ทําความเข้าใจ Schema รูปดาวและความสําคัญสําหรับ Power BI

บทความนี้มีเป้าหมายให้ตัวสร้างแบบจําลองข้อมูล Power BI Desktop ซึ่งอธิบายการออกแบบแบบจําลองมิติที่มีลักษณะแบบดาวและความสัมพันธ์ของการออกแบบนั้นเพื่อพัฒนาแบบจําลองข้อมูล Power BI ที่ปรับให้เหมาะสมเพื่อประสิทธิภาพการทํางานและความสามารถในการใช้งาน

บทความนี้ไม่ได้เจตนาที่จะพูดคุยถึงการออกแบบแบบจําลองข้อมูลรูปดาวที่สมบูรณ์แต่อย่างใด สําหรับรายละเอียดเพิ่มเติม ให้ดูที่เนื้อหาที่เผยแพร่โดยตรง เช่น ชุดเครื่องมือคลังข้อมูล: คําแนะนําในการสร้างแบบจําลอง เชิงมิติฉบับสมบูรณ์ (รุ่นที่ 3, 2013) โดย Ralph Kimball และอื่น ๆ

ภาพรวมแบบจําลองดาว

แบบจําลองมิติ ที่มีลักษณะคล้ายดาวคือวิธีการสร้างแบบจําลองที่สมบูรณ์ซึ่งนํามาใช้โดยคลังข้อมูลเชิงสัมพันธ์อย่างกว้างขวาง ซึ่งกําหนดให้ตัวสร้างแบบจําลองจัดประเภทตารางแบบจําลองของตนเป็นมิติหรือข้อเท็จจริง

ตาราง มิติอธิบายเอนทิตี้ธุรกิจซึ่งเป็น สิ่งที่คุณ สร้างแบบจําลอง เอนทิตี้สามารถรวมถึงผลิตภัณฑ์ ผู้คน สถานที่ และแนวความคิดรวมถึงเวลาด้วยในตัว ตารางที่สอดคล้องกันมากที่สุดที่คุณจะพบในสคีมาแบบดาวคือ ตารางสําหรับเก็บข้อมูลสําหรับแต่ละมิติทางธุรกิจวันที่ ตารางมิติประกอบด้วยคอลัมน์หลัก (หรือคอลัมน์) ที่ทําหน้าที่เป็นตัวระบุที่ไม่ซ้ํากันและคอลัมน์ที่เป็นคําอธิบาย

ตาราง ข้อเท็จจริง จัดเก็บข้อมูลการสังเกตการณ์หรือเหตุการณ์ ซึ่งสามารถเป็นคําสั่งซื้อ ยอดคงเหลือสินค้าคงคลัง อัตราแลกเปลี่ยน อุณหภูมิ ฯลฯ ตารางสําหรับเก็บข้อมูลตัวชี้วัดประกอบด้วยคอลัมน์คีย์มิติที่เกี่ยวข้องกับตารางมิติและคอลัมน์หน่วยวัดตัวเลข คอลัมน์คีย์มิติจะ กําหนดมิติ ของตารางสําหรับเก็บข้อมูลจริง ในขณะที่ค่าคีย์มิติจะ กําหนดส่วนประกอบ ย่อยของตารางสําหรับเก็บข้อมูลสถิติ ตัวอย่างเช่น พิจารณาตารางข้อเท็จจริงที่ออกแบบมาเพื่อจัดเก็บเป้าหมายการขายที่มีสองคอลัมน์คีย์มิติ วันที่ และ ProductKey เป็นเรื่องง่ายที่จะเข้าใจว่าตารางมีสองมิติ อย่างไรก็ตาม ไม่สามารถกําหนดส่วนประกอบได้โดยไม่ต้องพิจารณาค่าคีย์มิติ ในตัวอย่างนี้ พิจารณาว่าค่าที่จัดเก็บไว้ใน คอลัมน์ วันที่ คือวันแรกของแต่ละเดือน ในกรณีนี้ กรานูลาริตี้อยู่ในระดับเดือน-ผลิตภัณฑ์

