462 lines
27 KiB
Markdown
462 lines
27 KiB
Markdown
# Медленно меняющиеся измерения (SCD): как хранить историю в аналитических базах данных
|
||
|
||
> **Для кого эта статья?**
|
||
> Для тех, кто уже умеет писать базовые SQL-запросы в PostgreSQL, знаком с понятиями таблиц, строк и колонок, и теперь делает первые шаги в аналитике и проектировании хранилищ данных.
|
||
|
||
---
|
||
|
||
## 1. Введение: зачем вообще нужны измерения и почему они «медленно меняются»?
|
||
|
||
Представьте, что вы строите отчёт по продажам. У вас есть таблица с фактами — например, «продано 10 единиц товара X клиенту Y 15 марта». Но чтобы понять, *кто такой клиент Y* или *что за товар X*, вам нужны **справочники** — таблицы с описанием клиентов, товаров, регионов и т.п.
|
||
|
||
В мире аналитики такие справочники называют **измерениями** (*dimensions*), а таблицу с продажами — **фактами** (*facts*).
|
||
|
||
А теперь представьте: клиент сменил адрес или перешёл в другую категорию (например, из «обычного» в «VIP»). Если вы просто обновите строку в таблице клиентов, то потеряете информацию о том, **какой статус у клиента был на момент продажи**. А это критично: отчёт «продажи VIP-клиентам в марте» окажется неверным!
|
||
|
||
Такие атрибуты — которые **меняются со временем, но не каждый день** — и называются **медленно меняющимися измерениями** (*Slowly Changing Dimensions*, **SCD**).
|
||
|
||
---
|
||
|
||
## 2. Что такое Slowly Changing Dimensions (SCD)?
|
||
|
||
SCD — это подход к хранению изменений в измерениях **с учётом времени**. Он позволяет отвечать на вопросы вроде:
|
||
|
||
- Какой адрес у клиента был **на дату заказа**?
|
||
- Сколько продаж пришлось на товары категории «Электроника» **до того, как её переименовали в «Гаджеты»**?
|
||
|
||
Без SCD вы видите только **текущее состояние**, а с ним — **всю историю**.
|
||
|
||
---
|
||
|
||
## 3. Типы SCD — простыми словами
|
||
|
||
Существует несколько стандартных стратегий обработки изменений. Рассмотрим самые важные.
|
||
|
||
### **Type 0 — Никогда не меняется**
|
||
Атрибут фиксирован навсегда. Например, дата рождения клиента.
|
||
Такие поля не требуют специальной обработки — они просто не обновляются.
|
||
|
||
### **Type 1 — Просто перезаписать**
|
||
Вы просто делаете `UPDATE`, и старое значение исчезает.
|
||
|
||
✅ Просто.
|
||
❌ История теряется.
|
||
|
||
> Подходит, если изменение — это исправление ошибки (например, опечатка в имени).
|
||
|
||
### **Type 2 — Новая строка для новой версии**
|
||
Каждое изменение порождает **новую строку** в таблице. Старая строка остаётся, но помечается как «устаревшая».
|
||
|
||
✅ Полная история.
|
||
✅ Можно восстановить состояние на любую дату.
|
||
❌ Больше данных, сложнее запросы.
|
||
|
||
> Это **самый распространённый** подход в аналитике.
|
||
|
||
### **Type 3 — Добавить колонку «предыдущее значение»**
|
||
В таблице появляются поля вроде `previous_category`, `category_change_date`.
|
||
|
||
✅ Простая история «до/после».
|
||
❌ Хранит только **одно** предыдущее значение. Не масштабируется.
|
||
|
||
> Используется редко, чаще как компромисс в очень простых системах.
|
||
|
||
### **Type 4, 5, 6 — Продвинутые гибриды**
|
||
Эти типы существуют, но **встречаются редко** и почти не используются новичками:
|
||
|
||
- **Type 4**: история выносится в отдельную таблицу («мини-хранилище» для одного измерения).
|
||
- **Type 5**: комбинация Type 4 и Type 1 — текущее значение в основной таблице, а история — отдельно.
|
||
- **Type 6**: объединяет Type 1, 2 и 3 в одной таблице — очень гибко, но сложно.
