Stjerneskjema

Hva det er

Et stjerneskjema er en måte å legge opp tabeller for analyse på. Én
tabell i midten registrerer forretningshendelser, som salg,
forsendelser eller betalinger, i form av tall. Rundt den står
tabellene som beskriver hendelsene: hvilket produkt, hvilken butikk,
hvilken dag, hvilken kunde. Tegner man det som et diagram, med en
strek fra tabellen i midten til hver av de andre, ser det ut som en
stjerne.

Tabellen i midten kalles faktatabellen, og tabellene rundt den
kalles dimensjonstabeller. Kimball Group beskriver stjerneskjemaer
nettopp slik: faktatabeller koblet til de dimensjonstabellene som
hører til dem. Koblingen er en helt vanlig nøkkel. Hver
dimensjonstabell har én primærnøkkel, og hver rad i faktatabellen
bærer den nøkkelen som fremmednøkkel, én for hver dimensjon som
beskriver hendelsen.

Oppdelingen følger et skille Kimball Group trekker mellom måling og
kontekst. En dimensjonell modell bygges rundt målehendelsene i en
forretningsprosess: en vare skannes i kassen, en ordre sendes, et
forsikringskrav utbetales. Tallene hendelsen gir, som antall og
beløp, er faktaene. Alt som sier hvem, hva, hvor, når, hvorfor og
hvordan, er kontekst, og det hører hjemme i dimensjonene.

De to tabelltypene har motsatt form. På det mest detaljerte nivået
har en faktatabell én rad per hendelse, med de numeriske målene, en
fremmednøkkel til hver dimensjon og noen ganger et referansenummer,
som et faktura- eller kvitteringsnummer. Når dokumentets dato, kunde
og butikk har blitt dimensjoner, er nummeret alt som er igjen av
det, så det lagres i faktaraden uten noen dimensjonstabell bak seg.
Kimball Group kaller det en degenerert dimensjon. En
dimensjonstabell er derimot bred, flat og bevisst denormalisert, med
mange beskrivende tekstkolonner. En produktdimensjon gjentar merke,
kategori og avdeling på hver produktrad i stedet for å skille dem ut
i egne tabeller.

Et stjerneskjema er den relasjonelle formen av en dimensjonell
modell, bygd av vanlige tabeller i en vanlig SQL-database. Den andre
formen Kimball Group beskriver, er OLAP-kuben, en flerdimensjonal
database med de samme attributtene og faktaene, som spørres med
språk som har mer analytisk kraft enn SQL, for eksempel MDX, mens
XMLA fungerer som en protokoll for tilgang. Kuber bygges ofte fra et
stjerneskjema, enten som et siste steg før brukerne ser dataene
eller som et lag med aggregater. Modelleringsreglene er de samme for
begge formene, og Kimball Group kaller dem arkitekturnøytrale: de
gjelder like godt for et datavarehus i Kimball-stil som for Bill
Inmons Corporate Information Factory, som er bygd som nav og eiker.

Hvorfor det er viktig

Formen får analytiske spørsmål til å ligne hverandre. Velg faktaene
som skal summeres, koble faktatabellen til dimensjonene som
beskriver dem, filtrer på noen dimensjonskolonner og grupper på
andre. Kimball Group beskriver faktatabeller som hovedmålet for
beregninger og dynamiske aggregeringer, og dimensjonsattributter som
hovedkilden til betingelser, grupperinger og etiketter i rapporter.
En analytiker som har lært mønsteret én gang, kan skrive neste
spørring mot en ny faktatabell uten hjelp, og et rapportverktøy kan
bygge den fra en liste med felt, fordi alle stjerner er bygd likt.

Lesbarhet er den andre grunnen. En driftsdatabase er laget for å
lagre hvert faktum én gang og holde det konsistent, så et produkts
kategori ligger gjerne i en egen oppslagstabell som kobles tilbake
via en id. Det er riktig design for systemet som tar imot ordrer, og
feil design for den som leter etter salg per kategori og først må
finne ut hvilke tabeller som skal kobles, og i hvilken rekkefølge.
En flat dimensjon samler alle beskrivende kolonner på ett sted,
skrevet ut i ord. Kimball Group fraråder alternativet, å normalisere
hierarkiet i en dimensjon ut i flere tabeller, fordi
forretningsbrukere synes resultatet er vanskelig å forstå og
navigere i.

Den tredje grunnen er at en godt bygd stjerne kan svare på spørsmål
ingen stilte da den ble designet. Granulariteten i en faktatabell,
altså den nøyaktige betydningen av én rad, fastsettes før noen
dimensjon eller noe faktum, og Kimball Group anbefaler å starte på
atomær granularitet: det laveste nivået forretningsprosessen
registrerer. En tabell med én rad per kvitteringslinje kan summeres
per dag, butikk, merke eller en hvilken som helst kombinasjon av
dem. En tabell som bare har daglige totaler per butikk, kan aldri
brytes ned på produkt, uansett hvordan spørsmålet formuleres. Med
Kimball Groups ord tåler atomære data uforutsigbare spørringer, mens
oppsummerte data forutsetter spørsmålene de skal få.

Prisen er bevisst redundans. Avdelingsnavnet gjentas på hver
produktrad, og innlastingen som bygger stjernen, må holde
gjentakelsene konsistente og avgjøre hva som skal skje når en
beskrivelse endres. Stjernen erstatter heller ikke driftsmodellen;
den bygges fra driftsmodellen gjennom en innlastingsprosess, og den
er aldri ferskere enn siste kjøring av den innlastingen.