โดยทั่วไปแล้ว ตารางสําหรับเก็บข้อมูลมิติจะประกอบด้วยจํานวนแถวที่ค่อนข้างน้อย ในทางกลับกันตารางข้อเท็จจริงสามารถประกอบด้วยแถวจํานวนมากและเพิ่มขึ้นอย่างต่อเนื่องเมื่อเวลาผ่านไป

การทําให้เป็นมาตรฐานเทียบกับการดีนอร์มอลไลเซต

เมื่อต้องการทําความเข้าใจแนวคิดของ Schema รูปดาวบางอย่างที่อธิบายไว้ในบทความนี้ สิ่งสําคัญคือต้องทราบสองคํา: การทําให้เป็นมาตรฐานและดีนอร์มอลไลเซต

การปรับมาตรฐาน เป็นคําที่ใช้ในการอธิบายข้อมูลที่จัดเก็บในลักษณะที่ลดข้อมูลซ้ํา ๆ พิจารณาตารางผลิตภัณฑ์ที่มีคอลัมน์ค่าคีย์ที่ไม่ซ้ํากัน เช่น คีย์ผลิตภัณฑ์ และคอลัมน์เพิ่มเติมที่อธิบายลักษณะผลิตภัณฑ์ รวมถึงชื่อผลิตภัณฑ์ หมวดหมู่ สี และขนาด ตารางยอดขายจะถือว่าเป็นมาตรฐานเมื่อจัดเก็บเฉพาะคีย์เท่านั้น เช่น คีย์ผลิตภัณฑ์ ในรูปต่อไปนี้ โปรดสังเกตว่าเฉพาะ คอลัมน์ ProductKey เท่านั้นที่บันทึกผลิตภัณฑ์

อย่างไรก็ตาม ถ้าตารางยอดขายจัดเก็บรายละเอียดผลิตภัณฑ์นอกเหนือจากคีย์ จะถือว่าไม่มีการนอร์มอลไลซ์ ในรูปต่อไปนี้ โปรดสังเกตว่า ProductKey และคอลัมน์อื่น ๆ ที่เกี่ยวข้องกับผลิตภัณฑ์จะบันทึกผลิตภัณฑ์

เมื่อคุณแหล่งข้อมูลจากไฟล์การส่งออกหรือการแยกข้อมูล อาจเป็นไปได้ว่าข้อมูลแสดงถึงชุดข้อมูลที่ไม่มีการนอร์มอลไลเซต ในกรณีนี้ ให้ใช้ Power Query เพื่อแปลงและจัดรูปร่างข้อมูลต้นฉบับเป็นตารางปกติหลายตาราง

ตามที่อธิบายไว้ในบทความนี้ คุณควรพยายามพัฒนาแบบจําลองข้อมูล Power BI ที่ปรับให้เหมาะสมด้วยตารางที่แสดงข้อมูลข้อเท็จจริงและมิติข้อมูลที่เป็นมาตรฐาน อย่างไรก็ตาม มีข้อยกเว้นหนึ่งข้อที่ ควรมีการดีนอร์มอลไลซ์สําหรับ สร้างตารางแบบจําลองเดียว

ความสัมพันธ์ของแบบจําลองมิติที่ดาวกับแบบจําลอง Power BI

การออกแบบแบบจําลองมิติที่ดาวและแนวคิดที่เกี่ยวข้องมากมายที่แนะนําในบทความนี้มีความเกี่ยวข้องอย่างมากในการพัฒนาแบบจําลอง Power BI ที่ได้รับการปรับให้เหมาะสมสําหรับประสิทธิภาพการทํางานและความสามารถในการใช้งาน

พิจารณาว่าวิชวลรายงาน Power BI แต่ละรายการจะสร้างคิวรีที่ส่งไปยังแบบจําลอง Power BI (ซึ่งบริการของ Power BI เรียกใช้แบบจําลองความหมายก่อนหน้านี้เรียกว่าชุดข้อมูล) คิวรีเหล่านี้จะถูกใช้เพื่อกรอง จัดกลุ่ม และสรุปข้อมูลแบบจําลอง จากนั้น แบบจําลองที่ได้รับการออกแบบมาอย่างดีคือแบบจําลองที่มีตารางสําหรับการกรองและการจัดกลุ่ม และตารางสําหรับการสรุปข้อมูล การออกแบบนี้เหมาะสมกับหลักการ Schema ของดาว:

