星型、雪花、星座模型到底有什么区别?一文讲清维度建模

0 阅读14分钟

很多人第一次接触维度建模,最容易被三个名字绕进去:星型模型、雪花模型、星座模型。 看架构图好像并不复杂:中间是事实表,周围是一圈维度表。

但真正开始建模以后,问题会迅速变多:商品类别要不要单独拆表?订单和库存能不能放在一张事实表?销售和采购里的“商品维度”是不是应该共用?客户等级变化以后,历史订单到底看新等级还是旧等级?所以,真正需要搞清楚的不是三张架构图,而是:维度建模究竟按照什么逻辑组织企业数据。

一、维度建模,第一步根本不是建表

业务系统建表,更关注的是:怎样减少数据冗余,保证增删改的一致性。 所以客户、地区、类型、组织等数据经常被拆成很多关系表。

但数据仓库面对的是另一类问题:华东今年销售额是多少?哪些商品毛利率下降?不同客户等级的复购情况如何?

这里追求的不是高频事务处理,而是:让业务分析更容易理解、更容易计算。 因此维度建模通常把数据分成两类。事实,回答“发生了什么”; 维度,回答“从什么角度观察这件事”。 一条订单明细中,销售数量、金额、成本属于事实;商品、客户、门店、日期属于维度。

但在真正建表之前,还有一个比“事实和维度”更重要的问题:粒度。 也就是:事实表的一行到底代表什么?

销售事实表的一行可以代表:一张订单、一条订单商品明细,甚至“某门店某商品某天”的汇总结果。三种设计都可以,但绝不能混在一起。

假设事实表粒度是“订单明细”,却把整张订单的100元运费复制到每一条商品记录中,一张订单有5个商品,汇总后运费就会变成500元。

所以维度建模有一个非常重要的顺序:先确定业务过程,再确定粒度,最后才确定维度和度量。 而真正到了企业项目里,模型设计完只是开始。订单可能来自ERP,客户来自CRM,商品、门店和组织又维护在不同系统里,如果直接把源表搬进数仓,编码不一致、字段格式不同、主数据重复等问题都会一起带进模型。

实际搭建时,很多团队会先在FineDataLink 5.0里把这些来源的数据接进来,完成字段清洗、编码映射、多表关联和必要的口径转换,再按照事实表和维度表的目标结构写入数仓。这样后面建的“客户维度”“商品维度”,对应的才是统一后的业务对象,而不是某个源系统里的一份原始记录。维度建模决定数据最终长什么样,上游的数据加工决定这个模型能不能真正落下来。

二、星型模型:为什么最常见?

假设我们分析销售业务。中间建立一张:销售事实表 周围连接:日期、商品、客户、门店、销售人员等维度。

这就是典型星型模型。它最大的特点不是“长得像星星”,而是:维度通常直接围绕事实表展开,不再过度拆分。

比如商品维度可能直接保存:商品名称、品牌、二级品类、一级品类、商品规格。一级品类会重复很多次,但分析“各商品大类销售额”时,只需要:事实表 → 商品维度就能得到结果。

这其实体现了维度建模和传统数据库设计非常重要的区别:允许适度冗余,减少分析路径。 但星型模型绝不等于“把所有字段塞进大宽表”。事实和维度仍然需要明确边界。尤其是度量,还要考虑一个经常被忽略的问题:可加性。

销售额可以按时间、地区、商品直接求和,属于典型可加指标。库存余额却不同。9月1日库存100件,9月2日库存120件,不能说两天库存是220件。

所以库存属于典型的半可加事实:可以按商品、仓库汇总,却不能简单跨时间累加。类似的还有账户余额、在手库存、期末人数等。

因此事实表设计时,不只是判断“这个字段是不是数字”,还要判断:它能沿着哪些维度累加,沿着哪些维度不能累加。

这也是为什么销售流水和库存快照通常不会因为“字段差不多”就放进同一张事实表。事实表不是按字段长得像不像来划分,而是按业务过程和粒度划分。

三、雪花模型:维度为什么还要继续拆?

