ddmitry/de-roadmap
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

Чистовик статьи + материалы

Browse Source
This commit is contained in:
ddadmin
2025-11-07 11:05:44 +03:00
parent fa42a4508f
commit dfc5748358
15 changed files with 1912 additions and 1 deletions
Download Patch File Download Diff File Expand all files Collapse all files
README.md
+1 -1
View File
@@ -53,7 +53,7 @@
- [Яндекс Практикум: что такое нормализация, простыми словами (для самых начинающих)](https://practicum.yandex.ru/blog/chto-takoe-normalizaciya-dannyh/) - [Яндекс Практикум: что такое нормализация, простыми словами (для самых начинающих)](https://practicum.yandex.ru/blog/chto-takoe-normalizaciya-dannyh/)
- [Базы данных. 1,2,3 нормальные формы. - Youtube](https://www.youtube.com/watch?v=zwQzL80U51c) - [Базы данных. 1,2,3 нормальные формы. - Youtube](https://www.youtube.com/watch?v=zwQzL80U51c)
- Краткая теория про [DWH](https://halltape.github.io/HalltapeRoadmapDE/DWH/) - Краткая теория про [DWH](https://halltape.github.io/HalltapeRoadmapDE/DWH/)
- Теория про Slowly Changing Dimensions: [SCD](SCD.md) - Теория про Slowly Changing Dimensions: [SCD](dwh-modeling/SCD.md)
- Хорошее общее введение в модели данных дано в статье и докладе от Yandex: [Как мы внедрили свою модель хранения данных — highly Normalized hybrid Model. Доклад Яндекса](https://habr.com/ru/companies/yandex/articles/557140/) - Хорошее общее введение в модели данных дано в статье и докладе от Yandex: [Как мы внедрили свою модель хранения данных — highly Normalized hybrid Model. Доклад Яндекса](https://habr.com/ru/companies/yandex/articles/557140/)
dwh-modeling/README.md
+663
View File
@@ -0,0 +1,663 @@
Отлично! Вот **связный, литературный и педагогически выстроенный** вариант статьи, адаптированный под новичков (студентов с базовым SQL), но без упрощения сути. Я убрал «рыхлые» места, усилил плавность повествования, добавил пояснения «на пальцах» — и сохранил все важные детали: архитектурные слои, модели данных, SCD, ключи, антипаттерны.
Статья оформлена как **обучающий материал** — с логикой «от боли к решению», с живым примером (интернет-магазин), с акцентом на *почему*, а не только *как*.
Готова к публикации на Habr, с приложенным GitHub-репозиторием.
---
# **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**
✅ Уже знаете:
- `SELECT`, `JOIN`, `GROUP BY`;
- как посчитать сумму/среднее/количество по таблице.
🆕 Узнаете в этой статье:
- **слои хранилища** (STG → ODS → DDS → DM) и *зачем они нужны*;
- **факты и измерения** — основные кирпичики аналитики;
- **SCD Type 2** — как хранить историю изменений клиента (например, смену email или города);
- **суррогатные ключи (SK)** и чем они отличаются от обычных `id`;
- **четыре модели данных**: 3NF, Звезда (Star), Data Vault, Anchor Modeling — и когда какую использовать.
⛔ **Не будем говорить** здесь о:
- физическом хранении (партиции, индексы, ClickHouse-движки);
- распределённых кластерах (Kafka, Spark, Airflow — это отдельный курс);
- настройке производительности (`EXPLAIN`, кэши и т.п.).
Это — про *логику*, структуру и здравый смысл.
---
## **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?»**
Вы идёте в базу заказов — и… не находите email. Он в CRM. Идёте в CRM — там нет сумм заказов. Возвращаетесь в заказы — сумма есть, но *только текущая цена товара*. А в 2023 году цена была другой!
Знакомо? Это — **проблема OLTP-систем** (оперативного учёта):
- **CRM**, **склад**, **платёжка** — это разные базы;
- каждая оптимизирована под *быструю запись операций* («добавить заказ», «списать товар»);
- историю там не хранят — email меняется «в лоб»: старое значение перезаписывается.
Такие системы называют **OLTP** (*Online Transaction Processing* — обработка транзакций в реальном времени).
А для аналитики нужна **OLAP** (*Online Analytical Processing* — обработка запросов на анализ).
➡️ **Хранилище данных (Data Warehouse, DWH)** — это как «единая карта сокровищ», куда собирают данные из всех источников, *сохраняя историю*, *выравнивая термины* и *готовя их к анализу*.
И вот главный секрет его успеха: **слоистая архитектура**.
---
## **2. Учебный пример: интернет-магазин**
Чтобы всё было на пальцах — разберём простой, но живой пример.
У нас есть 6 таблиц из трёх источников:
| Таблица | Источник | Что содержит |
|---------|----------|--------------|
| `customers` | CRM | Клиенты: `customer_id`, `email`, `phone`, `city` |
| `orders`, `order_items` | Заказы | Заказы и позиции в них |
| `products` | Склад | Товары: `product_id`, `name` |
| `prices` | Склад | История цен: `product_id`, `valid_from`, `valid_to`, `price` |
| `promos` | Маркетинг | Акции: `promo_id`, `code` |
⚠️ Обратите внимание:
- `customer_id = 101` в одном месяце — `a@ex.com`, в другом — `b@ex.com`;
- цена на товар `9001` (Phone) в январе — 100 ₽, в феврале — 110 ₽;
- `order_items` содержит `price_at_sale` — *цену в момент покупки*, а не текущую.
Это уже **намёк**: чтобы посчитать выручку 2023 года, нам нужна не текущая цена, а *та, что была в день заказа*.
(ER-диаграмма и DDL-примеры — в конце статьи, в разделе «Для практики».)
---
## **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**;
2. Очистили, просеяли, нарезали — **обработка**;
3. Собрали каркас, провели коммуникации — **интеграция**;
4. Сделали отделку под конкретную квартиру — **готовое решение**.
В DWH — то же самое. Каждый слой отвечает за *одну задачу*:
```mermaid
flowchart TD
subgraph Sources["Источники"]
A["CRM"]
B["Заказы"]
C["Склад"]
end
subgraph STG["STG — «Сырьё»"]
D["Таблицы-дубликаты</br>в формате источника"]
end
subgraph ODS["ODS — «Очистка»"]
E["Типы:</br>даты → DATE,</br>числа → INT/DECIMAL</br>Валидация: email, phone"]
end
subgraph DDS["DDS — «Интеграция»"]
F["Общие сущности:</br>клиент, товар, дата</br>История (SCD),</br>суррогатные ключи"]
end
subgraph DM["DM — «Готовые решения»"]
G["Витрина продаж: дата, товар, клиент, сумма</br>+ агрегаты (выручка/день)"]
end
A --> STG
B --> STG
C --> STG
STG --> ODS
ODS --> DDS
DDS --> DM
DM --> BI["BI-системы</br>(Power BI, Tableau,</br>Metabase)"]
```
👉 **Почему так лучше, чем «одна большая таблица»?**
1. **Управляемость**: если в `customers` пришёл битый `email` — ошибка локализована в STG/ODS, DDS не пострадает.
2. **Прозрачность**: можно посмотреть: «а как выглядел исходник?», «а как мы его почистили?».
3. **Производительность**: в DDS и DM — только то, что нужно для анализа. Никаких `JSON`-полей, `TEXT` без причины.
---
## **4. Путешествие данных: от STG до DM**
Давайте проследим, как превращается строка заказа.
### **STG (Staging / «Бронза»)** — «как пришло»
- Таблицы: `stg.orders_raw`, `stg.customers_raw`;
- Структура — *точно как в источнике* (может быть `VARCHAR` даже у дат);
- Добавлены технические поля:
- `_ingest_id` — идентификатор загрузки;
- `_load_ts` — время получения данных;
- Главное правило: **неизменяемость**. Если пришла новая порция — либо добавляем новые строки, либо *полностью перезагружаем* слой (идемпотентность).
- Дедупликация: если два раза пришёл один и тот же заказ — оставляем один (по `order_id + _load_ts`).
> 💡 *Пример:* `stg.orders_raw` содержит `"2024-01-10"` как строку — это нормально. Главное — не потерять оригинал.
---
### **ODS (Operational Data Store / «Серебро»)** — «почистили, но не трогали смысл»
- Таблицы: `ods.orders`, `ods.customers`;
- Здесь:
- привели `order_date` к типу `DATE`;
- убрали заказы без клиента (`customer_id IS NULL` → ошибка или флаг);
- привели телефоны к формату `79991112233`;
- проверили email на валидность (регуляркой или простой проверкой).
- **Но!** Не объединяем клиента из CRM и клиента из заказов — это будет позже.
- Пока — никакой бизнес-логики. Только *техническая* очистка.
> 🎯 Цель ODS — дать «надёжную платформу» для следующего слоя. Как сухое, чистое бревно перед сборкой дома.
---
### **DDS (Data Delivery Store / «Ядро», «Золото»)** — «интеграция + история»
Здесь рождается *единая бизнес-модель*.
Появляются понятия: **измерения**, **факты**, **суррогатные ключи**, **SCD**.