• ตารางสําหรับมิติข้อมูลสนับสนุน การกรอง และการ จัดกลุ่ม
• ตารางข้อเท็จจริงสนับสนุน การสรุปข้อมูล

ไม่มีคุณสมบัติของตารางที่ผู้สร้างแบบจําลองตั้งค่าเพื่อกําหนดค่าชนิดตารางเป็นมิติหรือความเป็นจริง ซึ่งเป็นข้อเท็จจริงที่กําหนดโดยความสัมพันธ์ของแบบจําลอง ความสัมพันธ์แบบจําลองสร้างเส้นทางการเผยแพร่ตัวกรองระหว่างสองตาราง และเป็น คุณสมบัติ คาร์ดินาลลิตี้ ของความสัมพันธ์ที่กําหนดชนิดตาราง คาร์ดินาลลิตี้ของความสัมพันธ์ทั่วไปคือหนึ่งต่อกลุ่มหรือในทางกลับกันเป็นแบบกลุ่มต่อหนึ่ง ด้าน "หนึ่ง" คือตารางชนิดมิติเสมอในขณะที่ด้าน "กลุ่ม" เป็นตารางชนิดข้อเท็จจริงเสมอ สําหรับข้อมูลเพิ่มเติมเกี่ยวกับความสัมพันธ์ ดูแบบจําลองความสัมพันธ์ใน Power BI Desktop

การออกแบบแบบจําลองที่มีโครงสร้างเป็นอย่างดีควรรวมเอาตารางที่เป็นตารางชนิดมิติหรือตารางชนิดค่าความจริง หลีกเลี่ยงการผสมตารางทั้งสองชนิดเข้าด้วยกันสําหรับตารางเดียว นอกจากนี้เราขอแนะนําให้คุณควรพยายามส่งจํานวนตารางที่ถูกต้องกับความสัมพันธ์ที่ถูกต้องในสถานที่ นอกจากนี้ยังเป็นสิ่งสําคัญที่ว่าตารางชนิดข้อเท็จจริงจะโหลดข้อมูลที่เกรนที่สอดคล้องกันเสมอ

สุดท้ายนี้ คุณจะต้องเข้าใจว่าการออกแบบแบบจําลองที่เหมาะสมนั้นถือเป็นวิทยาศาสตร์ส่วนหนึ่งและศิลปะส่วนหนึ่ง ในบางครั้งคุณสามารถแบ่งมันออกด้วยคําแนะนําที่ดีเมื่อดูแล้วสมเหตสที่ต้องดําเนินการดังกล่าว

มีแนวคิดเพิ่มเติมมากมายที่เกี่ยวข้องกับการออกแบบ Schema รูปดาวที่สามารถนําไปใช้กับแบบจําลอง Power BI ได้ แนวคิดเหล่านี้ประกอบด้วย:

• มาตรการ
• คีย์ตัวแทน
• แบบจําลองมิติที่เพิ่มการทํานอล์ฟเฟล็ก
• มิติการเล่นบทบาท
• มิติเปลี่ยนแปลงอย่างช้า ๆ
• มิติขยะ
• มิติลดรูป
• ตารางสําหรับข้อเท็จจริงที่ไม่มีความจริง

การวัด

ในการออกแบบ Schema รูป ดาว หน่วยวัด คือคอลัมน์ตารางสําหรับเก็บข้อมูลตัวชี้วัดที่จัดเก็บค่าที่จะสรุป

