數(shù)據倉庫：詳解維度建模之事實表

發(fā)布日期：2022/7/28 13:23:55      瀏覽量：

每個數(shù)據倉庫都包含一個或者多個事實數(shù)據表。其中可能包含業(yè)務銷售數(shù)據，如現(xiàn)金登記事務所產生的數(shù)據，通常包含大量的行。事實數(shù)據表的主要特點是包含數(shù)字數(shù)據（事實），并且這些數(shù)字信息可以匯總，以提供有關單位作為歷史的數(shù)據，每個事實數(shù)據表包含一個由多個部分組成的索引，該索引包含作為外鍵的相關性維度表的主鍵，而維度表包含事實記錄的特性。

01

事實表基礎

1、事實表特征

事實表作為數(shù)倉維度建模的核心，緊緊圍繞著業(yè)務過程來設計，通過獲取描述業(yè)務過程的度量來表達業(yè)務過程，包含了引用的維度和業(yè)務過程有關的度量。事實表中一條記錄所表達的業(yè)務細節(jié)程度被稱為粒度(業(yè)務中的細節(jié)程度)。通常粒度可以通過兩種方式來表達：一種是維度屬性組合所表示的細節(jié)程度，另一種是所表示的具體業(yè)務含義。

作為度量業(yè)務過程的事實（事實表屬性），一般為整型或浮點型的十進制數(shù)值，有可加性、半可加性和不可加性三種類型：

• 可加性事實 是指可以按照與事實表關聯(lián)的任意維度進行匯總。

• 半可加性事實 只能按照特定維度匯總，不能對所有維度匯總，比如庫存可以按照地點和商品進行匯總，而按時間維度把一年中每個月的庫存累加起來則毫無意義。

• 不可加事實 不具備可加性，比如比率型事實。對于不可加性事實可分解為可加的組件來實現(xiàn)聚集。

2、有事實的事實表

有事實表分為三種類型 ： 事務事實表、周期快照事實表和累積快照事實表。

3、無事實的事實表

無事實的事實表可以用來跟蹤事件的發(fā)生。例如，在給定的某一天中發(fā)生的學生參加課程的事件，可能沒有可記錄的數(shù)字化事實，但該事實行帶有一個包含日期、學生、教師、地點、課程等定義良好的外鍵。利用無事實的事實表可以按各種維度計數(shù)上課這個事件。

02

事實表設計規(guī)則

• 盡可能包含所有與業(yè)務過程相關的事實；

• 只選擇與業(yè)務過程相關的事實；

• 分解不可加性事實為可加的組件；比如訂單的優(yōu)惠率，應該分解為訂單原價金額與訂單優(yōu)惠金額

• 在選擇維度和事實之前必須先聲明粒度；

• 在同一個事實表中不能有多種不同粒度的事實；粒度的聲明是事實表設計中不可忽視的重要一步，粒度用于確定事實表中一行所表示業(yè)務的細節(jié)層次，決定了維度模型的擴展性，在選擇維度和事實之前必須先聲明粒度，且每個維度和事實必須與所定義的粒度保持一致

• 在同一個事實表中不能有多種不同粒度的事實；

• 事實的單位要保持一致；

• 對事實的 null 值要處理；在數(shù)據庫中null值對常用的大于或小于等SQL不生效，建議使用零值填充

• 使用退化維度提高事實表的易用性；目的主要是為了減少下游用戶使用時關聯(lián)多個表的操作。直接通過退化維度實現(xiàn)對事實表的過濾查詢、控制聚合層次、排序數(shù)據以及定義主從關系等。

03

事實表設計方法

Kimball的四步維度建模方法：選擇業(yè)務過程、聲明粒度、確定維度、確定事實。

Step 1:選擇業(yè)務過程及確定事實表類型。

在明確了業(yè)務需求以后，接下來需要進行詳細的需求分析，對業(yè)務的整個生命周期進行分析，明確關鍵的業(yè)務步驟，從而選擇與需求有關的業(yè)務過程。(業(yè)務過程通常使用行為動詞表示業(yè)務執(zhí)行的活動)

Step 2:聲明粒度 。

粒度的聲明是事實表建模非常重要的一步，意味著精確定義事實表的每一行所表示的業(yè)務含義，粒度傳遞的是與事實表度量有關的細節(jié)層次。明確的粒度能確保對事實表中行的意思的理解不會產生混淆，保證所有的事實按照同樣的細節(jié)層次記錄。