Например:
| Таблица | Назначение |
|---------|------------|
| `dds.dim_customer` | Измерение «Клиент» с историей (SCD Type 2) |
| `dds.dim_product` | Измерение «Товар» |
| `dds.dim_date` | Готовый календарь на 10 лет вперёд (день/неделя/месяц/квартал) |
| `dds.fact_sales` | Факт «Продажа» — строка заказа с суммой и количеством |
💡 **Суррогатный ключ (Surrogate Key, SK)** — это `BIGINT`, который мы генерируем сами (например, `customer_sk = 1001`).
**Бизнес-ключ (Business Key, BK)** — это `customer_id = 101` из источника.
Мы храним и то, и другое — чтобы можно было и джойнить, и понимать, откуда строка.
> ✅ Почему не использовать `customer_id` напрямую?
> — Потому что в одном источнике `customer_id` — целое число, в другом — строка `CUST-101`.
> — Потому что ID могут повторяться (например, в тестовой и продовой базах).
> — Потому что нам нужна *связь* с историей: у клиента с BK = `101` может быть 3 версии в `dim_customer`.
---
### **DM (Data Mart / «Витрины»)** — «готово к употреблению»
Здесь — таблицы и представления для конкретных задач:
- `dm.mart_daily_sales` — ежедневные продажи по товарам и сегментам;
- `dm.mart_customer_360` — полный портрет клиента: сколько потратил, когда заходил, какие товары любит.
Они построены по модели **Звезда (Star Schema)** — потому что BI-инструментам так удобнее всего.
---
## **5. Базовые понятия: факты, измерения, SCD**
Представьте отчёт:
> *«10 января 2024 года клиент из Москвы (сегмент Premium) купил Phone за 100 ₽»*.
В DWH это разложится на:
- **Факт (Fact)** — событие, которое можно измерить: *покупка*.
Хранится в `fact_sales`: `quantity = 1`, `amount = 100`.
- **Измерения (Dimensions)** — *контекст* факта:
- `dim_date` → 10 января 2024;
- `dim_customer` → Москва, Premium;
- `dim_product` → Phone.
```mermaid
erDiagram
dim_date ||--o{ fact_sales : "дата"
dim_customer ||--o{ fact_sales : "клиент"
dim_product ||--o{ fact_sales : "товар"
dim_customer {
bigint customer_sk PK "суррогатный ключ"
varchar customer_bk "бизнес-ключ, напр. '101'"
varchar customer_name
varchar email
varchar city
date valid_from
date valid_to
boolean is_current
}
fact_sales {
bigint sale_id PK
bigint customer_sk FK
bigint product_sk FK
int date_key FK "ссылка на dim_date.date_key"
int quantity
decimal amount
}
```
### **SCD Type 2 — как хранить историю**
Клиент №101:
- с 1 янв по 15 мая — `email = a@ex.com`, `city = Москва`;
- с 16 мая — `email = b@ex.com`, `city = Москва`;
- с 1 окт — `email = b@ex.com`, `city = Санкт-Петербург`.
В `dim_customer` это будет **три строки**:
| customer_sk | customer_bk | email | city | valid_from | valid_to | is_current |
|-------------|-------------|-------|------|------------|----------|------------|
| 1001 | 101 | a@ex.com | Москва | 2023-01-01 | 2023-05-15 | false |
| 1002 | 101 | b@ex.com | Москва | 2023-05-16 | 2023-09-30 | false |
| 1003 | 101 | b@ex.com | СПб | 2023-10-01 | 9999-12-31 | true |
Когда мы считаем продажи за **12 января** — джойним `fact_sales` к той строке `dim_customer`, где:
```sql
fact_sales.order_date BETWEEN dim_customer.valid_from AND dim_customer.valid_to
```
и получаем актуальный на тот день email и город.
> 🔍 Подробнее про SCD — в отдельной статье [SQC](SCD.md) (сравнение Type 1/2/3, паттерны обновления).
---
## **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)**
*Источник: Билл Инмон (Bill Inmon)*
✅ **Плюсы**:
- Максимальная **целостность** — дубликатов нет (все атрибуты — там, где должны быть);
- Легко **расширять** — добавили новый источник? Расширили связанный справочник.
❌ **Минусы**:
- Запросы сложные: много JOIN’ов даже для простого отчёта;
- Тяжело новичкам: «а где город клиента?» → нужно пройти `customer → address → city`.
📌 **Когда выбирать**:
→ Корпоративные DWH, где важна *единая терминология* и *долгосрочная поддержка*.
→ Когда источников — десятки, и нужно гарантировать консистентность.
---
### **2. Звезда (Star Schema)**
*Источник: Ральф Кимболл (Ralph Kimball)*
✅ **Плюсы**:
- **Простота**: факт + несколько «плоских» измерений;
- **Скорость**: BI-системы любят звезду — запросы пишутся за 5 минут;
- **Понятно бизнесу**: «продажи по товарам и клиентам» — это ровно то, что в таблицах.
❌ **Минусы**:
- Дублирование: город будет повторяться в каждой строке клиента;
- Изменение структуры измерения — дорого (перестроить всю витрину).
📌 **Когда выбирать**:
→ Витрины (DM), а не ядро (DDS);
→ Начинающим командам и MVP;
→ Когда отчёты — главная цель.
---
### **3. Data Vault 2.0**
*Источник: Дэн Линстедт (Dan Linstedt)*
Модель основана на трёх типах таблиц:
| Тип | Назначение | Пример |
|-----|------------|--------|
| **Hub (Хаб)** | Хранит бизнес-ключи (BK) | `hub_customer`: `customer_id`, `load_dttm` |
| **Link (Связь)** | Фиксирует отношения | `link_order_customer`: `order_id + customer_id` |
| **Satellite (Сателлит)** | Хранит атрибуты + историю | `sat_customer_info`: имя, email, дата начала/окончания |
```mermaid
erDiagram
hub_customer ||--o{ sat_customer_info : "хаб → сателлит"
hub_order ||--o{ sat_order_details : "хаб → сателлит"
hub_customer ||--o{ link_order_customer : "участвует в"
hub_order ||--o{ link_order_customer : "создан клиентом"
```
✅ **Плюсы**:
- **История «из коробки»** — каждое изменение — новая строка в сателлите;
- **Масштабируемость**: легко подключить новый источник — добавили хаб/линк/сателлит;
- **Аудит**: откуда пришёл каждый факт — видно по `_load_dttm`.
❌ **Минусы**:
- Сложно читать (20 таблиц вместо 3);
- Нужно писать сложные запросы (или использовать автоматическую генерацию витрин).
📌 **Когда выбирать**:
→ Большие проекты с 10+ источниками;
→ Когда критична **трассировка** и **соответствие регуляторным требованиям** (например, финтех).
> 📌 *DV 1.0* не поддерживал SCD Type 2 «из коробки» — в DV 2.0 это решено.
---
### **4. Anchor Modeling (анкерное моделирование)**
*Источник: Ларс Рёне (Lars Rönnbäck)*
Ещё более атомарный подход:
- **Anchor** — сущность (клиент, товар);
- **Attribute** — атрибут (email, имя);
- **Tie** — связь (как Link в DV);
- Все таблицы — 2–3 столбца.
✅ **Плюсы**:
- **Максимальная гибкость**: поменяли модель — не трогали старые таблицы;
- **Бесконечная эволюция**: можно добавлять атрибуты «задним числом».
❌ **Минусы**:
- Очень сложные запросы (JOIN’ов — десятки);
- Почти не используется «в чистом виде» — чаще как концепция.
📌 **Когда выбирать**:
→ Экспериментальные проекты;
→ Когда схема данных *каждый месяц* радикально меняется.
---
### **Сравнение моделей — наглядно**
```mermaid
quadrantChart
title Где какая модель? (интуитивно)
x-axis "Низкая сложность → Высокая сло́жность"
y-axis "Низкая гибкость → Высокая гибкость"
"Звезда": [0.2, 0.3]
"3NF": [0.6, 0.5]
"Data Vault": [0.8, 0.8]
"Anchor": [0.95, 0.95]
```
> 🎯 **Вывод**: нет «лучшей» модели. Есть **подходящая под контекст**.
> — Для обучения — **Звезда** (просто, наглядно).
> — Для корпоративного DWH — **3NF + Звезда на выходе**.
> — Для масштабируемой интеграции — **Data Vault**.
---
## **7. Практикум: как собрать первую витрину**
Покажем на примере `mart_daily_sales` — таблицу, которую можно сразу подключить к Power BI.
### **Этапы сборки**
1. Из STG → ODS:
- `stg.orders_raw` → `ods.orders` (привели `order_date` к `DATE`);
2. Из ODS → DDS:
- `ods.customers` → `dds.dim_customer` (SCD Type 2);
- `ods.products` → `dds.dim_product`;
- `ods.orders` + `ods.order_items` → `dds.fact_sales`;
3. Из DDS → DM:
- `fact_sales` + `dim_*` → `mart_daily_sales`.
