Wprowadzenie do schematów gwiazdy

Przekształcanie i analizowanie danych w Microsoft Fabric

Luis Silva

Solution Architect - Data & AI

Podstawy modelowania wymiarowego

Model wymiarowy to struktura danych zoptymalizowana pod kątem hurtowni danych i analizy
Jest modelem zdarzeń biznesowych
Zdarzenia mają dane i kontekst

Podstawy modelowania wymiarowego

Zdarzenie: sprzedaż produktu w sklepie detalicznym.

Zdjęcie paragonu sprzedaży ze sklepu detalicznego

Podstawy modelowania wymiarowego

Zdarzenie: sprzedaż produktu w sklepie detalicznym.

Dane liczbowe:
- Liczba sprzedanych jednostek
- Cena sprzedaży

Zdjęcie paragonu sprzedaży ze sklepu detalicznego, z wyróżnionymi danymi liczbowymi: Sprzedane jednostki i Cena sprzedaży

Podstawy modelowania wymiarowego

Zdarzenie: sprzedaż produktu w sklepie detalicznym.

Mierzalne dane liczbowe:
- Liczba sprzedanych jednostek
- Cena sprzedaży
Kontekst danych:
- Sprzedany produkt

Zdjęcie paragonu sprzedaży ze sklepu detalicznego, z wyróżnionymi danymi liczbowymi: Sprzedane jednostki i Cena sprzedaży. Wyróżniono również dane kontekstowe: gdzie dokonano sprzedaży, data sprzedaży i który produkt został sprzedany

Przechowywanie danych zdarzeń w tabelach

Diagram pokazujący, jak dane z paragonu sprzedaży można zmapować na wiersze w tabeli bazy danych zamówień

Przechowywanie danych zdarzeń w tabelach

Tabela faktów zawierająca wszystkie wpisy z przykładowego paragonu

Tabela faktów: zawiera wszystkie transakcje.

Przechowywanie danych zdarzeń w tabelach

Tabela faktów z wszystkimi wpisami z przykładowego paragonu, z wyróżnieniem kolumn powiązanych z wymiarami: Sklep, Data zamówienia, Godzina zamówienia, Sprzedawca, Nabywca, Produkt

Tabela faktów: zawiera wszystkie transakcje.
Wymiary: kontekst transakcji (kiedy, gdzie, co, kto).

Przechowywanie danych zdarzeń w tabelach

Tabela faktów z wszystkimi wpisami z przykładowego paragonu, z wyróżnieniem kolumn miar: Liczba sprzedanych jednostek, Cena sprzedaży

Tabela faktów: zawiera wszystkie transakcje.
Wymiary: kontekst transakcji (kiedy, gdzie, co, kto).
Miary: dane liczbowe (ile).

Przechowywanie danych zdarzeń w tabelach

Tabela faktów z wszystkimi wpisami z przykładowego paragonu, z wyróżnieniem kolumny dodatkowego atrybutu: Numer zamówienia

Tabela faktów: zawiera wszystkie transakcje.
Wymiary: kontekst transakcji (kiedy, gdzie, co, kto).
Miary: dane liczbowe (ile).
Atrybuty: dodatkowe informacje o rekordzie transakcji.

Normalizacja

Tabela faktów z wyróżnioną kolumną Sklep zawierającą nazwy sklepów dla każdego rekordu

Tabela faktów z jedną tabelą wymiarów, pokazująca że kolumna Sklep zawiera teraz tylko kody sklepów, a ich nazwy są w osobnej tabeli wymiarów

Tabele faktów i tabele wymiarów

Schemat gwiazdy

Schemat płatka śniegu

Przykładowy schemat płatka śniegu

Schemat płatka śniegu

Przykładowy schemat płatka śniegu

Schemat płatka śniegu

Przykładowy schemat płatka śniegu

Schemat gwiazdy a schemat płatka śniegu

Kluczowe różnice

Obszar	Schemat gwiazdy	Schemat płatka śniegu
Przechowywanie	Wymaga więcej miejsca	Wymaga mniej miejsca
Normalizacja	Zdenormalizowany (jedna tabela na wymiar)	Znormalizowany (wiele tabel na wymiar)
Złożoność modelu	Niższa	Wyższa
Wydajność zapytań	Mniej operacji JOIN, szybsze zapytania	Więcej operacji JOIN, wolniejsze zapytania

Należy wybrać model najlepiej dopasowany do potrzeb. Zazwyczaj preferowany jest schemat gwiazdy, gdyż zapewnia prostsze i szybsze modele.

Czas na ćwiczenia!

Przekształcanie i analizowanie danych w Microsoft Fabric