, data da venda e qual produto foi vendido

Armazenando eventos em tabelas

Diagrama mostrando como os dados do comprovante podem ser mapeados para linhas em uma tabela de pedidos

Armazenando eventos em tabelas

Tabela fato mostrando todas as entradas do comprovante de exemplo

Tabela fato: contém todas as transações.

Armazenando eventos em tabelas

Tabela fato com todas as entradas do comprovante de exemplo, destacando as colunas relacionadas às dimensões: Loja, Data do pedido, Hora do pedido, Vendedor, Cliente, Produto

Tabela fato: contém todas as transações.
Dimensões: contexto da transação (quando, onde, o quê, quem).

Armazenando eventos em tabelas

Tabela fato com todas as entradas do comprovante de exemplo, destacando as colunas relacionadas às medidas: Unidades vendidas, Preço de venda

Tabela fato: contém todas as transações.
Dimensões: contexto da transação (quando, onde, o quê, quem).
Medidas: dados numéricos (quantos/quanto).

Armazenando eventos em tabelas

Tabela fato com todas as entradas do comprovante de exemplo, destacando a coluna do atributo adicional: Número do pedido

Tabela fato: contém todas as transações.
Dimensões: contexto da transação (quando, onde, o quê, quem).
Medidas: dados numéricos (quantos/quanto).
Atributos: informações adicionais sobre o registro da transação.

Normalização

Tabela fato, destacando a coluna Loja com o nome da loja em cada registro

Tabela fato com uma tabela de dimensão, destacando que a coluna Loja da tabela fato agora contém apenas códigos das lojas, e os nomes das lojas estão em uma tabela de dimensão separada

Tabelas Fato + Tabelas Dimensão

Star Schema

Snowflake Schema

Exemplo de Snowflake Schema

Snowflake Schema

Exemplo de Snowflake Schema

Snowflake Schema

Exemplo de Snowflake Schema

Star Schema vs Snowflake Schema

Principais diferenças

Área	Star Schema	Snowflake Schema
Armazenamento	Requer mais espaço	Requer menos espaço
Normalização	Desnormalizado (uma tabela por dimensão)	Normalizado (múltiplas tabelas por dimensão)
Complexidade do modelo	Menor	Maior
Desempenho de consulta	Menos JOINs, consultas mais rápidas	Mais JOINs, consultas mais lentas

Escolha o modelo mais adequado às suas necessidades. Em geral, o Star Schema é preferido por gerar modelos mais simples e rápidos.

Vamos praticar!

Transforme e analise dados com o Microsoft Fabric