|
||
|
||
> Вам **не нужно запоминать** эти типы сейчас. Достаточно знать, что они бывают — на случай, если встретите их в документации.
|
||
|
||
---
|
||
|
||
## 4. Практический пример на PostgreSQL: Type 1 vs Type 2
|
||
|
||
Допустим, у нас есть таблица клиентов:
|
||
|
||
```sql
|
||
-- Исходная таблица (до изменений)
|
||
CREATE TABLE customers (
|
||
customer_id SERIAL PRIMARY KEY,
|
||
name TEXT NOT NULL,
|
||
category TEXT NOT NULL -- например: 'Regular', 'VIP'
|
||
);
|
||
```
|
||
|
||
### Type 1: просто обновляем
|
||
|
||
Клиент №1 стал VIP:
|
||
|
||
```sql
|
||
UPDATE customers
|
||
SET category = 'VIP'
|
||
WHERE customer_id = 1;
|
||
```
|
||
|
||
Теперь в таблице только новое значение. Если продажа была сделана **до** этого UPDATE, вы не узнаете, что клиент тогда был «Regular».
|
||
|
||
---
|
||
|
||
### Type 2: сохраняем историю — подробнее
|
||
|
||
Чтобы хранить историю, мы меняем структуру таблицы. Вот ключевые поля:
|
||
|
||
- **`customer_key`** — искусственный (surrogate) первичный ключ. Он **уникален для каждой версии** клиента.
|
||
- **`customer_id`** — бизнес-идентификатор (например, из CRM). Он **не меняется** и связывает все версии одного клиента.
|
||
- **`valid_from`** — дата, **с которой** эта версия стала актуальной.
|
||
- **`valid_to`** — дата, **по которую** эта версия была актуальной. Если `NULL` — значит, версия **актуальна сейчас**.
|
||
- **`is_current`** — флаг (`true`/`false`), который быстро показывает, какая строка — последняя. Удобен для запросов.
|
||
|
||
Пример структуры:
|
||
|
||
```sql
|
||
CREATE TABLE customers_scd2 (
|
||
customer_key SERIAL PRIMARY KEY, -- уникальный ID каждой версии
|
||
customer_id INT NOT NULL, -- неизменный бизнес-ID клиента
|
||
name TEXT NOT NULL,
|
||
category TEXT NOT NULL,
|
||
valid_from DATE NOT NULL, -- с какой даты действует
|
||
valid_to DATE, -- по какую дату действовала (NULL = сейчас)
|
||
is_current BOOLEAN NOT NULL -- true = актуальная версия
|
||
);
|
||
```
|
||
|
||
**Шаг 1.** Добавляем начальную запись (клиент зарегистрировался 1 января 2024):
|
||
|
||
```sql
|
||
INSERT INTO customers_scd2 (customer_id, name, category, valid_from, valid_to, is_current)
|
||
VALUES (1, 'Иван Петров', 'Regular', '2024-01-01', NULL, true);
|
||
```
|
||
|
||
**Шаг 2.** 15 апреля 2025 клиент становится VIP. Мы делаем **два действия**:
|
||
|
||
1. **Закрываем старую запись**: указываем, что она была актуальна **до 14 апреля**.
|
||
2. **Добавляем новую запись**: она начинает действовать **с 15 апреля** и пока актуальна.
|
||
|
||
```sql
|
||
-- 1. Завершаем предыдущую версию
|
||
UPDATE customers_scd2
|
||
SET valid_to = '2025-04-14',
|
||
is_current = false
|
||
WHERE customer_id = 1 AND is_current = true;
|
||
|
||
-- 2. Вставляем новую версию
|
||
INSERT INTO customers_scd2 (customer_id, name, category, valid_from, valid_to, is_current)
|
||
VALUES (1, 'Иван Петров', 'VIP', '2025-04-15', NULL, true);
|
||
```
|
||
|
||
Теперь в таблице две строки для одного клиента. И мы можем спросить:
|
||
|
||
> Какой была категория клиента **на 10 апреля 2025**?