```mermaid
flowchart LR
STG[stg.orders_raw] --> ODS[ods.orders]
ODS --> DDS[dds.fact_sales]
dds.dim_customer --> DDS
dds.dim_product --> DDS
dds.dim_date --> DDS
DDS --> DM[mart_daily_sales]
DM --> BI[Power BI]
```
### **Пример SQL-запроса для витрины**
```sql
-- mart_daily_sales: ежедневные продажи с сегментацией
CREATE MATERIALIZED VIEW dm.mart_daily_sales AS
SELECT
d.date_actual AS order_date,
p.product_name,
c.customer_segment, -- например: 'Premium', 'Basic'
SUM(f.quantity) AS total_qty,
SUM(f.amount) AS total_revenue
FROM dds.fact_sales f
JOIN dds.dim_date d
ON f.date_key = d.date_key
JOIN dds.dim_product p
ON f.product_sk = p.product_sk
JOIN dds.dim_customer c
ON f.customer_sk = c.customer_sk
AND f.order_date BETWEEN c.valid_from AND c.valid_to -- SCD!
WHERE c.is_current = true -- или не фильтровать — тогда будет история
GROUP BY d.date_actual, p.product_name, c.customer_segment;
```
> 💡 **Материализованное представление (MATERIALIZED VIEW)** — это «кэш» результата. Обновляется по расписанию (например, ночью).
---
## **8. Как выбрать модель? Дерево решений**
Вот простой алгоритм:
```
Нужна ли история изменений? ── Нет → Звезда (просто и быстро)
│
Да
│
Много ли источников (>5)? ── Нет → 3NF (надёжно, понятно)
│
Да
│
Нужна ли аудиторская трассировка? ── Нет → 3NF + SCD
│
Да → Data Vault
```
> 🛑 Не делайте «гибрид» без причины:
> — Звезда в DDS — плохо (потеряете гибкость);
> — DV в DM — плохо (BI не потянет 50 JOIN’ов).
---
## **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)**.
```mermaid
graph TB
A[Данные поступили] --> B{Проверка качества}
B --> C["Уникальность: order_id — уникален?"]
B --> D["Полнота: email не NULL?"]
B --> E["Валидность: order_date — дата?"]
B --> F["Свежесть: данные за сегодня?"]
C --> G{OK?}
D --> G
E --> G
F --> G
G -->|Да| H[Загрузить в следующий слой]
G -->|Нет| I[Оповещение + остановка пайплайна]
```
Примеры проверок (на SQL):
```sql
-- Проверка уникальности order_id в ODS
SELECT order_id, COUNT(*)
FROM ods.orders
GROUP BY order_id
HAVING COUNT(*) > 1;
-- Проверка свежести: есть ли данные за вчера?
SELECT 'OK' WHERE EXISTS (
SELECT 1 FROM ods.orders
WHERE order_date = CURRENT_DATE - INTERVAL '1 day'
);
```
> 🔔 **Совет**: делайте DQ-тесты частью CI/CD — как unit-тесты в коде.
---
## **10. Заключение: главное — понимать «почему»**
Хранилище данных — это не про «крутые технологии», а про **мышление**:
- **Слои (STG→ODS→DDS→DM)** — это про *разделение ответственности*.
Не смешивайте сырые данные и аналитические — иначе не найдёте, где ошибка.
- **Факты и измерения** — это про *структуру мышления*.
События (факты) и контекст (измерения) — две стороны одного процесса.
- **SCD Type 2** — это про *уважение к истории*.
Бизнес меняется — и данные должны это отражать.
- **Модели (Star/3NF/DV)** — это про *выбор под задачу*.
Нет «серебряной пули» — есть компромиссы.
> 🎁 **Финальный подарок**:
> Запомните **5 золотых правил DWH**:
> 1. Всегда храните BK (бизнес-ключ) — иначе потеряете связь с источником.
> 2. В DDS — только интегрированные, «чистые» сущности.
> 3. В DM — только то, что нужно для отчёта.
> 4. Проверяйте качество *на каждом слое*.
> 5. Собирайте витрины *итеративно*: MVP → доработка → новые метрики.
---
## **Приложения**
### 📚 Мини-глоссарий (RU / EN)
| Термин | Пояснение |
|-------|-----------|
| **Слой (Layer)** | Логический уровень в DWH: STG/ODS/DDS/DM |
| **Витрина (Data Mart)** | Готовый набор таблиц для конкретной аналитики (например, финансы или маркетинг) |
| **Факт (Fact)** | Таблица событий или измерений: продажи, клики, звонки |
| **Измерение (Dimension)** | Справочник контекста: клиенты, товары, дата |
| **Суррогатный ключ (SK)** | Искусственный `BIGINT`, генерируемый в DWH |
| **Бизнес-ключ (BK)** | Естественный идентификатор из источника (`customer_id`, `order_number`) |
| **SCD (Slowly Changing Dimension)** | Подход к хранению истории атрибутов измерения |
| **CDC (Change Data Capture)** | Техника инкрементальной загрузки «только изменений» |
| **Conformed Dimension** | Измерение, единое для нескольких витрин (например, `dim_date`) |
---
### 🧱 Синонимы слоёв в индустрии
| Название | Синонимы |
|----------|----------|
| **STG** | Staging, Raw, Bronze, Landing Zone |
| **ODS** | Cleaned, Integrated, Silver |
| **DDS** | Core, Conformed, Golden Layer, Enterprise Data Model |
| **DM** | Data Mart, Semantic Layer, Gold, Analytics Layer |
> ⚠️ Названия могут отличаться — смотрите на *содержание*, а не на ярлыки.
---
### 🚫 Антипаттерны (чего избегать)
| Антипаттерн | Почему плохо |
|-------------|--------------|
| **«Одна огромная история заказов»** | Запросы тормозят, нет истории атрибутов (клиент сменил email — и всё прошлое «перекрасилось») |
| **STG и ODS в одной таблице** | Невозможно понять: ошибка в источнике или при очистке? |
| **Факт с текстовыми атрибутами** (`customer_name` в `fact_sales`) | Дублирование, нарушение нормализации, «спрятанная» бизнес-логика |
| **SCD без BK** | История «отвязана» от бизнеса: удалили клиента — и вся его история исчезла |
---
### 📖 Что почитать дальше?
| Книга / Ресурс | Для кого |
|----------------|----------|
| **Кимболл, «Техника создания хранилищ данных»** | Начинающим: звезда, SCD, витрины |
| **Инмон, «Построение хранилищ данных»** | Для понимания 3NF и корпоративного подхода |
| **Linstedt & Olschimke, «Data Vault 2.0»** | Практическое руководство по DV |
| **[anchor-modeling.com](https://www.anchormodeling.com/)** | Официальный сайт Anchor Modeling |
| **Курс «Аналитика в Postgres» (Stepik / Postgres Pro)** | Практика SQL + DWH на реальных данных |
---
## **ЧАСТЬ C. Мини-датасет (для практики)**
Положите эти файлы в папку `data/` — и тренируйтесь:
**`customers.csv`**
```csv
customer_id,email,phone,city
101,a@ex.com,700,Москва
101,b@ex.com,700,Москва
102,c@ex.com,701,СПб
```
**`orders.csv`**
```csv
order_id,order_date,customer_id
5001,2024-01-10,101
5002,2024-02-05,102
```
**`order_items.csv`**
```csv
order_item_id,order_id,product_id,qty,price_at_sale
1,5001,9001,2,100.00
2,5001,9002,1,50.00
3,5002,9001,1,100.00
```
**`products.csv`**
```csv
product_id,name
9001,Phone
9002,Case
```
**`prices.csv`**
```csv
product_id,valid_from,valid_to,price
9001,2023-12-01,2024-01-31,100
9001,2024-02-01,2999-12-31,110
```
> 📂 Примеры DDL, SQL-загрузки, SCD-скрипты — в [GitHub-репозитории к статье](https://github.com/yourname/dwh-basics) (реальный репо — по вашему усмотрению).
---
## **ЧАСТЬ D. DDL-скелеты (PostgreSQL)**
```sql
-- DDS: измерение клиента (SCD Type 2)
CREATE TABLE dds.dim_customer (
customer_sk BIGINT GENERATED ALWAYS AS IDENTITY PRIMARY KEY,
customer_bk VARCHAR(50) NOT NULL, -- напр. '101'
email VARCHAR(100),
phone VARCHAR(20),
city VARCHAR(50),
valid_from DATE NOT NULL,
valid_to DATE DEFAULT '9999-12-31',
is_current BOOLEAN NOT NULL DEFAULT TRUE
);
-- DDS: факт продаж (гранулярность: строка заказа)
CREATE TABLE dds.fact_sales (
sale_id BIGINT GENERATED ALWAYS AS IDENTITY PRIMARY KEY,
customer_sk BIGINT NOT NULL REFERENCES dds.dim_customer(customer_sk),
product_sk BIGINT NOT NULL,
date_key INT NOT NULL, -- YYYYMMDD, ссылка на dim_date.date_key
quantity INT NOT NULL CHECK (quantity > 0),
amount DECIMAL(18,2) NOT NULL CHECK (amount >= 0)
);
```
> 💡 `date_key` — это `20240110`, а не `DATE`, чтобы не делать JOIN по диапазону в `fact → dim_date`.
---
Если нужно — могу:
- добавить **интерактивные схемы** (например, кликабельные Mermaid → SVG);
- подготовить **полный SQL-скрипт загрузки** (STG→ODS→DDS);
- сделать **вариант статьи в формате Jupyter Notebook** (с исполняемыми ячейками).
Готов дорабатывать под ваш стиль и аудиторию.
