Amazon QuickSight 多数据集关系的数据建模模式

在本文中，我们将从概念转向模式，详细解析Amazon QuickSight多数据集关系支持的数据建模方案。如果您尚未阅读本系列第1部分，建议先了解基础概念和决策框架。

所有多数据集关系目前使用内连接，仅匹配键的行出现在查询结果中，因此数据模型需相应设计。

支持的七种模式

场景1：简单星型模式 这是最常用且推荐的模式。一个中心事实表与多个维度表关联。例如，SALES_FACT事实表通过外键关联CUSTOMER_DIM、PRODUCT_DIM、TIME_DIM和STORE_DIM维度表。适用于按客户细分和区域的销售总额、按月产品类别的收入趋势等分析。所有连接为单跳（事实到维度），无需链式连接。

场景2：雪花模式 雪花模式通过将维度表规范化为多级链来扩展星型。例如，CUSTOMER_DIM关联GEOGRAPHY子维度，再关联REGION子维度。适合按地理层级（国家→州→城市）的销售分析。多跳连接增加了复杂性，建议除非维度非常大，否则应将雪花链预连接为扁平维度。

场景3：星系/星座模式 多个事实表共享公共的维度表（一致维度）。例如，SALES_FACT和RETURNS_FACT共享PRODUCT_DIM和CUSTOMER_DIM，同时各自有专用维度。适用于跨流程分析，比如比较销售与退货，或分析哪些促销导致最多退货。一致维度必须在两个事实表中使用相同的粒度和键。

场景4：角色扮演维度 同一维度表被同一个事实表多次引用，每次扮演不同角色。例如，ORDERS_FACT使用DATE_DIM分别作为订单日期、发货日期和交货日期。在QuickSight中，基于同一物理表创建三个独立数据集，通过表别名在SQL中区分角色。常用于季节性需求分析或运输延迟分析。

场景5：不同粒度的事实表 多个事实表具有不同粒度，但共享维度。例如，DAILY_SALES_FACT（每日每店每产品）与MONTHLY_FORECAST_FACT（每月每店每产品）共享STORE_DIM和PRODUCT_DIM。QuickSight运行时连接自动将细粒度事实聚合到粗粒度后再连接，无需手动预聚合。适用于实际值与预测值的月度比较。

场景6：独立刷新计划 多数据集主题中每个数据集可独立设置刷新计划。高频交易事实表可每小时刷新，缓慢变化的维度可每日或每周刷新，参考表可按月刷新。利用增量刷新降低成本，并单独监控每个数据集的SPICE容量。

场景7：运行时行级安全 多数据集关系在运行时连接中执行行级安全规则，每个数据集独立控制。用户跨多个数据集查询时，仅能看到授权数据。适用于区域销售经理查看本区域数据、部门级访问控制或多租户分析等场景。

总结

本文详细介绍了QuickSight多数据集关系支持的七种数据建模模式，每种模式都提供了表结构、用例、实施步骤和SQL示例。通过合理运用这些模式，用户可以构建灵活高效的分析模型。当前限制包括仅支持内连接，以及某些高级场景需要额外建模步骤。