Power BI 中的模式和数据建模

I’m happy to translate the article for you, but I’ll need the full text of the post (the content you’d like translated). Could you please paste the article’s text here? Once I have it, I’ll provide a Simplified‑Chinese translation while preserving the original formatting, markdown, and code blocks.

Power BI 中的有效数据建模

有效的数据建模是强大且高性能 Power BI 报表的基石。它涉及对数据进行结构化，以优化分析、报告以及高效的数据处理。

事实表和维度表：构建块

维度（查找）表

• 客户维度：客户名称，地址，城市，地区
• 产品维度：产品名称，类别，子类别，品牌
• 日期维度：年份，季度，月份，星期几
• 地点维度：店铺名称，城市，州，国家

维度表通常列更多（列数多），但行数少于事实表。它们常被规范化以减少数据冗余。

事实（事件）表

• 销售事实：订单数量，销售额，折扣，单价（以及指向客户、产品、日期和店铺维度的外键）
• 网页流量事实：页面浏览量，会话时长，跳出率（以及指向用户、页面和日期维度的外键）

事实表通常行更多（行数多），但列更少（列数少）于维度表。它们可能会非常庞大，因为它们记录每个事件或交易。

Star Schema

关键特征

• 中心事实表 – 包含所有可度量的数据以及指向每个维度表的外键。
• 直接关联的维度表 – 每个维度表直接链接到事实表；不存在中间表。
• 非规范化维度 – 一个维度的所有属性都存放在同一张表中，即使其中一些属性本可以属于更细粒度的维度。

优势

• 易于理解、设计和实现。
• 由于需要的连接较少，查询性能优秀；大多数查询只需将事实表与少数维度表连接。
• 业务用户能够快速浏览模型并把握关系。
• Power BI 的 VertiPaq 引擎对星形模式高度优化，可实现更快的聚合和计算。

劣势

• 非规范化的维度可能导致数据冗余。
• 对于维度内部非常复杂或层次深度较大的关系，效率较低。

雪花模型

关键特征

• 维度表已规范化，拆分为多个相关表以减少冗余。
• 维度可以有多个子维度层级（例如，“产品”维度关联到“产品类别”和“产品子类别”表）。
• 由于规范化，涉及的表比星型模型更多。

优势

• 规范化最小化了冗余数据存储，对具有重复属性的大型维度表有利。
• 由于规范化结构，数据完整性得到提升。
• 更适合处理复杂且层次深的维度。

劣势

• 由于表和连接数量增加，设计、理解和维护更为复杂。
• 查询通常需要额外的连接，在大数据集上可能对性能产生负面影响。
• 业务用户可能更难以浏览和理解这些关系。

关系：连接点

良好数据建模的重要性

• Performance Optimization – 结构良好的模型可以减少 Power BI 每次查询需要处理的数据量，从而实现报告加载更快、交互更迅速、用户体验更流畅。模型设计不佳则可能导致报告卡顿、刷新时间过长，甚至崩溃。
• Accuracy and Consistency – 清晰的模型确保计算和聚合在所有报告中都能正确且一致地执行，最大限度地减少歧义和错误洞察的风险。
• Ease of Use and Maintainability – 合乎逻辑、直观的模型使开发人员更容易定位和使用正确的字段，并在底层数据源变化时简化维护和更新工作。
• Scalability – 随着数据量的增长，设计良好的模型能够更有效地扩展，防止性能瓶颈，保持 Power BI 在日益增长的分析需求中的可用性。
• Data Storytelling and Insight Generation – 优秀的建模以逻辑清晰、易于理解的方式呈现数据，帮助用户提取有价值的洞察并做出明智的决策。