雪花模型,本质上是在星型模型基础上:继续规范化维度。 星型模型可能只有一张商品维度:商品 → 品牌 → 品类 → 大类。雪花模型则可能拆成:商品维度 → 品牌维度,商品维度 → 品类维度 → 商品大类维度

为什么要拆?当某些维度存在明显层级,并且属性很多、变化独立时,拆开以后可以减少大量重复维护。比如10万个商品可能只有300个品牌。

如果品牌集团、品牌等级、品牌负责人等几十个属性全部复制进10万条商品记录中,一旦品牌属性发生变化,就要更新大量数据。

拆成品牌维度以后,只需要维护对应品牌记录。但代价同样明显:查询链路变长了。 以前:事实表 → 商品维度现在可能变成:事实表 → 商品 → 品类 → 大类。

Join越多,用户理解模型和查询优化的成本通常也越高。所以雪花模型并不是:“比星型模型更专业。” 真正的判断应该是:维度进一步拆分带来的管理收益,值不值得增加查询复杂度。

行政区划、组织架构、复杂商品分类这类层级比较明确的维度,可以考虑适度雪花化;只有几千行、几个字段的小维度,往往没有必要为了“规范化”继续拆。真正做到这里时,还有一个很现实的问题:维度表拆开以后,上游数据并不会自动按照你的模型结构长好。

比如源系统可能只有商品编码和品类编码,品牌信息来自另一张主数据表,一级、二级分类又维护在不同表里。最后数仓需要的,却是已经建立好层级关系的一组维度数据。

这时候可以在FineDataLink 5.0的数据加工流程里先把商品、品牌、品类等数据按照业务键关联起来,对异常编码和缺失关系进行处理,再分别生成对应层级的维度表。这样雪花模型里每一条关系,都能追溯到实际的数据加工逻辑,而不是只停留在建模图上。

所以维度拆得越细,真正考验的反而越不是“会不会建表”,而是:这些层级关系能不能长期稳定地产生。

四、星座模型:为什么企业级数仓迟早会走到这一步?

一个企业不可能只有销售。通常还会有:销售、采购、库存、退货、物流、费用、资金。 如果每个主题都单独建设一套星型模型,很快会出现一个问题:销售有一套商品维度,库存有一套商品维度,采购又有一套商品维度。

最开始都能算。真正做跨主题分析时,就开始对不上。所以星座模型的关键并不是“事实表很多”,而是:多个事实表共享一致性维度。

例如:销售事实表 → 日期、商品、门店、客户;库存事实表 → 日期、商品、门店、仓库;采购事实表 → 日期、商品、仓库、供应商

其中商品、日期、门店可以被多个事实表共同使用。这样管理层才能继续追问:为什么某商品销量增长20%,库存周转却越来越慢?

这实际上需要同时分析:销售事实 + 库存事实。 而两个事实表之所以能够放在一起比较,前提就是:商品、日期等公共维度拥有一致口径。

这也是维度建模中特别重要的:一致性维度。 如果销售系统里的“华东”包含上海、江苏、浙江,库存系统里的“华东”还包含安徽,那么两个主题即使都叫“华东”,也不能直接比较。

所以星座模型真正解决的是:让不同业务过程拥有共同的分析语言。 但这里还有一个细节:共享维度不等于所有事实表必须使用完全相同的粒度。

销售事实可以细到订单明细,库存事实可能是“商品—仓库—天”的快照,采购事实又可能记录每一笔入库。它们真正需要统一的是:能够共同分析的维度口径。

实际做多主题数仓时,这一步往往会反过来影响数据加工方式。比如销售、库存、采购三个系统都有自己的商品编码,就不能分别把各自的商品表直接作为维度使用,而要先识别同一个商品,再统一映射到公共商品维度。

在FineDataLink 5.0里,这类公共维度通常可以先形成一条独立的数据加工链路,再让销售、库存、采购等事实任务按照同一套商品、组织、日期口径进行关联。后面增加新的业务主题时,也不必重新定义一遍“商品是谁、门店属于哪个区域”。

这才是星座模型真正有价值的地方:不是把很多事实表画在一起,而是让多个业务过程建立在同一套业务语义之上。

五、三个模型到底应该怎么选?

真正做项目时,不建议问:“我们选星型还是雪花?” 因为企业数仓很可能三种结构同时存在。更合理的是按照几个问题判断。

现在描述的是不是同一个业务过程?

