ddmitry/de-roadmap

Fork 0

Files

T

ddadmin dfc5748358 Чистовик статьи + материалы

2025-11-07 11:05:44 +03:00

19 KiB

Raw Blame History

Что нас здесь ждет

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.

Структура статьи про хранилище данных

Введение. Проблема аналитики в OLTP
Учебный пример. Интернет-магазин
Архитектура. Зачем слои?
Путешествие данных. STG→ODS→DDS→DM
Базовые понятия. Факты, Измерения, SCD
Модели данных. 3NF, DV, Звезда
Практикум. Собираем витрину
Выбор моделию Дерево решений
Эксплуатация. Качество и эволюция
Заключение

1. Введение: Аналитика — это не оперативный учет

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):

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
    }

Описание примера текстом

3. Архитектура хранилища: зачем делить на слои?

flowchart TD
    subgraph Sources[Источники OLTP]
        A[CRM]
        B[Заказы]
        C[Склад]
    end
    
    A --> STG
    B --> STG
    C --> STG
    
    subgraph STG[STG - Сырые данные]
        D[Таблицы-клоны<br>сырые данные]
    end
    
    STG --> ODS
    
    subgraph ODS[ODS - Очищенные данные]
        E[Стандартизированные<br>типы и форматы]
    end
    
    ODS --> DDS
    
    subgraph DDS[DDS - Интегрированная модель]
        F[Бизнес-сущности<br>SCD, интеграция]
    end
    
    DDS --> DM
    
    subgraph DM[DM - Витрины для аналитики]
        G[Звезда/снежинка<br>агрегаты]
    end
    
    DM --> BI[BI-системы<br>и отчеты]

4. Путешествие данных по слоям

flowchart LR
    subgraph STG[STG - Сырье]
        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<br>SCD Type 2]
        H[fact_orders<br>с суррогатными ключами]
    end
    
    subgraph DM[DM - Готовые решения]
        I[mart_sales<br>агрегированные данные]
        J[mart_customer_360<br>обзор по клиентам]
    end
    
    STG --> ODS
    ODS --> DDS
    DDS --> DM

STG (Staging/Bronze)

Коротко: «как пришло». Идемпотентность, дедупликация, неизменяемость/переигрузка.

ODS (Operational Data Store/Silver)

Коротко: чистка и выравнивание типов, базовая унификация кодов, ещё без тяжёлой бизнес-логики.

DDS (Integrated/Conformed)

Коротко: интеграция источников, общие справочники, SK/BK, SCD. Здесь живут модели данных (3NF/DV/Anchor/Star).

DM (Data Marts/Gold)

Коротко: модели под задачи BI (звезда/снежинка). Агрегаты, материализации.

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.

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.

5. Базовые понятия: Факты, Измерения, Ключи

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
        date date_sk FK
        int quantity
        decimal amount
    }

Что из базвой модели данных

SCD Type 2 - Визуализация истории:

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

в fact берём версию dim_customer по дате факта (между valid_from и valid_to)

Краткое описание текстом. Указание, что подробно про scd можно почитать в соседней статье SCD.md

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:

erDiagram
    hub_customer ||--o{ sat_customer_info : "хаб"
    hub_order ||--o{ sat_order_details : "хаб"
    hub_product ||--o{ sat_product_info : "хаб"
    
    hub_customer ||--o{ link_order_customer : "участвует"
    hub_order ||--o{ link_order_customer : "включает"
    
    hub_order ||--o{ link_order_product : "содержит"
    hub_product ||--o{ link_order_product : "входит в"
    
    hub_customer {
        string customer_hash_key PK
        string customer_id BK
        datetime load_dttm
    }
    
    sat_customer_info {
        string customer_hash_key PK,FK
        datetime load_dttm PK
        string customer_name
        string email
        string phone
    }
    
    link_order_customer {
        string order_customer_hash_key PK
        string order_hash_key FK
        string customer_hash_key FK
        datetime load_dttm
    }

Коротко: хабы (BK), линки (связи), сателлиты (история атрибутов). Этот раздел обзорный.

Упомянуть про DV 1

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.

Сравнение моделей:

quadrantChart
    title Сравнение моделей данных по сложности и гибкости
    x-axis "Низкая сложность" --> "Высокая сложность"
    y-axis "Низкая гибкость" --> "Высокая гибкость"
    "Звезда": [0.2, 0.3]
    "3NF": [0.6, 0.5]
    "Data Vault": [0.8, 0.8]
    "Anchor": [0.9, 0.9]

Рассказать, что выбор модели для данных далеко не всегда однозначен, и является компромисснным.

3NF - преимущества и недостатки Снежинка - преимущества и недостатки DV Anchor Modeling

7. Практикум: собираем витрину

Раздел мне не нравится, надо бы переработать.

flowchart TD
    A[Источники] --> STG
    STG[STG: сырые заказы, товары] --> ODS
    ODS[ODS: очищенные данные] --> DDS
    
    subgraph DDS[DDS: интегрированная модель]
        B[dim_customer<br>SCD Type 2]
        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[Отчет по клиентам]

Пример SQL для витрины:

-- Витрина ежедневных продаж
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_key = d.date_key
JOIN dim_product p ON f.product_key = p.product_key  
JOIN dim_customer c ON f.customer_key = c.customer_key
WHERE c.is_current = true
GROUP BY d.date, p.product_name, c.customer_segment;

9. Эксплуатация: качество и эволюция

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<br>и остановка]

10. Заключение: главное — понимать "почему"

mindmap
  root((Хранилище данных))
    Архитектура
      Слои STG→ODS→DDS→DM
      Разделение ответственности
      Управляемость изменений
    Модели данных
      3NF: Целостность
      Data Vault: Масштабируемость
      Звезда: Производительность
    Ключевые понятия
      Факты и измерения
      Суррогатные ключи
      SCD Type 2
    Практика
      Понимать бизнес-задачу
      Выбирать подходящую модель
      Строить итеративно

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.

Приложения

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

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.

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)

-- 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
);

19 KiB Raw Blame History Unescape Escape

**Структура статьи про хранилище данных **