SCD.md → dwh-modeling/SCD.md
View File
dwh-modeling/data/customers.csv
+4
View File
@@ -0,0 +1,4 @@
customer_id,email,phone,city
101,a@ex.com,700,Москва
101,b@ex.com,700,Москва
102,c@ex.com,701,СПб
1 customer_id email phone city
2 101 a@ex.com 700 Москва
3 101 b@ex.com 700 Москва
4 102 c@ex.com 701 СПб
dwh-modeling/data/order_items.csv
+4
View File
@@ -0,0 +1,4 @@
order_item_id,order_id,product_id,qty,price_at_sale
1,5001,9001,2,100.00
2,5001,9002,1,50.00
3,5002,9001,1,100.00
1 order_item_id order_id product_id qty price_at_sale
2 1 5001 9001 2 100.00
3 2 5001 9002 1 50.00
4 3 5002 9001 1 100.00
dwh-modeling/data/orders.csv
+3
View File
@@ -0,0 +1,3 @@
order_id,order_date,customer_id
5001,2024-01-10,101
5002,2024-02-05,102
1 order_id order_date customer_id
2 5001 2024-01-10 101
3 5002 2024-02-05 102
dwh-modeling/data/prices.csv
+4
View File
@@ -0,0 +1,4 @@
product_id,valid_from,valid_to,price
9001,2023-12-01,2024-01-31,100.00
9001,2024-02-01,2999-12-31,110.00
9002,2023-01-01,2999-12-31,50.00
1 product_id valid_from valid_to price
2 9001 2023-12-01 2024-01-31 100.00
3 9001 2024-02-01 2999-12-31 110.00
4 9002 2023-01-01 2999-12-31 50.00
dwh-modeling/data/products.csv
+3
View File
@@ -0,0 +1,3 @@
product_id,name
9001,Phone
9002,Case
1 product_id name
2 9001 Phone
3 9002 Case
dwh-modeling/dimensions_sample.sql
+255
View File
@@ -0,0 +1,255 @@
-- ===============================================
-- 1. Создание схем
-- ===============================================
DROP SCHEMA IF EXISTS stg CASCADE;
DROP SCHEMA IF EXISTS ods CASCADE;
DROP SCHEMA IF EXISTS dds CASCADE;
CREATE SCHEMA stg;
CREATE SCHEMA ods;
CREATE SCHEMA dds;
-- ===============================================
-- 2. STG: таблицы «как пришло»
-- ===============================================
-- Сырые данные: строки, как из CSV/API
CREATE TABLE stg.customers_raw (
customer_id TEXT, -- может быть '101' или 'CUST-101'
email TEXT,
phone TEXT,
city TEXT,
_load_ts TIMESTAMP DEFAULT NOW()
);
CREATE TABLE stg.orders_raw (
order_id TEXT,
order_date TEXT, -- формат: '2024-01-10'
customer_id TEXT
);
CREATE TABLE stg.order_items_raw (
order_item_id TEXT,
order_id TEXT,
product_id TEXT,
qty TEXT, -- может быть '2', 'NULL'
price_at_sale TEXT -- может быть '100.00'
);
CREATE TABLE stg.products_raw (
product_id TEXT,
name TEXT
);
-- Загрузка тестовых данных (вместо COPY FROM CSV)
INSERT INTO stg.customers_raw (customer_id, email, phone, city) VALUES
('101', 'a@ex.com', '700', 'Москва'),
('101', 'b@ex.com', '700', 'Москва'), -- изменение email
('102', 'c@ex.com', '701', 'СПб');
INSERT INTO stg.orders_raw (order_id, order_date, customer_id) VALUES
('5001', '2024-01-10', '101'),
('5002', '2024-02-05', '102');
INSERT INTO stg.order_items_raw (order_item_id, order_id, product_id, qty, price_at_sale) VALUES
('1', '5001', '9001', '2', '100.00'),
('2', '5001', '9002', '1', '50.00'),
('3', '5002', '9001', '1', '100.00');
INSERT INTO stg.products_raw (product_id, name) VALUES
('9001', 'Phone'),
('9002', 'Case');
-- ===============================================
-- 3. ODS: очистка и типизация
-- ===============================================
-- Очищенные клиенты
CREATE TABLE ods.customers AS
SELECT
customer_id::INT AS customer_id, -- приведение к INT
NULLIF(TRIM(email), '') AS email, -- пустые → NULL
NULLIF(TRIM(phone), '') AS phone,
NULLIF(TRIM(city), '') AS city
FROM stg.customers_raw
WHERE customer_id ~ '^\d+$'; -- валидация: только цифры
-- Очищенные заказы
CREATE TABLE ods.orders AS
SELECT
order_id::INT,
TO_DATE(order_date, 'YYYY-MM-DD') AS order_date,
customer_id::INT
FROM stg.orders_raw
WHERE order_date IS NOT NULL AND customer_id ~ '^\d+$';
-- Очищенные позиции заказа
CREATE TABLE ods.order_items AS
SELECT
order_item_id::INT,
order_id::INT,
product_id::INT,
NULLIF(qty, '')::INT AS qty,
NULLIF(price_at_sale, '')::NUMERIC(10,2) AS price_at_sale
FROM stg.order_items_raw
WHERE qty ~ '^\d+$' AND price_at_sale ~ '^\d+(\.\d+)?$';
-- Очищенные товары
CREATE TABLE ods.products AS
SELECT
product_id::INT,
TRIM(name) AS name
FROM stg.products_raw
WHERE product_id ~ '^\d+$';
-- Добавим первичные ключи (для ускорения JOIN и проверки)
ALTER TABLE ods.customers ADD PRIMARY KEY (customer_id);
ALTER TABLE ods.orders ADD PRIMARY KEY (order_id);
ALTER TABLE ods.order_items ADD PRIMARY KEY (order_item_id);
ALTER TABLE ods.products ADD PRIMARY KEY (product_id);
-- ===============================================
-- 4. DDS: интеграция + SCD Type 2
-- ===============================================
-- 4.1 dim_date — справочник дат (на 5 лет: 2023–2027)
CREATE TABLE dds.dim_date AS
WITH RECURSIVE dates AS (
SELECT DATE '2023-01-01' AS d
UNION ALL
SELECT d + INTERVAL '1 day'
FROM dates
WHERE d + INTERVAL '1 day' <= DATE '2027-12-31'
)
SELECT
CAST(TO_CHAR(d, 'YYYYMMDD') AS INT) AS date_key,
d AS date_actual,
EXTRACT(YEAR FROM d) AS year,
EXTRACT(QUARTER FROM d) AS quarter,
EXTRACT(MONTH FROM d) AS month,
EXTRACT(DAY FROM d) AS day,
TO_CHAR(d, 'Day') AS weekday_name,
EXTRACT(DOW FROM d) AS weekday_num, -- 0 = воскресенье
d BETWEEN
DATE_TRUNC('month', d)
AND DATE_TRUNC('month', d) + INTERVAL '1 month' - INTERVAL '1 day'
AND EXTRACT(DAY FROM d) <= 7
AS is_first_week
FROM dates;
ALTER TABLE dds.dim_date ADD PRIMARY KEY (date_key);
-- 4.2 dim_product — измерение «Товар» (без истории — атрибуты стабильны)
CREATE TABLE dds.dim_product (
product_sk BIGINT GENERATED ALWAYS AS IDENTITY PRIMARY KEY,
product_bk INT NOT NULL,
product_name VARCHAR(100) NOT NULL
);
INSERT INTO dds.dim_product (product_bk, product_name)
SELECT product_id, name
FROM ods.products;
-- 4.3 dim_customer — SCD Type 2 (с историей)
CREATE TABLE dds.dim_customer (
customer_sk BIGINT GENERATED ALWAYS AS IDENTITY PRIMARY KEY,
customer_bk INT NOT NULL,
email VARCHAR(100),
phone VARCHAR(20),
city VARCHAR(50),
valid_from DATE NOT NULL,
valid_to DATE NOT NULL DEFAULT '9999-12-31',
is_current BOOLEAN NOT NULL DEFAULT TRUE
);
-- Загрузка первой версии (SCD Type 2 — простой алгоритм)
-- Группируем по customer_bk и сортируем по времени (по _load_ts из STG)
-- Для учебного примера имитируем хронологию через порядок строк
WITH ranked AS (
SELECT
customer_id AS customer_bk,
email,
phone,
city,
ROW_NUMBER() OVER (
PARTITION BY customer_id
ORDER BY _load_ts, email -- хронология изменений
) AS rn
FROM stg.customers_raw
WHERE customer_id ~ '^\d+$'
),
changes AS (
SELECT
customer_bk,
email,
phone,
city,
-- начальная дата — день первого появления в источнике
'2023-01-01'::DATE + (rn - 1) * INTERVAL '1 day' AS eff_from
FROM ranked
),
final AS (
SELECT
customer_bk,
email,
phone,
city,
eff_from::DATE AS valid_from,
COALESCE(
LEAD(eff_from) OVER (PARTITION BY customer_bk ORDER BY eff_from) - INTERVAL '1 day',
'9999-12-31'::DATE
) AS valid_to,
CASE WHEN
LEAD(eff_from) OVER (PARTITION BY customer_bk ORDER BY eff_from) IS NULL
THEN TRUE ELSE FALSE END AS is_current
FROM changes
)
INSERT INTO dds.dim_customer (customer_bk, email, phone, city, valid_from, valid_to, is_current)
SELECT customer_bk, email, phone, city, valid_from, valid_to, is_current
FROM final;
-- 4.4 fact_sales — факт продаж
CREATE TABLE dds.fact_sales (
sale_id BIGINT GENERATED ALWAYS AS IDENTITY PRIMARY KEY,
customer_sk BIGINT NOT NULL, -- ссылка на DDS-измерение
product_sk BIGINT NOT NULL,
date_key INT NOT NULL, -- YYYYMMDD
quantity INT NOT NULL CHECK (quantity > 0),
amount NUMERIC(18,2) NOT NULL CHECK (amount >= 0)
);
-- Заполнение fact_sales с учётом истории клиента (SCD!)