Step 3 :確定維度 。

完成粒度聲明以后，也就意味著確定了主鍵，對應的維度組合以及相關的維度字段就可以確定了，應該選擇能夠描述清楚業(yè)務過程所處的環(huán)境的維度信息。

Step 4 : 確定事實 。

事實可以通過回答“過程的度量是什么”來確定。應該選擇與業(yè)務過程有關的所有事實，且事實的粒度要與所聲明的事實表的粒度一致。事實有可加性、半可加性、非可加性三種類型 ， 需要將不可加性事實分解為可加的組件。

Step 5:冗余維度 。

冗余維度是在kimball維度建模方法基礎上新增的步驟。主要是因為在大數(shù)據的事實表模型設計中，需要考慮更多的是提高下游用戶的使用效率，降低數(shù)據獲取的復雜性，減少關聯(lián)的表數(shù)量。所以通常事實表中會冗余方便下游用戶使用的常用維度，以實現(xiàn)對事實表的過濾查詢、控制聚合層次、排序數(shù)據以及定義主從關系等操作。

04

有事實的事實表

有事實表分為三種類型 ： 事務事實表、周期快照事實表和累積快照事實表。

1、事務事實表

單事務事實表，針對于每個業(yè)務過程設計一個事實表，方便每個業(yè)務過程進行獨立分析研究。

優(yōu)點：更方便跟蹤業(yè)務流程細節(jié)數(shù)據，針對特殊的業(yè)務分析場景比較方便和靈活，數(shù)據處理上也更加靈活;

弊端：數(shù)倉中需要管理太多的事實表，同時跟蹤業(yè)務流轉不夠直觀

多事務事實表，將不同的事實放到同一個事實表中，即同一個事實表包含不同的業(yè)務過程。多事務事實表在設計時有兩種方法進行事實的處理：

一是不同業(yè)務過程的事實使用不同的事實字段進行存放：

二是不同業(yè)務過程的事實使用同一個事實字段進行存放，但增加一個業(yè)務過程標簽。

優(yōu)點：能夠更直觀的跟蹤業(yè)務流轉和當前狀態(tài)，流程事實集中，方便大部分的通用分析應用場景，由于和業(yè)務側的數(shù)據模型設計思路一致，也是目前最常用的事實表設計;

弊端：細節(jié)數(shù)據跟蹤不到位，特殊場景的分析不夠靈活;

兩種表的設計區(qū)別在于對業(yè)務流程的拆分思路不同，具體選擇事實表的構建思路，需要根據實際的業(yè)務確定，一般建議兩者結合。

父子事實的處理方式，通過分攤父訂單的金額將所有業(yè)務過程的度量全部帶進購物網站交易事務事實表中，包括下單數(shù)量、商品價格、子訂單折扣、下單分攤比例、父訂單支付金額、父訂單支付郵費、父訂單折扣、子訂單下單金額、子訂單下單有效金額、支付分攤比例、子訂單支付金額等，將父子事實同時冗余到事務表中。

設計準則

1. 事實完整性

   事實表包含與其描述的過程有關的所有事實，即盡可能多地獲取所有的度量。

2. 事實一致性

   在確定事務事實表的事實時，明確存儲每一個事實以確保度量的一致性。

3. 事實可加性

   事實表確定事實時，往往會遇到非可加性度量，比如分攤比例、利潤率等，雖然它們也是下游分析的關鍵點，但往往在事務事實表中關注更多的是可加性事實，下游用戶在聚合統(tǒng)計時更加方便。

2、周期快照事實表

快照事實表在確定的間隔內對實體的度量進行抽樣，這樣可以很容易地研究實體的度量值，而不需要聚集長期的事務歷史。

特征

1. 用快照采樣狀態(tài)

   快照事實表以預定的間隔采樣狀態(tài)度量。這種間隔聯(lián)合一個或多個維度，將被用來定義快照事實表的粒度，每行都將包含記錄所涉及狀態(tài)的事實。

2. 快照粒度

   事務事實表的粒度可以通過業(yè)務過程中所涉及的細節(jié)程度來描述，但快照事實表的粒度通?？偸潜欢嗑S聲明，可以簡單地理解為快照需要采樣的周期以及什么將被采樣。