|
||
|
||
```sql
|
||
SELECT category
|
||
FROM customers_scd2
|
||
WHERE customer_id = 1
|
||
AND '2025-04-10' >= valid_from
|
||
AND '2025-04-10' <= COALESCE(valid_to, '9999-12-31');
|
||
```
|
||
|
||
Результат: `'Regular'` — правильно!
|
||
|
||
> 💡 Почему `COALESCE(valid_to, '9999-12-31')`?
|
||
> Потому что у актуальной записи `valid_to IS NULL`. Чтобы условие работало, мы временно заменяем `NULL` на очень далёкую дату.
|
||
|
||
---
|
||
|
||
### Type 2: можно ли обойтись без `is_current`?
|
||
|
||
Поле `is_current` **не обязательно**. Оно удобно для быстрого поиска актуальной версии (например, `WHERE is_current = true`), но **всю ту же информацию несёт пара `valid_from` / `valid_to`**.
|
||
|
||
Многие реализации SCD Type 2 обходятся без этого флага — особенно в системах, где важна нормализация или минимизация избыточности. В таких случаях актуальность определяют по условию:
|
||
|
||
```sql
|
||
WHERE valid_to IS NULL
|
||
```
|
||
|
||
Или, если используется «закрытый» интервал (например, `valid_to = '2025-04-14'` для прошлой версии, а у новой — `valid_from = '2025-04-15'`, `valid_to = '9999-12-31'`), то:
|
||
|
||
```sql
|
||
WHERE CURRENT_DATE BETWEEN valid_from AND valid_to
|
||
```
|
||
|
||
Так что `is_current` — это **опциональное упрощение**, а не часть стандарта.
|
||
|
||
---
|
||
|
||
### Type 2 через логику, похожую на UPSERT
|
||
|
||
В реальных ETL-процессах часто используют **идемпотентные** операции: запуск скрипта дважды не должен ломать данные. Для этого удобно применять подход, похожий на *upsert* (update + insert), но адаптированный под логику SCD Type 2.
|
||
|
||
В PostgreSQL классический `ON CONFLICT` не подходит напрямую, потому что мы **не обновляем существующую строку**, а **добавляем новую при изменении**.
|
||
|
||
Поэтому логика выглядит так:
|
||
|
||
1. Сравнить входящие данные с последней версией в таблице.
|
||
2. Если атрибуты изменились — закрыть старую запись и вставить новую.
|
||
3. Если не изменились — ничего не делать.
|
||
|
||
Пример (часто реализуется в Python, dbt, Airflow и т.п.):
|
||
|
||
```sql
|
||
-- Предположим, новая версия: customer_id=1, category='VIP', effective_date='2025-04-15'
|
||
|
||
-- Шаг 1: вставляем новую версию, только если есть изменения
|
||
WITH last_version AS (
|
||
SELECT * FROM customers_scd2
|
||
WHERE customer_id = 1 AND is_current = true
|
||
)
|
||
INSERT INTO customers_scd2 (customer_id, name, category, valid_from, valid_to, is_current)
|
||
SELECT 1, 'Иван Петров', 'VIP', '2025-04-15', NULL, true
|
||
WHERE EXISTS (
|
||
SELECT 1 FROM last_version WHERE category != 'VIP'
|
||
);
|
||
|
||
-- Шаг 2: если вставка произошла — закрываем старую запись
|
||
UPDATE customers_scd2
|
||
SET valid_to = '2025-04-14', is_current = false
|
||
WHERE customer_id = 1 AND is_current = true
|
||
AND EXISTS (
|
||
SELECT 1 FROM customers_scd2
|
||
WHERE customer_id = 1 AND category = 'VIP' AND valid_from = '2025-04-15'
|
||
);
|
||
```
|
||
|
||
На практике такие логики чаще выносят в **ETL-инструменты** (например, dbt с пакетом `dbt-scd`), потому что чистый SQL быстро становится громоздким.
|
||
|
||
> 💡 Главное: **SCD Type 2 — это не одна операция, а процесс**: сравнить → закрыть старое → добавить новое.