INSERT INTO dds.fact_sales (customer_sk, product_sk, date_key, quantity, amount)
SELECT
dc.customer_sk,
dp.product_sk,
CAST(TO_CHAR(o.order_date, 'YYYYMMDD') AS INT) AS date_key,
oi.qty,
oi.price_at_sale * oi.qty AS amount
FROM ods.orders o
JOIN ods.order_items oi ON o.order_id = oi.order_id
JOIN ods.products p ON oi.product_id = p.product_id
JOIN dds.dim_product dp ON p.product_id = dp.product_bk
JOIN dds.dim_customer dc
ON o.customer_id = dc.customer_bk
AND o.order_date BETWEEN dc.valid_from AND dc.valid_to; -- ← ключевая строка SCD!
-- Добавим внешние ключи (опционально, для целостности)
ALTER TABLE dds.fact_sales
ADD FOREIGN KEY (customer_sk) REFERENCES dds.dim_customer(customer_sk),
ADD FOREIGN KEY (product_sk) REFERENCES dds.dim_product(product_sk),
ADD FOREIGN KEY (date_key) REFERENCES dds.dim_date(date_key);
-- ===============================================
-- 5. Проверка: посчитаем выручку по клиентам
-- ===============================================
SELECT
dc.customer_bk,
dc.email,
dc.city,
SUM(f.amount) AS total_revenue
FROM dds.fact_sales f
JOIN dds.dim_customer dc
ON f.customer_sk = dc.customer_sk
AND dc.is_current -- только актуальная версия
GROUP BY dc.customer_bk, dc.email, dc.city
ORDER BY total_revenue DESC;
dwh-modeling-basics.md → dwh-modeling/dwh-modeling-basics.md
View File
dwh-modeling-ds.md → dwh-modeling/dwh-modeling-ds.md
View File
dwh-modeling/dwh-modeling-plan3.md
+570
View File
@@ -0,0 +1,570 @@
# Модели данных и слои DWH (для менти)
**Цель и аудитория:** эта статья для начинающих аналитиков/инженеров данных, которые уже умеют базовый SQL (SELECT/JOIN/GROUP BY/WHERE) и переходят к моделированию данных и архитектуре хранилища (Data Warehouse, DWH). Здесь даём общее представление: **зачем слои**, **что такое модели**, **чем они отличаются**, где обычно живут **факты/измерения/SCD**. **Выбор модели** в продакшен за вас делать не будем — на этом этапе важно понять, *зачем разные модели существуют* и *какие задачи они решают*.
---
## ЧАСТЬ A. Исходный черновик статьи (переделан в чистовик с лёгкой правкой опечаток)
Ниже — аккуратно отредактированная версия вашего плана с диаграммами Mermaid. Сохранили исходную структуру и формулировки, поправили опечатки и выровняли стиль именования.
---
# **Структура статьи про хранилище данных**
1. Введение. Проблема аналитики в OLTP
2. Учебный пример. Интернет-магазин
3. Архитектура. Зачем слои?
4. Путешествие данных. STG → ODS → DDS → DM
5. Базовые понятия. Факты, Измерения, SCD
6. Модели данных. 3NF, Data Vault, Звезда
7. Практикум. Собираем витрину
8. Зачем разные модели (демо-«дерево решений»)
9. Эксплуатация. Качество и эволюция
10. Заключение
> Примечание про Mermaid: диаграммы `mindmap` и `quadrantChart` поддерживаются не всеми рендерами. Если планируете публикацию на площадке со строгим Markdown (например, Habr), оставьте текстовую альтернативу.
---
## **1. Введение: аналитика — это не оперативный учёт**
**OLTP (оперативный учёт)**: CRM, заказы, склад.
**DWH (аналитическое хранилище)**: единая модель для анализа.
Проблема: в OLTP для исторической аналитики — сложные JOIN, тяжёлые агрегации, нестабильная производительность.
**Особенности DWH**:
* Слоистая архитектура
* Оптимизированные под аналитику модели
**Ключевые тезисы**:
* OLTP vs OLAP: транзакции против анализа
* Почему «одна большая таблица» не работает на истории
* 3 преимущества слоёв: управляемость, производительность, прозрачность
---
## **2. Учебный пример: интернет-магазин**
ER-диаграмма сущностей источника (упрощённо):
```mermaid
erDiagram
CUSTOMER ||--o{ ORDER : places
ORDER ||--|{ ORDER_ITEM : contains
PRODUCT ||--o{ ORDER_ITEM : referenced
PRODUCT ||--o{ PRICE : has
PROMO ||--o{ ORDER_ITEM : applied
CUSTOMER {
int customer_id PK
string email
string phone
}
PRODUCT {
int product_id PK
string name
}
ORDER {
int order_id PK
date order_date
int customer_id FK
}
ORDER_ITEM {
int order_item_id PK
int order_id FK
int product_id FK
int qty
numeric price_at_sale
}
PRICE {
int product_id FK
date valid_from
date valid_to
numeric price
}
PROMO {
int promo_id PK
string code
}
```
---
## **3. Архитектура хранилища: зачем делить на слои?**
```mermaid
flowchart TD
subgraph Sources[Источники OLTP]
A[CRM]
B[Заказы]
C[Склад]
end
A --> STG
B --> STG
C --> STG
subgraph STG[STG (Bronze) — сырые данные]
D[Таблицы-клоны \n неизменяемые/переигрузка]
end
STG --> ODS
subgraph ODS[ODS (Silver) — очищенные]
E[Типизация, валидация, \n стандартизация кодов]
end
ODS --> DDS
subgraph DDS[DDS — интегрированная модель]
F[Бизнес-сущности, SK/BK, SCD]
end
DDS --> DM
subgraph DM[DM (Gold) — витрины]
G[Звезда/Снежинка, агрегаты]
end
DM --> BI[BI/Отчёты]
```
---
## **4. Путешествие данных по слоям**
```mermaid
flowchart LR
subgraph STG[STG — сырьё]
A[raw_orders.json]
B[raw_customers.csv]
C[Формат как в источнике]
end
subgraph ODS[ODS — очистка]
D[stg_orders]
E[stg_customers]
F[Типизация, валидация]
end
subgraph DDS[DDS — интеграция]
G[dim_customer — SCD2]
H[fact_orders — с суррогатными ключами]
end
subgraph DM[DM — готовые решения]
I[mart_sales — агрегаты]
J[mart_customer_360]
end
STG --> ODS
ODS --> DDS
DDS --> DM
```
### 4.1 STG (Staging/Bronze)
Коротко: «как пришло». Идемпотентность, дедупликация, неизменяемость/переигрузка.
### 4.2 ODS (Operational Data Store/Silver)
Коротко: чистка и выравнивание типов, базовая унификация кодов, ещё без тяжёлой бизнес-логики.
### 4.3 DDS (Integrated/Conformed)
Коротко: интеграция источников, общие справочники, SK/BK, SCD. Здесь живут модели данных (3NF/DV/Anchor/Star).
### 4.4 DM (Data Marts/Gold)
Коротко: модели под задачи BI (звезда/снежинка). Агрегаты, материализации.
---
## **5. Базовые понятия: факты, измерения, ключи**
```mermaid
erDiagram
dim_date ||--o{ fact_sales : "дата"
dim_customer ||--o{ fact_sales : "клиент"
dim_product ||--o{ fact_sales : "товар"
dim_customer {
bigint customer_sk PK
varchar customer_bk
varchar customer_name
varchar email
date valid_from
date valid_to
boolean is_current
}
fact_sales {
bigint sale_id PK
bigint customer_sk FK
bigint product_sk FK
int date_sk FK
int quantity
decimal amount
}
```
**SCD Type 2 — визуализация истории:**
```mermaid
gantt
title SCD Type 2: История изменений клиента (ID = 123)
dateFormat YYYY-MM-DD
axisFormat %Y-%m
section Москва, premium@email.com
Версия 1 :active, 2023-01-01, 2023-05-15
section Москва, new_premium@email.com
Версия 2 :active, 2023-05-16, 2023-09-30
section Санкт-Петербург, new_premium@email.com
Версия 3 :active, 2023-10-01, 2024-12-31
```
---
## **6. Модели данных для DDS**
### 3NF (третья нормальная форма)
Классическая нормализованная модель, сильная целостность и интеграция, но SQL для аналитики сложнее.
### Снежинка (Snowflake)
Нормализованные измерения поверх звезды — компромисс между читаемостью и дублированием.
