目前是一个数据爆炸时代，数据量增长很快，很多的一些维度表数据量大到足可以影响到你的报表展示，比如一些企业的客户维度表，产品维度表等。
我们拿客户维度表来说，在客户维度表中，我们有客户代码，客户名称，月结客户代码，月结客户名称等，见如下图：
在有一些大客户上，他们很多分公司，所以在业务往来的时候都是跟分公司进行合作的，但是在费用结算这块，又是跟这些大客户的总公司进行费用结算的，就像上面数据，华为很多分公司，业务是跟总部、广州分公司、上海分公司合作，但是费用统一是跟总部结算，为了更好的分析客户，所以我们的维度表设计成如上模型，即支持最细粒度的客户分析，又支持按结算口径的分析。但这样的一个维度表如果企业业务量大，客户多，这个维度表的数据可以达到几千万到几亿，因为这里包括本身的大客户和散客，散客就是指还没有成本我们的月结客户，他们发生业务不固定，频率少，但是数据量多，也是公司的一大收入。我们更应该分析这些散客成本月结客户，并服务好这些大客户。
有如下一个分析报表，他们是按月结客户来分析的，这样就把一些大客户的客户代码汇总到月结客户代码上，一些散客的客户代码汇总到99999的月结客户代码上，所以这个客户代码就由之前的几千万减少到几十万，数据量致少减少2个数量级，如果在报表上为了做一些更多的分析，关联维表后，导致模型数据才几十万要关联维度的几千万数据，严重影响性能。
这时候我们就需要在之前的维度表上做一个退化维了。把客户维度表的月结客户做一个退化维，如下图：
这样我们的退化维就只有几十万的数据量了，在基于月结客户做分析时，能很快的响应我们的数据需求，性能提供好几倍。
更多技术文章请关注公众号(长按后点识别图中二维码):
472
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
