Esquema en estrella

Qué es

Un esquema en estrella organiza las tablas para el análisis. Una
tabla central registra como números los sucesos del negocio, por
ejemplo ventas, envíos o pagos. A su alrededor están las tablas que
describen esos sucesos: qué producto, qué tienda, qué día y qué
cliente. Si se dibuja una línea desde la tabla central hasta cada
una de las demás, el diagrama parece una estrella.

La tabla central es la tabla de hechos y las de alrededor son tablas
de dimensiones. Kimball Group lo describe brevemente: «Los esquemas
en estrella se componen característicamente de tablas de hechos
vinculadas a las tablas de dimensiones asociadas». El vínculo es una
clave corriente. Cada tabla de dimensiones tiene una única clave
primaria, y cada fila de hechos lleva esa clave como clave foránea,
una por cada dimensión que describe el suceso.

La división responde a la distinción de Kimball Group entre medición
y contexto. Un modelo dimensional se construye alrededor de los
sucesos de medición de un proceso empresarial: un artículo escaneado
en caja, un pedido enviado o una reclamación pagada. Los números que
produce el suceso, como la cantidad y el importe, son los hechos.
Todo lo que indica quién, qué, dónde, cuándo, por qué y cómo es
contexto y reside en las dimensiones.

Los dos tipos de tablas tienen formas opuestas. En el nivel más
detallado, una tabla de hechos contiene una fila por suceso, con las
medidas numéricas, una clave foránea a cada dimensión y, a veces,
una referencia como un número de factura o de recibo. Ese número es
lo único que queda del documento cuando su fecha, cliente y tienda
ya se han convertido en dimensiones; por eso se guarda en la fila de
hechos sin una tabla de dimensiones detrás. Kimball Group lo llama
dimensión degenerada. Una tabla de dimensiones, en cambio, es ancha,
plana y deliberadamente desnormalizada, con muchas columnas de texto
descriptivo. Una dimensión de producto repite la marca, la categoría
y el departamento en cada fila de producto, en lugar de separarlos
en tablas propias.

Un esquema en estrella es la forma relacional de un modelo
dimensional, construida con tablas corrientes en una base de datos
SQL corriente. La otra forma que describe Kimball Group es el cubo
OLAP, una base de datos multidimensional con los mismos atributos y
hechos, consultada mediante lenguajes con mayor capacidad analítica
que SQL, como MDX, mientras que XMLA proporciona un protocolo de
acceso. Los cubos suelen construirse a partir de un esquema en
estrella, como último paso antes de que los usuarios vean los datos
o como capa de agregados. Las reglas de modelado son las mismas en
ambos casos, y Kimball Group las considera neutrales respecto a la
arquitectura: se aplican tanto a un almacén de datos de estilo
Kimball como a la Corporate Information Factory de Bill Inmon, con
su arquitectura de núcleo y radios.

Por qué importa

La estructura hace que las preguntas analíticas se parezcan. Se
eligen los hechos que se sumarán, se combina mediante JOIN la tabla
de hechos con las dimensiones que los describen, se filtra por
algunas columnas de dimensiones y se agrupa por otras. Kimball Group
describe las tablas de hechos como el objetivo principal de los
cálculos y las agregaciones dinámicas, y los atributos de dimensión
como la fuente principal de restricciones de consulta, agrupaciones
y etiquetas de informes. Un analista que haya aprendido ese patrón
puede escribir sin ayuda la siguiente consulta sobre una tabla de
hechos nueva, y una herramienta de informes puede construirla a
partir de una lista de campos, porque todas las estrellas tienen la
misma disposición.