### Звезда (Star Schema)
Факт + денормализованные измерения — просто и быстро для BI/SQL.
### **Data Vault 2.0**
```mermaid
erDiagram
HUB_CUSTOMER ||--o{ SAT_CUSTOMER : has_history
HUB_ORDER ||--o{ SAT_ORDER : has_history
HUB_PRODUCT ||--o{ SAT_PRODUCT : has_history
HUB_CUSTOMER ||--o{ LNK_ORDER_CUSTOMER : participates
HUB_ORDER ||--o{ LNK_ORDER_CUSTOMER : includes
HUB_ORDER ||--o{ LNK_ORDER_PRODUCT : contains
HUB_PRODUCT ||--o{ LNK_ORDER_PRODUCT : involved
HUB_CUSTOMER {
string customer_hk PK
string customer_bk
datetime load_dts
string src
}
LNK_ORDER_PRODUCT {
string order_product_hk PK
string order_hk FK
string product_hk FK
datetime load_dts
string src
}
SAT_CUSTOMER {
string customer_hk PK,FK
datetime load_dts PK
string email
string phone
string city
hashdiff hash
}
```
Коротко: хабы (BK), линки (связи), сателлиты (история атрибутов). Этот раздел обзорный.
### Anchor Modeling (анкерное моделирование)
Атомарная декомпозиция сущностей и атрибутов, гибкая эволюция схемы; высокая гранулярность усложняет чтение.
> **Сравнение (интуитивно):** Звезда — проще/быстрее для BI; 3NF — целостность и интеграция; DV/Anchor — масштабируемая интеграция из многих источников и «история по умолчанию», но сложнее читать и писать.
---
## **7. Практикум: собираем витрину**
```mermaid
flowchart TD
A[Источники] --> STG
STG[STG: сырые заказы, товары] --> ODS
ODS[ODS: очищенные данные] --> DDS
subgraph DDS[DDS: интегрированная модель]
B[dim_customer (SCD2)]
C[dim_product]
D[dim_date]
E[fact_sales]
end
DDS --> F{Сборка витрины}
F --> G[mart_daily_sales]
F --> H[mart_customer_lifetime]
G --> I[Дашборд продаж]
H --> J[Отчёт по клиентам]
```
**Пример SQL для витрины:**
```sql
-- Витрина ежедневных продаж (пример)
CREATE TABLE mart_daily_sales AS
SELECT
d.date,
p.product_name,
c.customer_segment,
SUM(f.quantity) AS total_quantity,
SUM(f.amount) AS total_amount
FROM fact_sales f
JOIN dim_date d ON f.date_sk = d.date_sk
JOIN dim_product p ON f.product_sk = p.product_sk
JOIN dim_customer c ON f.customer_sk = c.customer_sk AND c.is_current = TRUE
GROUP BY d.date, p.product_name, c.customer_segment;
```
---
## **9. Эксплуатация: качество и эволюция**
```mermaid
graph TB
A[Данные] --> B{Контроль качества}
B --> C[Проверка уникальности]
B --> D[Проверка полноты]
B --> E[Валидация форматов]
B --> F[Свежесть данных]
C --> G[✅ Успех]
D --> G
E --> G
F --> G
C --> H[❌ Ошибка]
D --> H
E --> H
F --> H
G --> I[Загрузка в слой]
H --> J[Оповещение и остановка]
```
---
## **10. Заключение: главное — понимать «почему»**
Ключевые идеи: разделение на слои (STG → ODS → DDS → DM), разные модели для разных задач (3NF, Star, DV, Anchor), факты/измерения/SCD, итеративная сборка витрин под конкретные вопросы бизнеса.
---
## ЧАСТЬ B. Наши предложения к статье (что усилено и что добавить)
Ниже — блоки, которые можно встроить в соответствующие разделы или вынести в отдельные боксы/врезки.
### 1) Рамочный ввод «что вы знаете / что узнаете / чего не будет»
* **Уже умеете:** SQL-основы (SELECT/JOIN/GROUP BY), простые агрегаты.
* **Узнаете:** слои (STG/ODS/DDS/DM), модели (3NF/Star/DV/Anchor), SCD и суррогатные ключи.
* **Не рассматриваем здесь:** физический дизайн, производительность, партиционирование, распределённые кластеры — это отдельная тема.
### 2) Мини-глоссарий RU/EN (по 1–2 строки)
* **Слой (Layer)** — логический уровень в DWH: STG/ODS/DDS/DM.
* **Витрина (Data Mart)** — предметно-ориентированный набор таблиц/представлений для конкретной аналитики.
* **Факт (Fact)** — таблица событий/измерений величин (кол-во, сумма).
* **Измерение (Dimension)** — справочник контекста фактов (клиенты, товары, даты).
* **Суррогатный ключ (Surrogate Key, SK)** — искусственный технический ключ (int/bigint).
* **Бизнес-ключ (Business Key, BK)** — естественный ключ из источника (например, `customer_id`).
* **SCD (Slowly Changing Dimension)** — подход к хранению истории атрибутов измерения.
* **CDC (Change Data Capture)** — техника инкрементальной загрузки изменений.
* **Conformed Dimension** — «конформное» измерение, общее для нескольких витрин.
### 3) Отображение синонимов слоёв
* **STG (Bronze)** → **ODS (Silver)** → **DDS (Conformed/Core)** → **DM (Gold)**.
### 4) «Правила слоя» — короткие чек-листы
* **STG (Bronze):** как пришло; неизменяемо/переигрузка; идемпотентность; дедуп по `(BK, load_ts)`; только тех. обогащения (например, `_ingest_id`).
* **ODS (Silver):** типизация; базовая очистка и стандартные коды; **без** тяжёлой бизнес-логики; стабильные схемы/имена.
* **DDS (Conformed/Core):** интеграция источников; единая терминология; SK/BK; SCD; здесь живут модели (3NF/Star/DV/Anchor).
* **DM (Gold):** под конкретные вопросы BI/продукта; агрегаты/материализации; доступные метрики и измерения.
### 5) Антипаттерны (короткий бокс)
* «Одна огромная историческая таблица» → медленные запросы, нет истории атрибутов.
* «Смешали STG и ODS» → потеря трассировки ошибок и инцидентов качества.
* «Факт с текстовыми атрибутами без причин» → раздутая таблица и неявные бизнес-правила.
* «SCD без BK» → история «плывёт», не привязана к бизнес-идентификатору.
### 6) SCD2: рецепт джойна «по интервалу» (шпаргалка)
```sql
-- Привязка факта к актуальной версии измерения (Type 2)
SELECT f.*, d.customer_sk
FROM fact_sales f
JOIN dim_customer d
ON d.customer_bk = f.customer_bk -- совпадение BK
AND f.event_date >= d.valid_from
AND f.event_date < COALESCE(d.valid_to, DATE '2999-12-31');
```
### 7) Мини-практикум (сквозной, короткий)
1. Показать джойн факта к SCD2-измерению (по примеру выше).
2. Собрать `mart_daily_sales` (у вас уже есть SQL).
3. Пара проверок качества (см. ниже).
### 8) Качество данных: минимальные метрики + однострочники
* **Freshness (свежесть):** `MAX(event_time)` против «сейчас».
* **Completeness (полнота):** доля NULL по важным столбцам.
* **Consistency (согласованность):** факт без соответствия в измерении (нарушение покрытии ссылок).
* **Uniqueness (уникальность):** уникальность BK в справочнике.
```sql
-- Примеры «однострочников»
-- Freshness
SELECT NOW() - MAX(event_time) AS lag FROM ods.order;
-- Uniqueness BK
SELECT customer_bk, COUNT(*)
FROM dds.dim_customer
GROUP BY customer_bk
HAVING COUNT(*) > 1;
-- Orphan facts (без покрытия измерения)
SELECT COUNT(*)
FROM dds.fact_sales f
LEFT JOIN dds.dim_customer d ON f.customer_sk = d.customer_sk
WHERE d.customer_sk IS NULL;
```
### 9) Нейминг-гайд (пример)
* `stg.*` — как в источнике, добавочные тех. поля: `_ingest_id`, `_load_ts`.
* `ods.*` — очищенные «плоские» таблицы, стаб. схемы.
* `dds.dim_*`, `dds.fact_*` — интегрированная модель.
* `dm.mart_*` — витрины/представления.
### 10) «Зачем разные модели» (без выбора)
* **Star (звезда):** быстро писать отчёты, учим новичков на ней.
* **3NF:** лучшая консистентность/интеграция понятий, тяжелее для BI.
* **Data Vault:** масштабируемая интеграция множества источников + «история по умолчанию».
* **Anchor:** гибкая эволюция схемы, максимальная атомарность, цена — сложность.
### 11) Что почитать дальше
* **Kimball, The Data Warehouse Toolkit** — модели «звезды», SCD.
* **Inmon, Building the Data Warehouse** — корпоративный DWH и нормализация.
* **Linstedt & Olschimke, The Data Vault 2.0** — практический DV.
* **Anchor Modeling** — официальный сайт/документация по Anchor.
---
## ЧАСТЬ C. Мини-датасет (для примеров в статье)
> Опционально приложить к репозиторию/приложению статьи.
