数仓面试题

介绍下数据仓库
数仓的基本原理
数仓架构
数据仓库分层(层级划分)，每层做什么?分层的好处?
数据分层是根据什么?
数仓分层的原则与思路

ODS：存放原始数据
DW：存放数仓中间层数据
APP：面向业务定制的应用数据

数仓建模常用模型吗?区别、优缺点?
星型模型和雪花模型的区别?应用场景?优劣对比
数仓建模有哪些方式?
数仓建模的流程?
其实就是业务模型->概念模型->逻辑模型->物理模型的这样⼀个流程，
业务建模(需求沟通）主要解决业务层⾯的分解和程序化。搞清楚系统边界，确定好主题域
概念建模|领域建模(画图想好怎么做）主要是对业务模型进⾏抽象处理，⽣成领域概念模型
逻辑建模(表设计)
物理建模(建表）

维度建模的步骤，如何确定这些维度的

维度建模一般按照以下四个步骤：
选择业务过程→声明粒度→确认维度→确认事实

（1）选择业务过程
在业务系统中，挑选我们感兴趣的业务线，比如下单业务，支付业务，退款业务，物流业务，一条业务线对应一张事实表。

（2）声明粒度
数据粒度指数据仓库的数据中保存数据的细化程度或综合程度的级别。
声明粒度意味着精确定义事实表中的一行数据表示什么，应该尽可能选择最小粒度，以此来应各种各样的需求。
典型的粒度声明如下：
订单事实表中一行数据表示的是一个订单中的一个商品项。
支付事实表中一行数据表示的是一个支付记录。

（3）确定维度
维度的主要作用是描述业务是事实，主要表示的是“谁，何处，何时”等信息。
确定维度的原则是：后续需求中是否要分析相关维度的指标。例如，需要统计，什么时间下的订单多，哪个地区下的订单多，哪个用户下的订单多。需要确定的维度就包括：时间维度、地区维度、用户维度。

（4）确定事实
此处的“事实”一词，指的是业务中的度量值（次数、个数、件数、金额，可以进行累加），例如订单金额、下单次数等。
在DWD层，以业务过程为建模驱动，基于每个具体业务过程的特点，构建最细粒度的明细层事实表。事实表可做适当的宽表化处理。
事实表和维度表的关联比较灵活，但是为了应对更复杂的业务需求，可以将能关联上的表尽量关联上。

维度建模和范式建模区别

范式建模：通过上一小节的具体例子可以看出范式建模的优点：能够结合业务系统的数据模型，较方便的实现数据仓库的模型；同一份数据只存放在一个地方，没有数据冗余，保证了数据一致性；数据解耦&#x