|
||
|
||
---
|
||
|
||
### А что, если СУБД не позволяет UPDATE? (Trino, Hive, ClickHouse в режиме append-only)
|
||
|
||
Некоторые аналитические системы (например, **Hive в формате ORC/Parquet**, **Trino**, **ClickHouse в режиме только вставки**) **не поддерживают UPDATE старых строк**. Как тогда реализовать SCD Type 2?
|
||
|
||
Ответ: **никаких UPDATE не нужно** — ведь в Type 2 мы и так **не меняем старые данные**, а только **добавляем новые**!
|
||
|
||
Алгоритм загрузки (ETL):
|
||
1. Сравнить входящие данные с последней версией в таблице.
|
||
2. Если есть изменения — **пишем новую строку** с новыми `valid_from` / `valid_to`.
|
||
3. Старые строки остаются нетронутыми.
|
||
|
||
Пример в Trino/Hive-стиле (только INSERT):
|
||
|
||
Давайте разберём этот запрос по шагам, чтобы понять его логику:
|
||
|
||
```sql
|
||
-- new_customers — staging-таблица с обновлёнными данными
|
||
-- dim_customers_scd2 — основная таблица (append-only)
|
||
|
||
INSERT INTO dim_customers_scd2
|
||
WITH current_customers AS (
|
||
SELECT *
|
||
FROM (
|
||
SELECT *, ROW_NUMBER() OVER (PARTITION BY customer_id ORDER BY valid_from DESC) AS rn
|
||
FROM dim_customers_scd2
|
||
)
|
||
WHERE rn = 1 -- отбираем первую, самую свежую, запись
|
||
)
|
||
SELECT
|
||
uuid() AS customer_key, -- уникальный ID каждой версии
|
||
n.customer_id, -- неизменный бизнес-ID клиента
|
||
n.name,
|
||
n.category,
|
||
COALESCE(n.effective_date, current_date) AS valid_from -- дата начала действия новой версии
|
||
FROM new_customers n
|
||
LEFT JOIN current_customers c ON n.customer_id = c.customer_id
|
||
WHERE c.customer_id IS NULL OR c.category != n.category; -- условие верно, если какие-то из полей справочника поменялись
|
||
```
|
||
|
||
### 🎯 Как работает этот запрос: пошаговое объяснение
|
||
|
||
```mermaid
|
||
graph TD
|
||
A[new_customers<br/>новые данные] --> B[CTE: current_customers]
|
||
C[dim_customers_scd2<br/>текущее состояние] --> B
|
||
B --> D[LEFT JOIN по customer_id]
|
||
A --> D
|
||
D --> E{Условие WHERE}
|
||
E -->|Новый клиент| F[Вставить запись]
|
||
E -->|Изменения| F
|
||
E -->|Без изменений| G[Пропустить]
|
||
F --> H[dim_customers_scd2<br/>обновленная таблица]
|
||
```
|
||
|
||
#### Шаг 1: Подготовка данных (CTE current_customers)
|
||
CTE `current_customers` находит **последнюю версию** каждого клиента из таблицы `dim_customers_scd2`:
|
||
|
||
```sql
|
||
SELECT *, ROW_NUMBER() OVER (PARTITION BY customer_id ORDER BY valid_from DESC) AS rn
|
||
FROM dim_customers_scd2
|
||
```
|
||
|
||
- `PARTITION BY customer_id` — группируем по клиентам
|
||
- `ORDER BY valid_from DESC` — сортируем версии от самой новой к самой старой
|
||
- `WHERE rn = 1` — выбираем только самую свежую версию
|
||
|
||
#### Шаг 2: Сравнение данных (LEFT JOIN + WHERE)
|
||
Теперь сравниваем новые данные с текущими:
|
||
|
||
```sql
|
||
FROM new_customers n
|
||
LEFT JOIN current_customers c ON n.customer_id = c.customer_id
|
||
```
|
||
|
||
**Возможные сценарии после JOIN:**
|
||
|
||
| Сценарий | n.customer_id | c.customer_id | Условие WHERE | Результат |
|
||
|----------|---------------|---------------|---------------|-----------|
|
||
| Новый клиент | 2 | NULL | ✅ `c.customer_id IS NULL` | Вставляется |
|
||
| Категория изменилась | 1 | 1 | ✅ `c.category != n.category` | Вставляется |
|
||