**customers.csv**
```
customer_id,email,phone,city
101,a@ex.com,700,Москва
101,b@ex.com,700,Москва
102,c@ex.com,701,СПб
```
**orders.csv**
```
order_id,order_date,customer_id
5001,2024-01-10,101
5002,2024-02-05,102
```
**order_items.csv**
```
order_item_id,order_id,product_id,qty,price_at_sale
1,5001,9001,2,100.00
2,5001,9002,1,50.00
3,5002,9001,1,100.00
```
**products.csv**
```
product_id,name
9001,Phone
9002,Case
```
**prices.csv**
```
product_id,valid_from,valid_to,price
9001,2023-12-01,2024-01-31,100
9001,2024-02-01,2999-12-31,110
```
---
## ЧАСТЬ D. DDL-скелеты (минимально)
```sql
-- DDS: измерение клиента (Type 2)
CREATE TABLE dds.dim_customer (
customer_sk BIGINT GENERATED ALWAYS AS IDENTITY PRIMARY KEY,
customer_bk VARCHAR NOT NULL,
email VARCHAR,
phone VARCHAR,
city VARCHAR,
valid_from DATE NOT NULL,
valid_to DATE,
is_current BOOLEAN NOT NULL DEFAULT TRUE
);
-- DDS: факт продаж (гранулярность: строка заказа)
CREATE TABLE dds.fact_sales (
sale_id BIGINT GENERATED ALWAYS AS IDENTITY PRIMARY KEY,
customer_sk BIGINT NOT NULL,
product_sk BIGINT NOT NULL,
date_sk INT NOT NULL,
quantity INT NOT NULL,
amount DECIMAL(18,2) NOT NULL
);
```
---
## ЧАСТЬ E. Текстовые альтернативы для «капризных» диаграмм
Если `mindmap`/`quadrantChart` не поддерживаются местом публикации, используйте пункты:
* **Сводка:**
* Архитектура: слои STG→ODS→DDS→DM, разделение ответственности, управляемость изменений.
* Модели: 3NF (целостность), Data Vault (масштабируемость), Звезда (производительность), Anchor (гибкая эволюция).
* Понятия: факты, измерения, SCD2, SK/BK.
* Практика: понимать бизнес-задачу, выбирать подход под контекст, строить итеративно.
* **Интуитивное сравнение моделей (простыми словами):**
Звезда — «быстро стартануть BI»; 3NF — «собрать единый словарь сущностей»; DV/Anchor — «надёжно интегрировать десятки источников и хранить всю историю», но читать сложнее.
---
## Итог
Статья даёт общий словарь и картинку мира: что за слои в DWH, какие модели бывают и зачем они нужны. Задача менти — почувствовать интуицию различий, научиться видеть место фактов/измерений/SCD и уверенно собрать простую витрину из DDS. Дальше — углубляться по нужной модели в отдельном материале (звезда/DV/Anchor/3NF).
dwh-modeling/sql/01_ddl.sql
+125
View File
@@ -0,0 +1,125 @@
-- ===============================================
-- DDL-скрипт: определение структуры хранилища
-- Запускается ОДИН РАЗ при инициализации БД
-- или при изменении схемы (миграции)
-- ===============================================
-- 1. Схемы
DROP SCHEMA IF EXISTS stg CASCADE;
DROP SCHEMA IF EXISTS ods CASCADE;
DROP SCHEMA IF EXISTS dds CASCADE;
CREATE SCHEMA stg;
CREATE SCHEMA ods;
CREATE SCHEMA dds;
-- 2. STG: сырые данные (как пришли)
CREATE TABLE stg.customers_raw (
customer_id TEXT,
email TEXT,
phone TEXT,
city TEXT,
_load_ts TIMESTAMP DEFAULT NOW()
);
CREATE TABLE stg.orders_raw (
order_id TEXT,
order_date TEXT,
customer_id TEXT
);
CREATE TABLE stg.order_items_raw (
order_item_id TEXT,
order_id TEXT,
product_id TEXT,
qty TEXT,
price_at_sale TEXT
);
CREATE TABLE stg.products_raw (
product_id TEXT,
name TEXT
);
-- 3. ODS: очищенные данные
CREATE TABLE ods.customers (
customer_id INT,
email VARCHAR(100),
phone VARCHAR(20),
city VARCHAR(50)
);
CREATE TABLE ods.orders (
order_id INT,
order_date DATE,
customer_id INT
);
CREATE TABLE ods.order_items (
order_item_id INT,
order_id INT,
product_id INT,
qty INT,
price_at_sale NUMERIC(10,2)
);
CREATE TABLE ods.products (
product_id INT,
name VARCHAR(100)
);
-- Первичные ключи в ODS (для ускорения и валидации)
ALTER TABLE ods.customers ADD PRIMARY KEY (customer_id);
ALTER TABLE ods.orders ADD PRIMARY KEY (order_id);
ALTER TABLE ods.order_items ADD PRIMARY KEY (order_item_id);
ALTER TABLE ods.products ADD PRIMARY KEY (product_id);
-- 4. DDS: интегрированная модель
-- dim_date: справочник дат (без первичного ключа — генерируется)
CREATE TABLE dds.dim_date (
date_key INT PRIMARY KEY,
date_actual DATE NOT NULL,
year SMALLINT,
quarter SMALLINT,
month SMALLINT,
day SMALLINT,
weekday_name VARCHAR(10),
weekday_num SMALLINT,
is_first_week BOOLEAN
);
-- dim_product: измерение "Товар"
CREATE TABLE dds.dim_product (
product_sk BIGINT GENERATED ALWAYS AS IDENTITY PRIMARY KEY,
product_bk INT NOT NULL,
product_name VARCHAR(100) NOT NULL
);
-- dim_customer: измерение "Клиент" с SCD Type 2
CREATE TABLE dds.dim_customer (
customer_sk BIGINT GENERATED ALWAYS AS IDENTITY PRIMARY KEY,
customer_bk INT NOT NULL,
email VARCHAR(100),
phone VARCHAR(20),
city VARCHAR(50),
valid_from DATE NOT NULL,
valid_to DATE NOT NULL DEFAULT '9999-12-31',
is_current BOOLEAN NOT NULL DEFAULT TRUE
);
-- fact_sales: факт "Продажи"
CREATE TABLE dds.fact_sales (
sale_id BIGINT GENERATED ALWAYS AS IDENTITY PRIMARY KEY,
customer_sk BIGINT NOT NULL,
product_sk BIGINT NOT NULL,
date_key INT NOT NULL,
quantity INT NOT NULL CHECK (quantity > 0),
amount NUMERIC(18,2) NOT NULL CHECK (amount >= 0)
);
-- Внешние ключи (опционально — в продакшене часто отключают ради скорости)
ALTER TABLE dds.fact_sales
ADD CONSTRAINT fk_fact_customer FOREIGN KEY (customer_sk) REFERENCES dds.dim_customer(customer_sk),
ADD CONSTRAINT fk_fact_product FOREIGN KEY (product_sk) REFERENCES dds.dim_product(product_sk),
ADD CONSTRAINT fk_fact_date FOREIGN KEY (date_key) REFERENCES dds.dim_date(date_key);
dwh-modeling/sql/02_dim.sql
+182
View File
@@ -0,0 +1,182 @@
-- ===============================================
-- DML-скрипт: загрузка и трансформация данных
-- Запускается ПОВТОРНО при каждой загрузке (идемпотентно!)