ในแบบจําลอง Power BI หน่วยวัด มีความแตกต่างกัน—แต่นิยามนั้น—คล้ายกัน ซึ่งเป็นสูตรที่เขียนใน นิพจน์การวิเคราะห์ข้อมูล (DAX) ที่บรรลุผลสําเร็จในการสรุป นิพจน์หน่วยวัดมักจะใช้ประโยชน์จากฟังก์ชันการรวม DAX เช่น SUM, MIN, MAX, AVERAGE ฯลฯ เพื่อสร้างผลลัพธ์ค่าสเกลาในเวลาที่มีการคิวรี (ไม่มีการจัดเก็บค่าไว้ในแบบจําลอง) นิพจน์หน่วยวัดมีตั้งแต่การรวมคอลัมน์แบบง่ายไปจนถึงสูตรที่ซับซ้อนมากขึ้นซึ่งลบล้างบริบทตัวกรองและ/หรือการกระจายความสัมพันธ์ สําหรับข้อมูลเพิ่มเติม อ่านบทความ พื้นฐาน DAX ใน Power BI Desktop

สิ่งสําคัญคือต้องเข้าใจว่าแบบจําลอง Power BI สนับสนุนวิธีการที่สองสําหรับการบรรลุผลการให้ข้อสรุป คอลัมน์ใด ๆ และโดยทั่วไปแล้วเป็นคอลัมน์ตัวเลขสามารถสรุปได้โดยวิชวลรายงานหรือถามตอบ (Q&A) คอลัมน์เหล่านี้จะเรียกว่า การวัดผลแบบโดยนัย ซึ่งจะมีความสะดวกสําหรับคุณในฐานะนักพัฒนาแบบจําลอง เช่นเดียวกับในอินสแตนซ์จํานวนมากที่คุณไม่จําเป็นต้องสร้างหน่วยวัด ตัวอย่างเช่น คอลัมน์ยอดขายยอดขายของผู้ค้าปลีกของงานผจญภัยสามารถสรุปได้หลายวิธี (เช่น สรุป, นับ, เฉลี่ย, มัธยฐาน, ต่ําสุด, สูงสุด, ฯลฯ) โดยไม่จําเป็นต้องสร้างหน่วยวัดสําหรับแต่ละชนิดการรวมที่เป็นไปได้

อย่างไรก็ตาม มีสามสาเหตุที่น่าสนใจสําหรับคุณในการสร้างหน่วยวัด แม้แต่กับการให้ข้อสรุปในระดับคอลัมน์แบบง่าย:

• เมื่อคุณทราบว่าผู้เขียนรายงานจะคิวรีแบบจําลองโดยใช้ นิพจน์แบบหลายมิติ (MDX) แบบจําลองจะต้องรวม หน่วยวัดโดยตรง มีการกําหนดหน่วยวัดโดยชัดแจ้งโดยใช้ DAX วิธีการออกแบบนี้มีความเกี่ยวข้องอย่างมากเมื่อมีการคิวรีชุดข้อมูล Power BI โดยใช้ MDX เนื่องจาก MDX ไม่สามารถทําการสรุปของค่าคอลัมน์ได้ โดยเฉพาะอย่างยิ่ง MDX จะใช้เมื่อทําการ วิเคราะห์ใน Excel เนื่องจากคิวรี MDX ของปัญหา PivotTable
• เมื่อคุณทราบว่าผู้เขียนรายงานของคุณจะสร้างรายงานที่มีการแบ่งหน้าของ Power BI โดยใช้ตัวออกแบบคิวรี MDX แบบจําลองจะต้องมีหน่วยวัดโดยตรง เฉพาะตัวออกแบบคิวรี MDX เท่านั้นที่ สนับสนุนการรวมเซิร์ฟเวอร์ ดังนั้น ถ้าผู้เขียนรายงานจําเป็นต้องมีหน่วยวัดที่ประเมินโดย Power BI (แทนที่จะเป็นโดยกลไกจัดการรายงานที่มีการแบ่งหน้า) พวกเขาต้องใช้ตัวออกแบบคิวรี MDX
• เมื่อคุณต้องการตรวจสอบให้แน่ใจว่าผู้เขียนรายงานของคุณสามารถสรุปคอลัมน์ในรูปแบบที่เฉพาะเจาะจงเท่านั้น ตัวอย่างเช่น คอลัมน์ราคาต่อหน่วยของยอดขายของผู้ค้าปลีก (ซึ่งแสดงถึงอัตราต่อหน่วย) สามารถสรุปได้ แต่โดยใช้ฟังก์ชันการรวมเฉพาะเท่านั้น ซึ่งไม่ควรมีการรวมข้อมูลแต่มีความเหมาะสมในการสรุปโดยใช้ฟังก์ชันการรวมอื่น ๆ เช่น ต่ําสุด, สูงสุด, เฉลี่ย, ฯลฯ ในอินสแตนซ์นี้ ตัวสร้างแบบจําลองสามารถซ่อน คอลัมน์ราคาต่อหน่วย และสร้างหน่วยวัดสําหรับฟังก์ชันการรวมที่เหมาะสมทั้งหมดได้