| Без изменений | 3 | 3 | ❌ оба условия ложны | Пропускается |
|
||
|
||
#### Шаг 3: Вставка новых версий
|
||
Для подходящих записей создаём новую версию:
|
||
- `uuid()` — генерируем уникальный ключ для новой версии (функция, скобки обязательны)
|
||
- `COALESCE(n.effective_date, current_date)` — устанавливаем дату начала действия новой версии
|
||
|
||
> 💡 **Синтаксическая поправка**:
|
||
> - `current_date` — это ключевое слово, а не функция, поэтому скобки не нужны
|
||
> - `uuid()` — это функция, поэтому скобки обязательны
|
||
> - Разница: `current_date` возвращает текущую дату, `uuid()` генерирует уникальный идентификатор
|
||
|
||
> 💡 **Правильный подход к датам**: В реальных ETL-процессах важно использовать дату из исходных данных, когда она доступна. Мы используем `COALESCE(n.effective_date, current_date)`, что означает:
|
||
> - Если в `new_customers` есть поле `effective_date` — используем его
|
||
> - Если нет — используем текущую дату (`current_date`)
|
||
>
|
||
> **Почему это важно:**
|
||
> - `effective_date` отражает реальную дату изменения (например, когда клиент стал VIP)
|
||
> - `current_date` — это дата загрузки данных, которая может не совпадать с датой изменения
|
||
> - Использование правильной даты критично для точного исторического анализа
|
||
>
|
||
> **Пример правильной структуры исходных данных:**
|
||
> ```sql
|
||
> new_customers:
|
||
> customer_id | name | category | effective_date
|
||
> 1 | Иван Петров | VIP | 2025-04-15 ← дата реального изменения
|
||
> ```
|
||
|
||
#### Практический пример
|
||
|
||
**До выполнения запроса:**
|
||
```
|
||
dim_customers_scd2:
|
||
customer_id | name | category | valid_from
|
||
1 | Иван Петров | Regular | 2024-01-01
|
||
```
|
||
|
||
**Новые данные:**
|
||
```
|
||
new_customers:
|
||
customer_id | name | category
|
||
1 | Иван Петров | VIP ← изменилась категория
|
||
2 | Мария Иванова| Regular ← новый клиент
|
||
```
|
||
|
||
**После выполнения запроса:**
|
||
```
|
||
dim_customers_scd2:
|
||
customer_id | name | category | valid_from
|
||
1 | Иван Петров | Regular | 2024-01-01 ← старая версия
|
||
1 | Иван Петров | VIP | 2025-11-04 ← новая версия
|
||
2 | Мария Иванова| Regular | 2025-11-04 ← новый клиент
|
||
```
|
||
|
||
> 💡 **Ключевой момент**: В append-only системах мы **не обновляем** старые записи, а только **добавляем новые**. История сохраняется автоматически!
|
||
|
||
**Главный вопрос после загрузки: как же читать эти данные?**
|
||
|
||
Поскольку мы не можем обновлять `valid_to` у предыдущей версии (у неё останется `NULL`), стандартный подход с `BETWEEN` не сработает. Вместо этого, для поиска нужной версии мы полагаемся на **оконные функции** или на логику «ближайшей даты, но не позже».
|
||
|
||
#### Паттерн 1: Найти последнюю (актуальную) версию на сегодня
|
||
|
||
Это самый частый запрос. Мы хотим видеть самую свежую информацию о клиенте.
|
||
|
||
```sql
|
||
-- Вариант с оконной функцией (универсальный и надежный)
|
||
WITH ranked AS (
|
||
SELECT
|
||
*,
|
||
ROW_NUMBER() OVER (PARTITION BY customer_id ORDER BY valid_from DESC) AS rn
|
||
FROM dim_customers_scd2
|
||
)
|
||
SELECT
|
||
customer_id, name, category, valid_from
|
||
FROM ranked
|
||
WHERE rn = 1;
|
||
```
|
||
|
||
Этот запрос берёт строку с самой поздней датой начала действия для каждого клиента.