3. 密度與稀疏性

   快照事實表和事務事實表的一個關鍵區(qū)別在密度上。事務事實表是稀疏的，只有當天發(fā)生的業(yè)務過程，事實表才會記錄該業(yè)務過程的事實，如下單、支付等；而快照事實表是稠密的，無論當天是否有業(yè)務過程發(fā)生，都會記錄一行，比如針對賣家的歷史至今的下單和支付金額，無論當天賣家是否有下單支付事實，都會給該賣家記錄一行。

4. 半可加性

   在快照事實表中收集到的狀態(tài)度量都是半可加的。與事務事實表的可加性事實不同，半可加性事實不能根據時間維度獲得有意義的匯總結果。

設計實例

單維度的每天快照事實表

確定粒度、確定維度

混合維度的每天快照事實表

確定粒度、確定維度、確定狀態(tài)度量

全量快照事實表

相比單維度的快照事實表，多了一些冗余維度。例如，商品評價表，多了子訂單維度、商品維度、評論者維度。

3、累計快照事實表

對于類似于研究事件之間時間間隔的需求，采用累計快照事實表可以很好地解決。

如在統(tǒng)計買家下單到支付的時長、買家支付到賣家發(fā)貨的時長等，事務事實表很難滿足，需要用到累計快照事實表。

特征

1. 數(shù)據不斷更新

   針對于實體中的某一實例定期更新。

2. 多業(yè)務過程日期

   累積快照事實表適用于具有較明確起止時間的短生命周期的實體，比如交易訂單、物流訂單等，對于實體的每一個實例，都會經歷從誕生到消亡等一系列步驟。對于商品、用戶等具有長生命周期的實體，一般采用周期快照事實表更合適。累積快照事實表的典型特征是多業(yè)務過程日期，用于計算業(yè)務過程之間的時間間隔。但結合阿里巴巴數(shù)據倉庫模型建設的經驗，對于累積快照事實表，還有一個重要作用是保存全量數(shù)據。

特殊處理

1. 非線性過程

   購物網站一般流程是：下單、支付、發(fā)貨、確認收貨。但并不是所有的交易都會走此流程，比如買家下單之后不支付或關閉訂單。針對這種非線性過程，處理情況主要有以下幾種：(1）業(yè)務過程的統(tǒng)一

   我們以流程結束標志為依據，關閉訂單也是結束標志，統(tǒng)一起來。

   (2）針對業(yè)務關鍵里程碑構建全面的流程

   對于沒有支付或沒有發(fā)貨的交易訂單也將其納入流程來，相關的業(yè)務字段置空。

   (3）循環(huán)流程的處理

   主要解決問題是一個業(yè)務過程有多個日期。使用業(yè)務過程的第一次發(fā)生日期還是最近發(fā)生日期，根據用戶決定。

2. 多源過程 針對多源業(yè)務建模，主要考慮事實表的粒度問題。

3. 業(yè)務過程取舍 當擁有大量的業(yè)務過程時，模型的實現(xiàn)復雜度會增加，特別是對于多源業(yè)務過程，模型的精合度過高，此時需要根據商業(yè)用戶需求，選取關鍵的里程碑。

物理實現(xiàn)

邏輯模型和物理模型密不可分，針對累積快照事實表模型設計，其有不同的實現(xiàn)方式。第一種：增量存儲 以業(yè)務實體的結束時間分區(qū)。即每周期僅處理增量部分的數(shù)據，針對狀態(tài)無變化的數(shù)據比較適合 ；第二種：全量快照 狀態(tài)有變化，每天的分區(qū)存儲昨天的全量數(shù)據和當天的增量數(shù)據合并的結果，對于數(shù)據量在可控范圍內的情況可以采用如下 保存策略: 如果存儲空間和成本可接受，完整存儲，確保能夠追溯到歷史每天數(shù)據狀態(tài) 存儲空間有限，考慮移動歷史快照數(shù)據到冷盤，需要使用的時候可恢復 數(shù)據歷史狀態(tài)數(shù)據無太大價值，可以考慮部分刪除，比如近保留每月最后一天的快照數(shù)據 ；第三種：拉鏈 針對于全量表的變化形式，數(shù)據量大、但緩慢變化、需要跟蹤歷史狀態(tài)，和緩慢漸變維類似。