La legibilidad es la segunda razón. Una base de datos operativa se
diseña para almacenar cada hecho una sola vez y mantenerlo
coherente, por lo que la categoría de un producto suele estar en una
tabla de consulta separada, enlazada mediante un identificador. Es
el diseño adecuado para el sistema que recibe pedidos y el
inadecuado para quien busca las ventas por categoría, que primero
debe averiguar qué tablas combinar mediante JOIN y en qué orden. Una
dimensión plana reúne todas las columnas descriptivas en un lugar,
expresadas con palabras. Kimball Group advierte contra la
alternativa de normalizar la jerarquía de una dimensión en más
tablas, porque los usuarios del negocio encuentran el resultado
difícil de entender y recorrer.

La tercera razón es que una estrella bien construida puede responder
a preguntas que nadie planteó al diseñarla. La granularidad de una
tabla de hechos, el significado exacto de una fila, se declara antes
de definir dimensiones o hechos, y Kimball Group recomienda empezar
por la granularidad atómica: el nivel más bajo que registra el
proceso empresarial. Una tabla con una fila por línea de recibo se
puede sumar por día, tienda, marca o cualquier combinación de ellos.
Una tabla que solo conserva totales diarios por tienda nunca podrá
desglosarse por producto, sea cual sea la forma de preguntar. En
términos de Kimball Group, los datos atómicos resisten consultas
imprevisibles, mientras que los agregados presuponen las preguntas
que se les harán.

El precio es una redundancia deliberada. El nombre del departamento
se repite en cada fila de producto, y la carga que construye la
estrella debe mantener coherentes esas repeticiones y decidir qué
ocurre cuando cambia una descripción. La estrella tampoco sustituye
al modelo operativo: un proceso de carga la construye a partir de
él, y su actualidad depende de la última ejecución de esa carga.

Cómo se aplica en la práctica

Un comercio quiere conocer las ventas por categoría de producto y
mes. El proceso empresarial es el recibo de caja y la granularidad
se declara como una fila por línea de recibo. La dimensión de
producto es una tabla plana; la tabla de hechos contiene una clave
por dimensión, el número de recibo como dimensión degenerada y dos
medidas.

```sql
CREATE TABLE dim_product (
    product_key  bigint PRIMARY KEY,   -- surrogate key, owned by the warehouse
    sku          text NOT NULL,        -- the code in the source system
    product_name text NOT NULL,
    brand        text NOT NULL,
    category     text NOT NULL,
    department   text NOT NULL
);

CREATE TABLE fact_sales (
    date_key       integer NOT NULL REFERENCES dim_date,
    store_key      integer NOT NULL REFERENCES dim_store,
    product_key    bigint  NOT NULL REFERENCES dim_product,
    receipt_number text    NOT NULL,   -- degenerate dimension
    quantity       integer NOT NULL,
    sales_amount   numeric(12, 2) NOT NULL
);

SELECT d.year_month, p.category, sum(f.sales_amount) AS sales
FROM fact_sales AS f
JOIN dim_date AS d USING (date_key)
JOIN dim_product AS p USING (product_key)
WHERE p.department = 'Grocery'
GROUP BY d.year_month, p.category
ORDER BY d.year_month, p.category;
```

La consulta tiene la forma de cualquier consulta a una estrella: la
tabla de hechos, una operación JOIN por dimensión, filtros y
agrupaciones sobre el texto de las dimensiones y una suma de un
hecho. Añadir la región de la tienda al informe exige otra operación
JOIN y una columna más en `GROUP BY`; la tabla de hechos no cambia.
El número de recibo permanece en la fila de hechos, de modo que las
líneas de una cesta aún se pueden contar juntas, pero no recibe una
tabla de dimensiones porque no hay nada más que describir sobre él.