-- ===============================================
-- 1. STG: имитация загрузки из источников (в реальности — COPY или INSERT из Kafka/NiFi)
-- ⚠️ В продакшене STG часто очищается перед загрузкой (TRUNCATE), либо используется партицирование по дате
DELETE FROM stg.customers_raw;
DELETE FROM stg.orders_raw;
DELETE FROM stg.order_items_raw;
DELETE FROM stg.products_raw;
INSERT INTO stg.customers_raw (customer_id, email, phone, city) VALUES
('101', 'a@ex.com', '700', 'Москва'),
('101', 'b@ex.com', '700', 'Москва'),
('102', 'c@ex.com', '701', 'СПб');
INSERT INTO stg.orders_raw (order_id, order_date, customer_id) VALUES
('5001', '2024-01-10', '101'),
('5002', '2024-02-05', '102');
INSERT INTO stg.order_items_raw (order_item_id, order_id, product_id, qty, price_at_sale) VALUES
('1', '5001', '9001', '2', '100.00'),
('2', '5001', '9002', '1', '50.00'),
('3', '5002', '9001', '1', '100.00');
INSERT INTO stg.products_raw (product_id, name) VALUES
('9001', 'Phone'),
('9002', 'Case');
-- 2. ODS: очистка и типизация
-- ⚠️ В продакшене используем UPSERT или incremental load, не TRUNCATE+INSERT
TRUNCATE ods.customers, ods.orders, ods.order_items, ods.products;
INSERT INTO ods.customers (customer_id, email, phone, city)
SELECT
customer_id::INT,
NULLIF(TRIM(email), ''),
NULLIF(TRIM(phone), ''),
NULLIF(TRIM(city), '')
FROM stg.customers_raw
WHERE customer_id ~ '^\d+$';
INSERT INTO ods.orders (order_id, order_date, customer_id)
SELECT
order_id::INT,
TO_DATE(order_date, 'YYYY-MM-DD'),
customer_id::INT
FROM stg.orders_raw
WHERE order_date IS NOT NULL AND customer_id ~ '^\d+$';
INSERT INTO ods.order_items (order_item_id, order_id, product_id, qty, price_at_sale)
SELECT
order_item_id::INT,
order_id::INT,
product_id::INT,
NULLIF(qty, '')::INT,
NULLIF(price_at_sale, '')::NUMERIC(10,2)
FROM stg.order_items_raw
WHERE qty ~ '^\d+$' AND price_at_sale ~ '^\d+(\.\d+)?$';
INSERT INTO ods.products (product_id, name)
SELECT
product_id::INT,
TRIM(name)
FROM stg.products_raw
WHERE product_id ~ '^\d+$';
-- 3. DDS: dim_date — генерация календаря (идемпотентно: можно пересоздавать)
-- В реальности — делается ОДИН РАЗ, либо дополняется по мере необходимости
DELETE FROM dds.dim_date;
WITH RECURSIVE dates AS (
SELECT DATE '2023-01-01' AS d
UNION ALL
SELECT d + INTERVAL '1 day'
FROM dates
WHERE d + INTERVAL '1 day' <= DATE '2027-12-31'
)
INSERT INTO dds.dim_date (
date_key, date_actual, year, quarter, month, day,
weekday_name, weekday_num, is_first_week
)
SELECT
CAST(TO_CHAR(d, 'YYYYMMDD') AS INT),
d,
EXTRACT(YEAR FROM d)::SMALLINT,
EXTRACT(QUARTER FROM d)::SMALLINT,
EXTRACT(MONTH FROM d)::SMALLINT,
EXTRACT(DAY FROM d)::SMALLINT,
TO_CHAR(d, 'Day'),
EXTRACT(DOW FROM d)::SMALLINT,
d BETWEEN DATE_TRUNC('month', d)
AND DATE_TRUNC('month', d) + INTERVAL '1 month' - INTERVAL '1 day'
AND EXTRACT(DAY FROM d) <= 7
FROM dates;
-- 4. DDS: dim_product — полная перезагрузка (если товары редко меняются)
-- В реальности — инкрементальная загрузка по BK
DELETE FROM dds.dim_product;
INSERT INTO dds.dim_product (product_bk, product_name)
SELECT product_id, name
FROM ods.products;
-- 5. DDS: dim_customer — SCD Type 2 (упрощённая версия для обучения)
-- В продакшене — используем алгоритм «детектирования изменений + UPSERT»
-- Здесь: перестраиваем всю историю на основе STG (для детерминированности)
DELETE FROM dds.dim_customer;
WITH ranked AS (
SELECT
customer_id::INT AS customer_bk,
email,
phone,
city,
ROW_NUMBER() OVER (
PARTITION BY customer_id
ORDER BY _load_ts, email
) AS rn
FROM stg.customers_raw
WHERE customer_id ~ '^\d+$'
),
changes AS (
SELECT
customer_bk,
email,
phone,
city,
-- Имитируем хронологию: +1 день на каждое изменение
'2023-01-01'::DATE + (rn - 1) * INTERVAL '1 day' AS eff_from
FROM ranked
),
final AS (
SELECT
customer_bk,
email,
phone,
city,
eff_from::DATE AS valid_from,
COALESCE(
LEAD(eff_from) OVER (PARTITION BY customer_bk ORDER BY eff_from) - INTERVAL '1 day',
'9999-12-31'::DATE
) AS valid_to,
CASE WHEN LEAD(eff_from) OVER (PARTITION BY customer_b_k ORDER BY eff_from) IS NULL
THEN TRUE ELSE FALSE END AS is_current
FROM changes
)
INSERT INTO dds.dim_customer (customer_bk, email, phone, city, valid_from, valid_to, is_current)
SELECT customer_bk, email, phone, city, valid_from, valid_to, is_current
FROM final;
-- 6. DDS: fact_sales — загрузка фактов с учётом SCD
-- В продакшене — фильтруем по диапазону дат (инкрементально)
DELETE FROM dds.fact_sales;
INSERT INTO dds.fact_sales (customer_sk, product_sk, date_key, quantity, amount)
SELECT
dc.customer_sk,
dp.product_sk,
CAST(TO_CHAR(o.order_date, 'YYYYMMDD') AS INT),
oi.qty,
oi.price_at_sale * oi.qty
FROM ods.orders o
JOIN ods.order_items oi ON o.order_id = oi.order_id
JOIN ods.products p ON oi.product_id = p.product_id
JOIN dds.dim_product dp ON p.product_id = dp.product_bk
JOIN dds.dim_customer dc
ON o.customer_id = dc.customer_bk
AND o.order_date BETWEEN dc.valid_from AND dc.valid_to;
-- 7. Проверка — вывод итогов (не часть ETL, но полезно для отладки)
-- В реальном пайплайне такие SELECT выносятся в отдельные скрипты или дашборды
-- SELECT 'dim_customer count = ' || COUNT(*) FROM dds.dim_customer;
-- SELECT 'fact_sales count = ' || COUNT(*) FROM dds.fact_sales;
dwh-modeling/sql/03_validation.sql
+98
View File
@@ -0,0 +1,98 @@
-- ===============================================
-- Проверки качества данных после загрузки STG→ODS→DDS
-- Запускается после 02_dml.sql
-- ===============================================
-- 1. Проверка: dim_customer не пуста
DO $$
BEGIN
ASSERT (SELECT COUNT(*) FROM dds.dim_customer) > 0,
'ОШИБКА: таблица dds.dim_customer пуста — загрузка не прошла';
RAISE NOTICE '✅ dim_customer: НЕ ПУСТА (всего строк: %)',
(SELECT COUNT(*) FROM dds.dim_customer);
END $$;
-- 2. Проверка: fact_sales содержит все строки из order_items
DO $$
DECLARE
expected_count INT := (SELECT COUNT(*) FROM ods.order_items);
actual_count INT := (SELECT COUNT(*) FROM dds.fact_sales);
BEGIN
ASSERT actual_count = expected_count,
FORMAT('ОШИБКА: в fact_sales %s строк, а в ods.order_items — %s. Разница: %s',
actual_count, expected_count, expected_count - actual_count);
RAISE NOTICE '✅ fact_sales: количество строк совпадает с ods.order_items (%)', actual_count;
END $$;
-- 3. Проверка: у каждого факта есть валидная дата (date_key существует)
DO $$
DECLARE missing_dates INT;
BEGIN
SELECT COUNT(*) INTO missing_dates
FROM dds.fact_sales f
LEFT JOIN dds.dim_date d ON f.date_key = d.date_key
WHERE d.date_key IS NULL;
ASSERT missing_dates = 0,
FORMAT('ОШИБКА: %s фактов ссылаются на несуществующие даты (неверный date_key)', missing_dates);
RAISE NOTICE '✅ Все факты имеют валидные date_key';
END $$;
-- 4. Проверка SCD Type 2: у клиента 101 должно быть ≥2 версий (из-за смены email)
DO $$
DECLARE version_count INT;
BEGIN
SELECT COUNT(*) INTO version_count
FROM dds.dim_customer
WHERE customer_bk = 101;
ASSERT version_count >= 2,
FORMAT('ОШИБКА: у клиента 101 только %s версия, ожидается ≥2 (должна быть история)', version_count);
RAISE NOTICE '✅ SCD Type 2: клиент 101 имеет %s версий — история сохранена', version_count;
END $$;
-- 5. Проверка: сумма amount = qty * price_at_sale (без округления)
DO $$
DECLARE bad_rows INT;
BEGIN
SELECT COUNT(*) INTO bad_rows
FROM (
SELECT
f.sale_id,
f.amount,
oi.qty * oi.price_at_sale AS expected_amount
FROM dds.fact_sales f
JOIN ods.orders o ON f.date_key = CAST(TO_CHAR(o.order_date, 'YYYYMMDD') AS INT)
JOIN ods.order_items oi ON o.order_id = oi.order_id
WHERE ROUND(f.amount, 2) <> ROUND(oi.qty * oi.price_at_sale, 2)
LIMIT 10
) mismatches;
ASSERT bad_rows = 0,
'ОШИБКА: обнаружены расхождения между amount и qty * price_at_sale';
RAISE NOTICE '✅ Все суммы рассчитаны верно (amount = qty × price_at_sale)';
END $$;
-- ===============================================
-- Финальный отчёт для аналитика
-- ===============================================
RAISE NOTICE '──────────────────────────────';
RAISE NOTICE '📊 ОТЧЁТ: Выручка по клиентам (актуальные версии)';
RAISE NOTICE '──────────────────────────────';
SELECT
dc.customer_bk AS "ID клиента",
dc.email AS "Email",
dc.city AS "Город",
SUM(f.quantity) AS "Всего товаров",
SUM(f.amount) AS "Выручка, ₽"
FROM dds.fact_sales f
JOIN dds.dim_customer dc
ON f.customer_sk = dc.customer_sk
AND dc.is_current -- только актуальная версия
GROUP BY dc.customer_bk, dc.email, dc.city
ORDER BY SUM(f.amount) DESC;
RAISE NOTICE '──────────────────────────────';
RAISE NOTICE '✅ Все проверки пройдены. DWH готов к построению витрин.';