销售、采购、库存是不同业务过程,通常应该分别建立事实表。不要为了减少表数量强行合并。

事实的粒度是否一致?

即使都属于销售,一个“订单头”事实和一个“订单明细”事实,粒度也不一样。粒度不同的数据如果直接混在一起,很容易产生重复计算。

维度本身有没有复杂层级?

简单客户、渠道、日期维度通常没有必要拆得很深。但复杂组织、商品分类可能需要适度规范化。

这个维度是不是会被多个业务过程重复使用?

如果商品、组织、日期、门店同时被销售、库存和采购使用,就应该开始考虑一致性维度。所以现实中的企业数仓经常是:单个业务过程使用星型结构;部分复杂维度适度雪花化;多个业务过程之间通过一致性维度形成星座。三者并不是互相排斥,而是在解决不同层级的问题。

六、真正难的,是历史变化怎么处理

模型上线当天通常都很漂亮。半年以后才是真正的考验。客户原来是普通客户,后来变成战略客户。

那么去年订单应该按照:现在的客户等级统计,还是订单发生时的客户等级统计? 这就是维度建模里绕不开的:缓慢变化维,也就是SCD。

最常见的处理思路可以简单理解成三类。Type 1:直接覆盖。 适合纠错。比如客户名称原来录错了,直接修改即可,不需要保留错误历史。Type 2:新增一条历史版本。 比如客户等级从A变成B:旧记录保留,并标记失效时间;再新增一条B级客户记录。这样去年发生的订单仍然连接旧版本,今年订单连接新版本。

Type 3:保留有限的新旧属性。 例如同时保存“当前区域”和“原区域”,适合只关心少量历史变化的场景。真正的数据仓库中,Type 2尤其重要。这也是为什么维度表通常还会设计:代理键。

同一个客户自然编码虽然一直是C001,但在数据仓库里,不同历史版本可以拥有不同代理键。例如:C001,普通客户,代理键1001;C001,战略客户,代理键2087。

事实发生时记录对应版本的代理键,才能把:“这个客户现在是什么状态” 和 “这笔业务发生时客户是什么状态” 区分开。

到了这一步,数据任务也不能只是每天简单覆盖一张表。它需要识别哪些记录是新增、哪些属性发生变化、哪些变化需要保留历史,再决定更新旧版本还是生成新版本。

如果维度和事实数据本身已经在FineDataLink 5.0中持续同步和加工,就可以把这些变化判断放进同一条数据链路里:先识别源数据变化,再更新维度历史版本,随后让新增事实关联到正确的代理键。公共商品、客户、组织维度被多个主题使用以后,还可以顺着任务依赖和血缘关系继续检查哪些下游表会受到影响。

这也是维度建模真正进入企业级以后很关键的一点:模型不是建完一次就结束,而是要能够解释持续变化的数据。

七、最后:维度建模真正建的是什么?

学完星型、雪花、星座以后,最容易产生一个误解:维度建模就是研究表怎么连。 实际上,表怎么连只是最后呈现出来的结果。

真正完整的顺序应该是:确定业务过程 → 声明事实粒度 → 确定维度 → 确定度量 → 判断度量可加性 → 处理历史变化 → 识别一致性维度 → 再决定最终表结构。

甚至有些字段虽然看起来属于维度,也不一定非要单独建表。例如订单号。它通常没有大量描述属性,但业务人员经常需要按照订单号查询明细。这类字段可以直接保存在事实表中,形成所谓的:退化维度。 所以成熟的维度建模,并不是机械套模板。

它真正需要解决的是三件事:业务事实怎么算得对;不同分析口径能不能统一;模型发生变化以后,历史数据还能不能解释。

再回头看三种模型:星型模型,解决单个业务过程如何高效分析;雪花模型,解决复杂维度如何组织;星座模型,解决多个业务过程如何共享统一的分析语言。

真正理解了粒度、事实、维度、一致性和历史变化,才算真正理解维度建模。因为一个好的数仓模型,最终目的从来不是让架构图看起来漂亮,而是:今天的数据算得对,明年的口径变了,昨天的数据依然解释得清。