Чистка заголовков

2025-11-15 21:20:52 +03:00
parent b2ae216b07
commit 71d885a9db
1 changed files with 31 additions and 30 deletions
@@ -1,9 +1,9 @@
-# **Хранилище данных: как устроена аналитика «под капотом»**  
+# Хранилище данных: как устроена аналитика «под капотом»
 *Для тех, кто знает SQL, но хочет понять, как хранить данные не в Excel, а по-взрослому*

 ---

-## **Что вы уже умеете — и что узнаете здесь**
+## Что вы уже умеете — и что узнаете здесь

 ✅ Уже знаете:  
 - `SELECT`, `JOIN`, `GROUP BY`;  
@@ -24,7 +24,7 @@

 ---

-## **1. Введение: почему нельзя просто SELECT из базы заказов?**
+## 1. Введение: почему нельзя просто SELECT из базы заказов?

 Представьте: вы — аналитик в интернет-магазине. Вам нужно ответить на вопрос:  
 > **«Сколько заказов сделал клиент с email `a@ex.com` за 2023 год, и сколько он потратил?»**
@@ -45,7 +45,7 @@

 ---

-## **2. Учебный пример: интернет-магазин**
+## 2. Учебный пример: интернет-магазин

 Чтобы всё было на пальцах — разберём простой, но живой пример.

@@ -70,7 +70,7 @@

 ---

-## **3. Зачем делить DWH на слои?**
+## 3. Зачем делить DWH на слои?

 Представьте, что вы строите дом. Вы же не будете сразу вбивать гвозди в стены — сначала:  
 1. Привезли стройматериалы (песок, доски, кирпич) — **сырьё**;  
@@ -121,7 +121,7 @@ flowchart TD

 ---

-## **4. Путешествие данных: от STG до DM**
+## 4. Путешествие данных: от STG до DM

 Давайте проследим, как превращается строка заказа.

@@ -189,7 +189,7 @@ flowchart TD

 ---

-## **5. Базовые понятия: факты, измерения, SCD**
+## 5. Базовые понятия: факты, измерения, SCD

 Представьте отчёт:  
 > *«10 января 2024 года клиент из Москвы (сегмент Premium) купил Phone за 100 ₽»*.
@@ -245,7 +245,7 @@ erDiagram
    }
 ```

-### **SCD Type 2 — как хранить историю**
+### SCD Type 2 — как хранить историю

 Клиент №101:  
 - с 1 янв по 15 мая — `email = a@ex.com`, `city = Москва`;  
@@ -272,11 +272,11 @@ fact_sales.order_date BETWEEN dim_customer.valid_from AND dim_customer.valid_to

 ---

-## **6. Модели данных для слоя DDS: 4 подхода — и когда какой выбрать**
+## 6. Модели данных для слоя DDS: 4 подхода — и когда какой выбрать

 В DDS мы можем хранить данные по-разному. Это не «правильно/неправильно», а **выбор под задачу**.

-### **1. 3NF (третья нормальная форма)**  
+### 1. 3NF (третья нормальная форма)  
 *Источник: Билл Инмон (Bill Inmon)*

 ✅ **Плюсы**:  
@@ -295,7 +295,7 @@ fact_sales.order_date BETWEEN dim_customer.valid_from AND dim_customer.valid_to

 ---

-### **2. Звезда (Star Schema)**  
+### 2. Звезда (Star Schema)  
 *Источник: Ральф Кимболл (Ralph Kimball)*

 ✅ **Плюсы**:  
@@ -314,7 +314,7 @@ fact_sales.order_date BETWEEN dim_customer.valid_from AND dim_customer.valid_to

 ---

-### **3. Data Vault 2.0 — «конструктор Lego» для больших DWH**
+### 3. Data Vault 2.0 — «конструктор Lego» для больших DWH

 *Идея: Дэн Линстедт (Dan Linstedt). Цель — так организовать хранилище, чтобы можно было спокойно добавлять новые источники и хранить историю, не ломая старую модель.*

@@ -416,7 +416,8 @@ fact_sales.order_date BETWEEN dim_customer.valid_from AND dim_customer.valid_to

 ---

-### **4. Anchor Modeling (анкерное моделирование)**  
+### 4. Anchor Modeling (анкерное моделирование)
+
 *Источник: Ларс Рёне (Lars Rönnbäck)*

 Ещё более атомарный подход:  
@@ -439,7 +440,7 @@ fact_sales.order_date BETWEEN dim_customer.valid_from AND dim_customer.valid_to

 ---

-### **Сравнение моделей — наглядно**
+### Сравнение моделей — наглядно

 ```mermaid
 quadrantChart
@@ -459,11 +460,11 @@ quadrantChart

 ---

-## **7. Практикум: как собрать первую витрину**
+## 7. Практикум: как собрать первую витрину

 Покажем на примере `mart_daily_sales` — таблицу, которую можно сразу подключить к BI.