Una estrella es una respuesta a la promesa del servicio de diseño y
modelado de bases de datos: una estructura que refleje cómo funciona
realmente el negocio, para poder seguir haciendo las preguntas que
se necesiten después. El modelo operativo del que se construye es la
otra mitad de ese trabajo. En su trabajo actual para NextMariner, la
fundadora modeló un dominio marítimo en 348 tablas normalizadas
distribuidas en 34 esquemas PostgreSQL, con profesionales, empresas,
buques, puestos de trabajo y reseñas. Allí, las pequeñas listas
estables, como estados, tipos y categorías, se convirtieron en
tablas de consulta SMALLINT, lo que mantiene compactas las filas y
poco costosas las operaciones JOIN, y las claves foráneas y
restricciones reales hacen que la integridad sea responsabilidad de
la base de datos. Esa es la estructura adecuada para un sistema que
escribe filas de una en una y debe mantener la corrección. Una
estrella para informes construida sobre un sistema así hace lo
contrario: vuelve a convertir los códigos en palabras dentro de
dimensiones planas, porque quien la lee es una persona y no la
aplicación.

Dónde surgen los problemas

Se normalizan las dimensiones y la estrella se convierte en un copo
de nieve. Separar marca, categoría y departamento de la dimensión de
producto en tablas propias parece ordenado a quien está acostumbrado
al diseño operativo. Kimball Group llama al resultado copo de nieve
y lo desaconseja: los usuarios del negocio lo encuentran difícil de
entender y recorrer, y las operaciones JOIN adicionales pueden
ralentizar las consultas, mientras que una dimensión plana contiene
exactamente la misma información. Mantenga cada dimensión como una
tabla ancha y deje que la carga repita la jerarquía en cada fila.

La granularidad se ajusta al primer informe. Una tabla de hechos de
ventas diarias por tienda responde al panel para el que se construyó
y no permite bajar de ese nivel; la primera pregunta sobre un
producto o una cesta exige volver a cargar los datos desde el
origen. Una tabla que mezcla totales diarios y líneas individuales
es peor, porque cualquier suma cuenta dos veces la misma venta.
Declare primero la granularidad, empiece en el nivel atómico que
registre el proceso y asigne una tabla de hechos propia a cada
granularidad. Después se pueden añadir tablas de resumen
independientes para ganar velocidad.

Los atributos de dimensión son los códigos del sistema de origen.
Los sistemas de gestión operativa guardan códigos compactos, y
copiarlos directamente a una dimensión produce informes con
etiquetas de fila que solo entiende el sistema de origen. Kimball
Group admite códigos como atributos, pero indica que los más útiles
son las descripciones extensas, porque son las que acaban como
etiquetas de un informe. Durante la carga, convierta cada código en
palabras y consérvelo en una columna junto a la descripción para
quien necesite rastrear una fila hasta su origen.

La tabla de hechos tiene forma de informe. Resulta tentador
diseñarla a partir de la hoja de cálculo que ya utiliza el negocio,
con una columna por mes o una fila por línea del informe de
dirección. Kimball Group afirma expresamente que el diseño de una
tabla de hechos se basa en la actividad física que se mide, no en
los informes que se obtendrán de ella. Los diseños de los informes
cambian; el recibo de caja no. Modele el suceso, con una fila por
ocurrencia en la granularidad declarada, y deje que las consultas
produzcan las distintas disposiciones.

Lecturas adicionales

  * Star Schemas and OLAP Cubes — la definición, los hechos y las
dimensiones como medición y contexto y la relación entre cubos y
estrellas.

  * Grain — declarar qué significa una fila de hechos y por qué la
granularidad atómica es lo primero.

  * Fact Table Structure — medidas numéricas y claves foráneas en
una fila por suceso, diseñadas a partir de la actividad en lugar del
informe.

  * Dimension Table Structure — tablas anchas, planas y
desnormalizadas cuyos atributos descriptivos determinan filtros,
agrupaciones y etiquetas.

  * Snowflaked Dimensions — por qué normalizar la jerarquía de una
dimensión dificulta su uso.

  * Microsoft: acceso a datos de modelos multidimensionales — MDX
como lenguaje de consulta y cálculo y XMLA como interfaz a través de
la cual un cliente puede enviar una sentencia MDX.

hEsta página en la web	URL:https://engineer.company/es/glossary/star-schema/	engineer.company	70