設計準則

同事務事實表設計一樣。

05

無事實的事實表

在維度模型中，事實表用事實來度量業(yè)務過程，不包含事實或度量的事實表稱為無事實的事實表。雖然沒有明確的事實，但可以用來支持業(yè)務過程的度量。常見的無事實的事實表主要有如下兩種：

第一種是事件類的，記錄事件的發(fā)生。

如阿里巴巴數(shù)據倉庫中，最常見的是日志類事實表。

第二種是條件、范圍或資格類的，記錄維度與維度多對多之 間的關系。

如客戶和銷售人員的分配情況、產品的促銷范圍等。

06

聚集型事實表

數(shù)據倉庫的性能是數(shù)據倉庫建設是否成功的重要標準之一。聚集主要是通過匯總明細粒度數(shù)據來獲得改進查詢性能的效果。通過訪問聚集數(shù)據，可以減少數(shù)據庫在響應查詢時必須執(zhí)行的工作量，能夠快速響應用戶的查詢，同時有利于減少不同用戶訪問明細數(shù)據帶來的結果不一致問題。如阿里巴巴將使用頻繁的公用數(shù)據，通過聚集進行沉淀，比如賣家最近 l 天的交易匯總表、賣家最近 N 天的交易匯總表、賣家自然年交易匯總表等。這類聚集匯總數(shù)據，被叫作公共匯總層。

相對于明細事實表，聚合事實表通常是在明細事實表的基礎上，按照一定的粒度粗細進行的匯總、聚合操作，它的粒度較明細數(shù)據粒度粗，同時伴隨著細節(jié)信息的丟失;在數(shù)倉層次結構中，通常位于dws層，一般作為通用匯總數(shù)據存在，也可以是更高粒度的指標數(shù)據。

1、基本原則

• 一致性 聚集表必須提供與查詢明細粒度數(shù)據一致的查詢結果。

• 避免單一表設計 不要在同一個表中存儲不同層次的聚集數(shù)據；否則將會導致雙重計算或出現(xiàn)更糟糕的事情。

• 聚集粒度可不同 聚集并不需要保持與原始明細粒度數(shù)據一樣的粒度，聚集只關心所需要查詢的維度。

2、基本步驟

Step 1：確定聚集維度。

Step 2：確定一致性上鉆。

Step 3：確定聚集事實。

3、常見聚集型事實表

數(shù)據倉庫中，按照日期范圍的不同，通常包括以下類別的聚集事實表

公共維度層-通用匯總

應對大部分可預期的、常規(guī)的數(shù)據需求，通常針對模式相對穩(wěn)定的分析、BI指標計算、特征提取等場景，封裝部分業(yè)務處理、計算邏輯，盡量避免用戶直接使用底層明細數(shù)據，該層用到的數(shù)據范圍比較廣泛。

日粒度

主要應對模式穩(wěn)定的分析、BI日報、特征提取場景，同時日粒度也為后續(xù)累積計算提供粗粒度的底層，數(shù)據范圍一般為上一日的數(shù)據 。

周期性累積

主要應對明確的周期性分析、BI周期性報表，數(shù)據范圍一般在某周期內的。

歷史累積

顧名思義，歷史以來某一特定數(shù)據的累積，通常在用戶畫像、經營分析、特征提取方面場景較多，設計數(shù)據范圍比較廣泛，通常是計算耗時較長的一部分，比如某門店累積營業(yè)額、某用戶累積利潤貢獻、用戶首次下單時間(非可度量、描述性)。

4、聚集補充說明

聚集是不跨越事實的

聚集是針對原始星形模型進行的匯總，為了獲取和查詢與原始模型一致的結果，聚集的維度和度量必須與原始模型保持一致，因 此聚集是不跨越事實的。

聚集帶來的問題

聚集會帶來查詢性能的提升，但聚集也會增加 ETL 維護的難度。當子類目對應的一級類目發(fā)生變更時，先前存在的、已經被匯總到聚集表中的數(shù)據需要被重新調整。這一額外工作隨著業(yè)務復雜性的增加，會導致多數(shù) ETL 人員選擇簡單強力的方法，刪除并重新聚集數(shù)據。