|
||
|
||
#### Паттерн 2: Найти версию, которая была актуальна на конкретную дату
|
||
|
||
Это основная цель SCD2. Например, «какой статус клиента был на дату заказа `2025-03-15`?».
|
||
|
||
В append-only мире у нас нет `valid_to`, поэтому мы ищем **последнюю версию, у которой `valid_from` ≤ целевой даты**.
|
||
|
||
```sql
|
||
-- Запрос для получения состояния на '2025-03-15'
|
||
WITH as_of_date AS (
|
||
SELECT
|
||
*,
|
||
ROW_NUMBER() OVER (PARTITION BY customer_id ORDER BY valid_from DESC) AS rn
|
||
FROM dim_customers_scd2
|
||
WHERE valid_from <= DATE '2025-03-15'
|
||
)
|
||
SELECT
|
||
customer_id, name, category, valid_from
|
||
FROM as_of_date
|
||
WHERE rn = 1;
|
||
```
|
||
|
||
**Как это работает:**
|
||
1. `WHERE valid_from <= DATE '2025-03-15'` отфильтровывает все версии, которые появились **после** нашей целевой даты.
|
||
2. `ORDER BY valid_from DESC` сортирует оставшиеся версии от самой свежей к самой старой.
|
||
3. `ROW_NUMBER() ... WHERE rn = 1` выбирает самую свежую из **актуальных на ту дату** версий.
|
||
|
||
Это и есть «путешествие во времени» (time travel) в системах без встроенной поддержки этой функции.
|
||
|
||
> **Почему не использовать `is_current`?**
|
||
> В append-only системах флаг `is_current` становится устаревшим сразу после новой вставки. Его очень сложно поддерживать без `UPDATE`, поэтому в таких архитектурах его чаще **не используют**, полагаясь полностью на даты и оконные функции. Это делает модель данных более чистой и идемпотентной.
|
||
|
||
Таким образом, SCD Type 2 не только совместим с append-only системами, но и является для них **естественным выбором**, так как его логика основана исключительно на добавлении данных, а не на их изменении.
|
||
|
||
---
|
||
|
||
## 5. Когда что использовать?
|
||
|
||
| Сценарий | Рекомендуемый тип |
|
||
|--------|------------------|
|
||
| Исправление опечатки | Type 1 |
|
||
| Юридически значимые изменения (статус, тариф, регион) | Type 2 |
|
||
| Очень простая аналитика без требований к истории | Type 1 |
|
||
| Нужна только «последняя смена» и ничего больше | Type 3 (осторожно!) |
|
||
|
||
**Совет новичку**: если сомневаетесь — выбирайте **Type 2**. Лучше иметь историю и не использовать её, чем не иметь и не суметь ответить на важный вопрос.
|
||
|
||
---
|
||
|
||
## 6. Подводные камни и советы
|
||
|
||
- **Не используйте `customer_id` как первичный ключ в Type 2**. Он повторяется! Вместо этого — `customer_key` (surrogate key).
|
||
- Всегда задавайте `valid_to` как `NULL` для актуальной записи, если это допустимо в вашей СУБД — это упрощает запросы.
|
||
- Используйте `COALESCE(valid_to, '9999-12-31')` в условиях, чтобы избежать `NULL`-проблем.
|
||
- Type 2 увеличивает объём данных — но для аналитики это нормально.
|
||
- В связке с фактами: в таблице фактов храните **`customer_key`**, а не `customer_id` — иначе не получится соединить с нужной версией.
|
||
|
||
---
|
||
|
||
## 7. Заключение
|
||
|
||
Медленно меняющиеся измерения — это не «магия», а **практический инструмент** для честной и точной аналитики во времени.
|
||
|
||
Начните с понимания разницы между Type 1 и Type 2. Попробуйте реализовать оба подхода в своём PostgreSQL. Задайте себе вопрос:
|
||
> «Если бы я построил отчёт по данным на прошлый месяц — дал бы он правильный ответ после сегодняшнего изменения?»
|
||
|
||
Если нет — вам нужен SCD Type 2.
|
||
|
||
И помните: даже в системах без `UPDATE` вы можете хранить полную историю — достаточно понимать, как правильно читать данные с помощью оконных функций и временных границ.
|
||
|