1. 星型模式
星形模式(Star Schema)是最常用的维度建模方式。星型模式是以事实表为中心,所有的维度表直接连接在事实表上,像星星一样。星形模式的维度建模由一个事实表和一组维表成,且具有以下特点:a. 维表只和事实表关联,维表之间没有关联;b. 每个维表主键为单列,且该主键放置在事实表中,作为两边连接的外键;c. 以事实表为核心,维表围绕核心呈星形分布;
2. 雪花模式
雪花模式(Snowflake Schema)是对星形模式的扩展。雪花模式的维度表可以拥有其他维度表的,虽然这种模型相比星型更规范一些,但是由于这种模型不太容易理解,维护成本比较高,而且性能方面需要关联多层维表,性能也比星型模型要低。所以一般不是很常用
雪花模式
3.星座模式
星座模式是星型模式延伸而来,星型模式是基于一张事实表的,而星座模式是基于多张事实表的,而且共享维度信息。前面介绍的两种维度建模方法都是多维表对应单事实表,但在很多时候维度空间内的事实表不止一个,而一个维表也可能被多个事实表用到。在业务发展后期,绝大部分维度建模都采用的是星座模式。
星座模型
1. 星型模式
星形模式(Star Schema)是最常用的维度建模方式。星型模式是以事实表为中心,所有的维度表直接连接在事实表上,像星星一样。星形模式的维度建模由一个事实表和一组维表成,且具有以下特点:a. 维表只和事实表关联,维表之间没有关联;b. 每个维表主键为单列,且该主键放置在事实表中,作为两边连接的外键;c. 以事实表为核心,维表围绕核心呈星形分布;
2. 雪花模式
雪花模式(Snowflake Schema)是对星形模式的扩展。雪花模式的维度表可以拥有其他维度表的,虽然这种模型相比星型更规范一些,但是由于这种模型不太容易理解,维护成本比较高,而且性能方面需要关联多层维表,性能也比星型模型要低。所以一般不是很常用
雪花模式
3.星座模式
星座模式是星型模式延伸而来,星型模式是基于一张事实表的,而星座模式是基于多张事实表的,而且共享维度信息。前面介绍的两种维度建模方法都是多维表对应单事实表,但在很多时候维度空间内的事实表不止一个,而一个维表也可能被多个事实表用到。在业务发展后期,绝大部分维度建模都采用的是星座模式。
星座模型
一般而言,数据分析模式有四种,描述性数据分析、诊断性数据分析、预测性数据分析、指导性数据分析。
1)描述性数据分析
在这个分类里,主要是为了搞清楚一件事,即发生了什么?当然,这也是平时工作中使用模式最为普遍的一种。
举个例子,比如你搜集了过去5年的每一季度的产品销量数据,然后经过整理,可视化。最终,你得到一个结论,最近5年来,该产品持续低迷,销量持续下滑。这就是所谓的描述性数据分析,他帮助我们描述了一件事具体是什么。
2)诊断性数据分析
描述性统计是为了知道发生了什么,而诊断性数据分析则是为了知道现象背后的原因是什么?
仍然跟着上面的例子走,当你知道该产品最近5年持续低迷,销量不断下滑这个现象之后。那么,你就应该进一步去判断,是什么样子的原因导致了这种情况。
经常使用的方法就是细分维度以及交叉维度,总之经过这样的分析之后,你得到了一个结论:由于该产品质量发生重大错误,导致销量在5年以内持续低走。
3)预测性数据分析
接下来你有点坐立不安了,你特别想知道如果不改变策略的话,下个季度或者未来更久的时间内,销量会发生什么样子的变化呢?
这个时候你就需要根据历史数据搭建一个预测模型了,然后再根据这个预测模型得到下个季度的产品销量数据以及之后更久的产品销量数据。
因此,你通过这个预测性数据分析,你知道了,是时候发生一些改变了,不然企业会垮掉的。这就是预测性数据分析的作用。
4)指导型数据分析
知道事情的严重性还不行,你还需要知道通过怎么样的办法来进行改善产品质量,从而提升产品的销量。这时候你通过调取产品线的各项抽样数据,然后进行细致的分析,你突然发现某个生产线的质量是产品质量差的关键。
因此,是时候对这个产品线进行一些处理了,不然会影响整个品牌乃至企业的。
这就是数据分析常见的四种分析模型,希望对你有所帮助。