业务库为什么不能直接拿来分析

业务库（OLTP）是为“一笔笔交易能正确写入”设计的，表结构高度规范化、拆得很碎，为的是少冗余、快写入。而分析（OLAP）要的是“按各种维度聚合大量数据”：比如按地区、按品类、按天统计销售额。直接在业务库上跑这种分析，多表 join 复杂、扫描行数巨大、还会和在线交易抢资源。

数据仓库的价值，就是把业务数据抽出来、清洗、重新组织成适合分析的结构，让分析查询跑得快、口径统一。其中最经典的方法就是 Kimball 提出的维度建模：围绕业务过程，用“事实 + 维度”的方式组织表，让分析师像在一个立方体上切来切去。

本文核心知识点
  • 分层ODS 贴源、DWD 明细、DWS 汇总，逐层加工。
  • 事实表存业务过程的度量，如一笔销售的金额、数量。
  • 维度表存从哪个角度看，如时间、地区、商品。
  • 星型模型事实表居中，维度表围绕，简单直观。
数据仓库维度建模配图：蓝色渐变背景中央一个事实表方块，四周放射连接多个维度表方块，形成星型结构，扁平科技插画
中央事实表放射连接四周的维度表，构成星型模型的分析结构。

数仓分层：ODS、DWD、DWS

现代数仓不是一张大表，而是分层加工：

  • ODS（贴源层）：几乎原样同步业务库的数据，只做格式对齐，保留历史。
  • DWD（明细层）：把 ODS 清洗、去重、规范化，形成干净的业务明细，一行就是一笔业务事实。
  • DWS（汇总层）：按主题把明细预聚合，如“每天每地区每品类的销售额”，供报表直接查询。
  • ADS（应用层）：面向具体报表或指标集市的最终结果表。

分层的意义是解耦与复用：业务库变了只影响 ODS，口径统一在 DWD，DWS 把高频聚合预计算好。不要一步到位从业务库直接出报表，那样口径乱、重复加工、改一次牵一发动全身。

事实表与维度表

维度建模的两个主角：

  • 事实表：记录一次业务事件，一行是一条事实，里面放外键（指向各维度）和可度量的数值（数量、金额、次数）。比如“2026-10-21，上海，苹果手机，卖出 2 台，金额 11998 元”。
  • 维度表：描述事实从哪个角度看，存放这个角度的各种描述属性。时间维度表有年月日、星期、是否节假日；地区维度表有省市区；商品维度表有品类、品牌。

设计时先问“业务要度量什么过程”（下单、支付、退款），那就是事实表；再问“想从哪些角度切它”（时间、地区、用户、商品），那些就是维度表。事实表通常很宽但行多，维度表行数少但属性丰富。

星型模型与雪花模型

把事实表放中间、维度表围绕在周围，就是星型模型：事实表的外键直接指向维度表的主键，不做进一步拆分。好处是 join 少、直观、查询快，是分析场景的首选。

如果把维度表本身也规范化拆成多层（比如地区再拆成省、市、区三张表），就成了雪花模型。它冗余更少，但 join 更深、查询更慢、理解更难。数仓里通常主动接受维度表的冗余（地区维度表里直接写上省市区全名），换取查询简单——这叫“反规范化”，是维度建模的有意选择。

# 星型模型示意
fact_sales(  date_key, region_key, product_key,
             quantity, amount )
dim_date(    date_key, year, month, is_holiday )
dim_region(  region_key, province, city, district )
dim_product( product_key, name, category, brand )

怎么设计维度

设计维度有几个要点：维度表要尽量宽，把分析时会用到的描述属性都放进去，别让分析师为了一个“商品品牌”还要多 join 一张表。常见维度包括时间、地点、人员、商品、渠道，它们在不同事实表之间应尽量复用（同一套 dim_date 服务所有事实表）。

日维度尤其常用：把日期预生成成一张维度表，带上年、季、月、周、星期、是否节假日、是否周末，分析时直接关联，避免每次写一大堆日期函数。退化维度（如订单类型这种只有几个值的小属性）可以直接塞进事实表，不必单独建表。

缓慢变化维

现实里维度的属性会变：一个用户换了手机号、一个商品改了所属品类。分析时往往要回答“按当时的品类统计”和“按当前品类统计”两个不同口径。这就是缓慢变化维（SCD）要解决的问题。

  • 直接覆盖（SCD1）：属性变了就更新成新值，不保留历史。适合“换了就按新的算”的场景。
  • 加新行（SCD2）：给维度表加有效期起止，属性变了就插一条新行，老行标记为失效。历史事实关联哪条行，就用哪期的属性，能还原当时的口径。

要按历史口径还原时，用 SCD2；不关心历史、只要当前最新值时，用 SCD1。别对所有维度都上 SCD2，否则维度表膨胀、关联复杂。