事实表是什么？事实表和维度表有什么区别？

数据仓库的核心职责是支撑数据分析和业务决策。而在数仓的整个架构里事实表和维度表是最基础、也是最关键的两个组件。不管是跑报表、做指标还是做更复杂的多维分析本质上都是在围绕这两张表做关联和计算。那么事实表和维度表到底有哪些区别今天就给大家一次性讲清楚。开始之前给大家分享一份数据仓库建设解决方案里面有数仓建设从需求梳理、建设规范、维度建模到硬件配置的全流程能帮你把事实表、维度表的设计逻辑落地到真实项目中解决数据口径不一致、查询慢等常见痛点。有需要自取https://s.fanruan.com/7igmg复制到浏览器一、维度表维度表的核心作用是描述数据的上下文提供数据分析的各类维度属性是所有分析的筛选、分组依据这是它的核心定位不会随业务变化而改变。1、核心存储内容以业务对象的特征属性为主非数值型数据居多。比如时间维度表含年、月、日、星期、季度客户维度表含客户ID、地域、年龄、消费等级产品维度表含产品ID、品类、规格、品牌这些都是对对象的固定描述。2、两个关键特性必须有唯一主键标识符这是和事实表联动的基础该主键会作为事实表的外键没有这个主键二者无法建立有效关联大多带有层次结构比如产品维度的品类-子品类-具体产品、地域维度的国家-省份-城市这种结构能实现数据分析从粗到细的钻取是分析灵活性的关键。实操设计要点设计时要兼顾扩展性业务需求变化后维度属性大概率需要增加比如客户维度后续要加会员等级、消费偏好提前预留设计空间能避免后期大规模改表同时属性要贴合分析需求分析需要什么筛选维度就设计对应的属性字段。数据特征数据量小、更新频率极低甚至长期不更新。比如产品的基础属性、地域的层级信息一旦确定就不会轻易变动数仓中维度表的行数通常远少于事实表。二、事实表事实表是数仓中存储业务过程度量数据的核心表所有数据分析的计算、汇总都是基于事实表的数值展开是数仓的核心分析载体。1、核心存储内容以业务过程的可度量数值为主也就是那些可以被量化、可以被汇总的数字搭配关联维度表的外键无任何业务特征描述。比如销售事实表的销售金额、销售数量、折扣金额交易事实表的交易笔数、交易金额这些数值均为整型或浮点型支持汇总计算。2、三大核心特性数据量大记录的是业务过程中每一个具体事件或交易比如银行的交易事实表、电商的下单事实表每天会产生数百万甚至上亿条记录度量值按可加性分类直接影响分析操作可加型如销售金额任意维度汇总均有意义、半可加型如库存仅特定维度汇总有意义、不可加型如优惠率需分解为原价和优惠金额等可加组件更新频率高多为实时或近实时增量更新业务过程发生即产生数据和维度表的静态特征形成鲜明对比。3、实操设计细节外键绝对不能有空值否则会违反参照完整性导致关联查询出错度量值空值建议用零值填充避免SQL过滤、计算操作失效先声明粒度再设计表粒度是事实表设计的第一步比如按“每一笔订单项”“每一次交易”定义粒度确定后才能明确关联的维度和需要的度量值。4、数据特征字段少、行多字段多为外键和度量值一个销售事实表可能只有十几个字段却有上亿条记录和维度表“字段多、行少”形成明显区别。5、事实表的三种类型事务事实表是最基础的事实表类型。每一行数据对应一个业务事件事件发生了就写入一条记录写入后不再修改。它的特点是数据稀疏某一天如果没有业务发生就没有数据。适合用来追踪明细流水比如交易记录、操作日志、出入库记录。周期快照事实表按固定时间间隔对业务状态进行采样。不管当天有没有业务发生都会写入一行。数据稠密比如每天对每个卖家的历史累计下单金额做一次快照即使某个卖家当天没有任何交易也会有一行记录保存他的当前状态。这种表适合做趋势分析和周期性报表。需要注意的是快照事实表里的度量值大多是半可加型的。比如今天的库存数量加上昨天的库存数量这个结果没有意义不能简单地在时间维度上累加。累积快照事实表用来记录一个业务对象完整生命周期内的状态变化。它的典型特征是一行数据包含多个时间字段并且这行数据会随着业务推进不断被更新。这种表特别适合用来分析各业务节点之间的时间间隔比如下单到支付的平均时长、支付到发货的平均时长这类问题用事务事实表很难回答但用累积快照事实表就很直接。三、核心区别一张表搞懂四、两者如何关联使用事实表和维度表并非独立存在而是相互配合共同构成数仓的星型、雪花模式核心关联逻辑只有一个维度表的主键 事实表的外键。关联逻辑实操比如销售事实表中会有客户ID、产品ID、时间ID这些外键分别关联客户、产品、时间维度表的主键通过这种关联就能把销售的度量数值和对应的客户、产品、时间特征结合实现多维度分析。为何不能孤立设计很多新手建表后发现无法分析就是因为孤立设计导致粒度和属性不匹配。比如设计销售事实表时确定了“订单项”粒度就需要关联客户、产品、物流等维度表而维度表的设计也要贴合这个粒度的分析需求比如需要按客户消费等级分析客户维度表就必须有消费等级属性。关联分析的本质所有多维分析都是“维度表筛选分组 事实表数值汇总”的过程。比如分析某季度华东地区美妆品类的销售总额就是通过时间维度筛选季度、地域维度筛选华东、产品维度筛选美妆再关联销售事实表汇总金额你懂我意思吗这是所有数仓分析的底层逻辑。五、维度表和事实表的设计与维护数仓的性能和分析效率很大程度上取决于事实表和维度表的设计是否合理前期多花时间打磨表结构后期数据分析会轻松很多。1、维度表设计维护合理分类组织属性把常用的筛选、分组属性放在表里避免冗余做好缓慢变化维处理比如客户地域、消费等级变化时要保留历史数据避免数据分析出现偏差始终围绕事实表的分析需求设计事实表需要什么维度维度表就提供对应的属性。2、事实表设计维护严格遵循设计原则比如尽可能包含业务相关事实、同一表中不能有多种粒度、事实单位保持一致等关注数据一致性跨事实表的相同度量定义和命名必须一致否则会导致分析结果混乱度量值处理要规范不可加型事实必须分解为可加组件空值按规则填充外键杜绝空值。在实际的数仓建设中从维度表和事实表的设计建模到数据的抽取、清洗、关联整合再到后续的分析应用都需要高效的工具支撑才能让数仓搭建更高效、数据治理更规。FineDataLink恰好能完美适配数仓建设的全流程需求它可以帮助企业快速搭建数据仓库轻松实现维度表与事实表的关联建模同时高效完成数据的抽取、转换、加载让数据的管理、分析和使用更便捷。无论是事实表的增量更新、维度表的缓慢变化维处理还是多源数据的整合关联FineDataLink一款工具就能搞定帮你提升数据治理的效率和质量优化数仓设计与分析的全流程效果。工具链接放在这里有需要可点击链接下载​​​​​​​https://s.fanruan.com/tx4dw复制到浏览器最后其实事实表和维度表的区分本质上就是描述信息和度量信息的区分把二者的边界划清、配合用好数仓建设和数据分析的基础就立住了后续的钻取、汇总、多维度分析都会水到渠成。