de-roadmap/dwh-modeling/SCD.md

# 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**.

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)
);
```

**Шаг 1.** Добавляем начальную запись (клиент зарегистрировался 1 января 2024):

```sql
INSERT INTO customers_scd2 (customer_id, name, category, valid_from, valid_to)
VALUES (1, 'Иван Петров', 'Regular', DATE '2024-01-01', NULL);
```

**Шаг 2.** 15 апреля 2025 клиент становится VIP. Мы делаем **два действия**:

1. **Закрываем старую запись**: указываем дату начала новой версии (интервал `[valid_from, valid_to)`).
2. **Добавляем новую запись**: она начинает действовать **с 15 апреля** и пока актуальна.

```sql
-- 1. Завершаем предыдущую версию
UPDATE customers_scd2
SET valid_to = DATE '2025-04-15'
WHERE customer_id = 1 AND valid_to IS NULL;

-- 2. Вставляем новую версию
INSERT INTO customers_scd2 (customer_id, name, category, valid_from, valid_to)
VALUES (1, 'Иван Петров', 'VIP', DATE '2025-04-15', NULL);
```

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 DATE '2025-04-10' >= valid_from
  AND (valid_to IS NULL OR DATE '2025-04-10' < valid_to);
```

Результат: `'Regular'` — правильно!

> 💡 Почему не `BETWEEN valid_from AND valid_to`?  
> Потому что у актуальной записи `valid_to IS NULL`. В SQL сравнения с `NULL` не дают `TRUE`, поэтому для “текущей” версии обычно пишут `valid_to IS NULL OR ...`.

### 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 valid_to IS NULL
)
INSERT INTO customers_scd2 (customer_id, name, category, valid_from, valid_to)
SELECT 1, 'Иван Петров', 'VIP', DATE '2025-04-15', NULL
WHERE EXISTS (
  SELECT 1 FROM last_version WHERE category != 'VIP'
);

-- Шаг 2: если вставка произошла — закрываем старую запись
UPDATE customers_scd2
SET valid_to = DATE '2025-04-15'
WHERE customer_id = 1 AND valid_to IS NULL
  AND EXISTS (
    SELECT 1 FROM customers_scd2
    WHERE customer_id = 1 AND category = 'VIP' AND valid_from = DATE '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.

---

В учебном проекте из папки `dwh-modeling/sql/` эти идеи можно увидеть «вживую»:

- в [`02_dml_stg-dds.sql`](sql/02_dml_stg-dds.sql) собирается полная история клиентов (SCD2) из всех событий в `stg.customers_raw` — это пример **первичной загрузки** / `full backfill`;
- в [`03_demo_increment.sql`](sql/03_demo_increment.sql) реализован **инкрементальный SCD2**: в одной транзакции добавляются новые версии клиентов из снимка `ods.customers` и закрываются предыдущие актуальные строки в `dds.dim_customer`.

---

#### 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`.
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

###### 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
- `current_date` - функция, возвращающая текущую даты
- `COALESCE(n.effective_date, current_date)` — устанавливаем дату начала действия новой версии

> 💡 **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, 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 флаг «текущая версия»?**  
> В append-only системах любой флаг актуальности становится устаревшим сразу после новой вставки. Без `UPDATE` его сложно поддерживать, поэтому в таких архитектурах чаще полагаются на даты и оконные функции — так модель остаётся 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 модель.
- Для условий “актуально на дату” используйте паттерн: `d >= valid_from AND (valid_to IS NULL OR d < valid_to)`.
- 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 своей БД. 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.