-### **Этапы сборки**
+### Этапы сборки

 1. Из STG → ODS:
   - `stg.orders_raw` → `ods.orders` (привели `order_date` к `DATE`);
@@ -509,9 +510,9 @@ flowchart TD
    DM_SALES --> BI
 ```

-### **Готовые SQL-скрипты**
+### Готовые SQL-скрипты

-Все необходимые скрипты для построения хранилища находятся в папке [`sql/`](dwh-modeling/sql/):
+Все необходимые скрипты для построения хранилища находятся в папке [`sql/`](sql/):

 - [`01_ddl_stg-dds.sql`](sql/01_ddl_stg-dds.sql) — создание схем и таблиц (STG, ODS, DDS)
 - [`02_dml_stg-dds.sql`](sql/02_dml_stg-dds.sql) — загрузка данных и трансформация
@@ -520,7 +521,7 @@ flowchart TD
 - [`05_ddl_dm.sql`](sql/05_ddl_dm.sql) — создание витрин (Data Marts)
 - [`06_dml_dm.sql`](sql/06_dml_dm.sql) — наполнение витрин данными

-### **Пример SQL-запроса для витрины**
+### Пример SQL-запроса для витрины

 ```sql
 -- mart_daily_sales: ежедневные продажи с сегментацией
@@ -547,7 +548,7 @@ GROUP BY d.date_actual, p.product_name, c.customer_segment;

 ---

-## **8. Как выбрать модель данных? Советы от практиков**
+## 8. Как выбрать модель данных? Советы от практиков

 Выбор модели — **не техническая задача, а стратегическая**.  
 Это как решать: строить дом из кирпича, дерева или SIP-панелей. У каждой технологии — свои плюсы, но **главное — подходит ли она *вам* сегодня**.
@@ -636,7 +637,7 @@ GROUP BY d.date_actual, p.product_name, c.customer_segment;

 ---

-## **9. Эксплуатация: качество данных — это не «опция»**
+## 9. Эксплуатация: качество данных — это не «опция»

 Самая красивая архитектура бессмысленна, если в `mart_daily_sales` — нули.  
 Поэтому в каждом слое — **контроль качества (DQ, Data Quality)**.
@@ -679,7 +680,7 @@ SELECT 'OK' WHERE EXISTS (

 ---

-## **10. Заключение: главное — понимать «почему»**
+## 10. Заключение: главное — понимать «почему»

 Хранилище данных — это не про «крутые технологии», а про **мышление**:

@@ -705,7 +706,7 @@ SELECT 'OK' WHERE EXISTS (

 ---

-## **Приложения**
+## Приложения

 ### 📚 Мини-глоссарий (RU / EN)

@@ -747,11 +748,11 @@ SELECT 'OK' WHERE EXISTS (

 ---

-## **ЧАСТЬ C. Мини-датасет (для практики)**
+## ЧАСТЬ C. Мини-датасет (для практики)

 Все данные для практики находятся в папке [`data/`](data/) — тренируйтесь:

-[**`customers.csv`**](data/customers.csv):
+[`customers.csv`](data/customers.csv):
 ```csv
 customer_id,email,phone,city
 101,a@ex.com,700,Москва
@@ -759,14 +760,14 @@ customer_id,email,phone,city
 102,c@ex.com,701,СПб
 ```

-[**`orders.csv`**](data/orders.csv):
+[`orders.csv`](data/orders.csv):
 ```csv
 order_id,order_date,customer_id
 5001,2024-01-10,101
 5002,2024-02-05,102
 ```

-[**`order_items.csv`**](data/order_items.csv):
+[`order_items.csv`](data/order_items.csv):
 ```csv
 order_item_id,order_id,product_id,qty,price_at_sale
 1,5001,9001,2,100.00
@@ -774,14 +775,14 @@ order_item_id,order_id,product_id,qty,price_at_sale
 3,5002,9001,1,100.00
 ```

-[**`products.csv`**](data/products.csv):
+[`products.csv`](data/products.csv):
 ```csv
 product_id,name
 9001,Phone
 9002,Case
 ```

-[**`prices.csv`**](data/prices.csv):
+[`prices.csv`](data/prices.csv):
 ```csv
 product_id,valid_from,valid_to,price
 9001,2023-12-01,2024-01-31,100
@@ -792,7 +793,7 @@ product_id,valid_from,valid_to,price

 ---

-## **ЧАСТЬ D. DDL-скелеты (PostgreSQL)**
+## ЧАСТЬ D. DDL-скелеты (PostgreSQL)

 Полные DDL-скрипты для всех слоёв хранилища находятся в файле [`01_ddl_stg-dds.sql`](sql/01_ddl_stg-dds.sql).