13、数据建模中的常见误区与应对策略

数据建模中的常见误区与应对策略

在数据建模过程中，存在一些常见的误区和自然的冲动，可能会影响模型的易用性和性能。本文将深入探讨这些问题，并提供相应的应对策略。

1. 抵制维度表规范化的冲动

从规范化背景出身的数据建模者，可能会有将维度表规范化的自然冲动。但我们应更关注通过易用性和性能来提供价值，而非单纯追求事务处理效率，因此要抵制一些传统的规范化冲动。

1.1 雪花模式（Snowflake Schemas）

扁平化、非规范化的维度表，其中包含重复的文本值，会让习惯于操作型世界的建模者感到不适。以产品维度表为例，300,000 个产品可归为 50 个不同的部门。规范化背景的建模者可能希望在产品维度表中存储 2 字节的部门代码，而不是 20 字节的部门描述，并创建一个新的部门维度表来进行部门解码。他们认为这样可以节省空间，因为 300,000 行的维度表只包含代码，而不是冗长的描述符。此外，他们还认为规范化的维度表更易于维护，因为如果部门描述发生变化，只需更新部门维度表中的一处，而不是在原始产品维度表中更新 6,000 次。

维度表规范化被称为雪花模式。冗余属性从扁平化、非规范化的维度表中移除，并放置在单独的规范化维度表中。然而，雪花模式存在诸多缺点：
- 增加复杂度 ：大量的雪花表会使数据呈现变得更加复杂，业务用户难以理解，而简单性是维度模型的主要目标之一。
- 影响查询性能 ：大多数数据库优化器难以处理雪花模式的复杂性，大量的表和连接通常会导致查询性能变慢。
- 节省磁盘空间效果不明显 ：与雪花