Slik ser det ut i praksis

En detaljhandelskjede vil se salg per produktkategori og måned.
Forretningsprosessen er kassakvitteringen, og granulariteten er
fastsatt til én rad per kvitteringslinje. Produktdimensjonen er én
flat tabell, og faktatabellen har en nøkkel for hver dimensjon,
kvitteringsnummeret som degenerert dimensjon og to mål.

```sql
CREATE TABLE dim_product (
    product_key  bigint PRIMARY KEY,   -- surrogatnøkkel, eid av varehuset
    sku          text NOT NULL,        -- koden i kildesystemet
    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,   -- degenerert dimensjon
    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 = 'Dagligvarer'
GROUP BY d.year_month, p.category
ORDER BY d.year_month, p.category;
```

Spørringen har den formen alle stjernespørringer har: faktatabellen,
én kobling per dimensjon, filtre og grupperinger på dimensjonstekst
og en sum over et faktum. Å legge butikkens region til i rapporten
er én kobling og én kolonne til i `GROUP BY`; faktatabellen endres
ikke. Kvitteringsnummeret blir stående i faktaraden, så linjene i én
handlekurv fortsatt kan telles sammen, men det får ingen
dimensjonstabell, fordi det ikke er mer å si om det.

Et stjerneskjema er ett svar på løftet i tjenesten databasedesign og
datamodellering: en struktur som samsvarer med hvordan virksomheten
faktisk fungerer, slik at spørsmålene man trenger svar på senere,
fortsatt kan stilles. Driftsmodellen stjernen bygges fra, er den
andre halvdelen av det arbeidet. I sitt nåværende arbeid for
NextMariner har grunnleggeren modellert et maritimt domene i 348
normaliserte tabeller fordelt på 34 PostgreSQL-skjemaer, med
fagfolk, selskaper, skip, stillinger og omtaler. Der ble små,
stabile oppregninger som statuser, typer og kategorier til
SMALLINT-oppslagstabeller, som holder radene kompakte og
join-operasjonene billige, og ekte fremmednøkler og skranker gjør
integriteten til databasens jobb. Det er riktig form for et system
som skriver én rad om gangen og må forbli korrekt. En stjerne bygd
for rapportering oppå et slikt system går motsatt vei: Den gjør
kodene om til ord igjen i flate dimensjoner, fordi leseren er et
menneske og ikke applikasjonen.

Hvor det går galt

Dimensjonene normaliseres, og stjernen blir et snøfnugg. Å skille
merke, kategori og avdeling ut av produktdimensjonen i egne tabeller
ser ryddig ut for alle som er vant til å designe driftssystemer.
Kimball Group kaller resultatet et snøfnugg (snowflake) og fraråder
det: Forretningsbrukere synes det er vanskelig å forstå og navigere
i, og de ekstra koblingene kan gjøre spørringer tregere, mens en
flat dimensjon inneholder nøyaktig den samme informasjonen. Hold
hver dimensjon som én bred tabell, og la innlastingen gjenta
hierarkiet på hver rad.

Granulariteten tilpasses den første rapporten. En faktatabell med
daglig salg per butikk svarer på det dashbordet den ble bygd for, og
ingenting under det; det første spørsmålet om et enkelt produkt
eller en handlekurv krever en ny innlasting fra kilden. En tabell
som blander daglige totaler med enkeltlinjer, er enda verre, fordi
enhver sum over den teller det samme salget to ganger. Fastsett
granulariteten først, start på det atomære nivået prosessen
registrerer, og gi hver granularitet sin egen faktatabell.
Oppsummeringstabeller kan så legges oppå for fart, som separate
tabeller.

Dimensjonsattributtene er kildesystemets koder. Driftssystemer
lagrer kompakte koder, og kopierer man dem rett inn i en dimensjon,
får man rapporter med radetiketter som bare kildesystemet forstår.
Kimball Group tillater koder som attributter, men sier at de mest
nyttige attributtene er utfyllende beskrivelser, siden det er de som
ender opp som etiketter i rapporten. Oversett hver kode til ord
under innlastingen, og behold koden i en kolonne ved siden av
beskrivelsen for den som må spore en rad tilbake til kilden.

Faktatabellen er formet som en rapport. Det er fristende å designe
den etter regnearket virksomheten allerede bruker, med en kolonne
per måned eller en rad per linje i ledelsesrapporten. Kimball Group
er tydelig på at utformingen av en faktatabell bygger på den fysiske
aktiviteten som måles, ikke på rapportene som senere hentes ut av
den. Rapportoppsett endres; kassakvitteringen gjør det ikke.
Modeller hendelsen, én rad per forekomst på den fastsatte
granulariteten, og la spørringene lage oppsettene.

Les mer

  * Star Schemas and OLAP Cubes — definisjonen, fakta og dimensjoner
som måling og kontekst, og hvordan kuber henger sammen med
stjerneskjemaer.

  * Grain — hva én rad i faktatabellen betyr, og hvorfor atomær
granularitet kommer først.

  * Fact Table Structure — numeriske mål og fremmednøkler i én rad
per hendelse, utformet etter aktiviteten og ikke etter rapporten.

  * Dimension Table Structure — brede, flate, denormaliserte
tabeller der de beskrivende attributtene styrer filtre, grupperinger
og etiketter.

  * Snowflaked Dimensions — hvorfor det gjør en dimensjon
vanskeligere å bruke å normalisere hierarkiet i den.

  * Microsoft: Datatilgang for flerdimensjonale modeller — MDX som
spørre- og beregningsspråk, og XMLA som grensesnittet en klient kan
sende en MDX-setning gjennom.

hDenne siden på nettet	URL:https://engineer.company/nb/glossary/star-schema/	engineer.company	70
