我们的数据仓库使用累积数据(并且无法反转累积)从数据源创建雪花模式 . 我们必须应对的一个要求是我们的架构必须可用于根据日期范围创建报告 .
我们的架构看起来像这样(简化):
+------------------------------------------+
| fact |
+-------+-----------------+----------------+
| id | statisticsDimId | dateRangeDimId |
+-------+-----------------+----------------+
| 1 | 1 | 10 |
| 2 | 2 | 11 |
| 3 | 3 | 12 |
| 4 | 4 | 13 |
| 5 | 5 | 14 |
| 6 | 5 | 15 |
| 7 | 5 | 16 |
| ... | ... | ... |
| 10001 | 9908 | 11 |
| 10002 | 9909 | 11 |
+-------+-----------------+----------------+
+-------------------------------------------------+
| date_range_dimension |
+-------+-----------------------------------------+
| id | startDateTime | endDateTime |
+-------+--------------------+--------------------+
| 10 | '2012-01-01 00:00' | '2012-01-01 23:59' |
| 11 | '2012-01-01 00:00' | '2012-01-02 23:59' |
| 12 | '2012-01-01 00:00' | '2012-01-03 23:59' |
| 13 | '2012-01-01 00:00' | '2012-01-04 23:59' |
| 14 | '2012-01-01 00:00' | '2012-01-05 23:59' |
| 15 | '2012-01-01 00:00' | '2012-01-06 23:59' |
| 16 | '2012-01-01 00:00' | '2012-01-07 23:59' |
| 17 | '2012-01-01 00:00' | '2012-01-08 23:59' |
| 18 | '2012-01-01 00:00' | '2012-01-09 23:59' |
| ... | ... | ... |
+-------+--------------------+--------------------+
+-----------------------------------------------------+
| statistics_dimension |
+-------+-------------------+-------------------+-----+
| id | accumulatedValue1 | accumulatedValue2 | ... |
+-------+-------------------+-------------------+-----+
| 1 | [not relevant] | [not relevant] | ... |
| 2 | [not relevant] | [not relevant] | ... |
| 3 | [not relevant] | [not relevant] | ... |
| 4 | [not relevant] | [not relevant] | ... |
| 5 | [not relevant] | [not relevant] | ... |
| 6 | [not relevant] | [not relevant] | ... |
| 7 | [not relevant] | [not relevant] | ... |
| ... | [not relevant] | [not relevant] | ... |
| ... | [not relevant] | [not relevant] | ... |
| 10001 | [not relevant] | [not relevant] | ... |
| 10002 | [not relevant] | [not relevant] | ... |
+-------+-------------------+-------------------+-----+
我们想要创建我们的报告数据集,如下所示:
SELECT *
FROM fact
INNER JOIN statistics_dimension
ON (fact.statisticsDimId = statistics_dimension.id)
INNER JOIN date_range_dimension
ON (fact.dateDimId = date_range_dimension.id)
WHERE
date_range_dimension.startDateTime = [start]
AND
date_range_dimension.endDateTime = [end]
问题是我们的统计维度中的数据已经累积,我们无法反转积累 . 我们计算了事实表中的近似行数,得到了5,250,137,022,180 . 我们的数据有大约250万个日期范围排列,我们需要将它们计算到我们的日期维度和事实表中,因为它们的积累 . 由于累积,SQL的SUM函数对我们不起作用(您不能添加属于非不同集的两个值) .
是否有一个我们可以遵循的最佳实践,使其在计算上可行?我们的架构设计有问题吗?
我们需要报告有关在线培训的数据 . 数据源是遗留数据提供者,其部分时间超过10年 - 因此没有人可以重建内部逻辑 . 统计维度包含 - 例如 - 用户在基于Web的培训(WBT)中完成的进度(%),每个WBT页面的调用次数,WBT的状态(对于用户,例如“已完成”) ,aso . 关于数据提供者的重要事情是:它只是给我们一个当前状态的快照 . 我们无法访问历史数据 .