วิธีการออกแบบนี้ทํางานได้ดีสําหรับรายงานที่เขียนในบริการของ Power BI และ Q & A อย่างไรก็ตาม การเชื่อมต่อสดของ Power BI Desktop อนุญาตให้ผู้เขียนรายงานแสดงเขตข้อมูลที่ซ่อนอยู่ในบานหน้าต่างเขตข้อมูล ซึ่งอาจส่งผลให้เกิดการหลีกเลี่ยงวิธีการออกแบบนี้

คีย์ตัวแทน

คีย์ตัวแทนเป็นตัวระบุที่ไม่ซ้ํากันที่คุณเพิ่มลงในตารางเพื่อสนับสนุนการสร้างแบบจําลองมิติที่มีลักษณะเหมือนดาว ตามข้อกําหนด จะไม่มีการกําหนดหรือจัดเก็บไว้ในข้อมูลต้นฉบับ โดยทั่วไปแล้ว จะมีการเพิ่มคีย์ตัวแทนไปยังตารางสําหรับจัดเก็บข้อมูลสําหรับแต่ละมิติทางธุรกิจคลังข้อมูลเชิงสัมพันธ์เพื่อมอบตัวระบุที่ไม่ซ้ํากันสําหรับแต่ละแถวตารางสําหรับจัดเก็บข้อมูลสําหรับแต่ละมิติทางธุรกิจ

ความสัมพันธ์ของแบบจําลอง Power BI จะขึ้นอยู่กับคอลัมน์เดี่ยวที่ไม่ซ้ํากันในหนึ่งตาราง ซึ่งเผยแพร่ตัวกรองไปยังคอลัมน์เดียวในตารางอื่น เมื่อตารางชนิดมิติในแบบจําลองของคุณไม่มีคอลัมน์เดี่ยวที่ไม่ซ้ํากันคุณต้องเพิ่มตัวระบุที่ไม่ซ้ํากันเพื่อให้เป็นด้าน "หนึ่ง" ของความสัมพันธ์ ใน Power BI Desktop คุณสามารถดําเนินการได้อย่างง่ายดายโดยการสร้าง คอลัมน์ดัชนี Power Query

คุณต้องผสานคิวรีนี้กับคิวรีด้าน "กลุ่ม" เพื่อให้คุณสามารถเพิ่มคอลัมน์ดัชนีไปยังคิวรีได้อีกด้วย เมื่อคุณโหลดคิวรีเหล่านี้ไปยังแบบจําลอง คุณสามารถสร้างความสัมพันธ์แบบหนึ่งต่อกลุ่มระหว่างตารางแบบจําลองได้

แบบจําลองมิติที่เพิ่มการทํานอล์ฟเฟล็ก

แบบจําลอง มิติ ที่เพิ่มการทํานอว์ไลซ์กับข้อมูลคือชุดของตารางที่ทําการนอพยพสําหรับเอนทิตี้ธุรกิจเดี่ยว ตัวอย่างเช่น งานผจญภัยจัดประเภทผลิตภัณฑ์ตามหมวดหมู่และหมวดหมู่ย่อย ผลิตภัณฑ์จะถูกกําหนดให้กับหมวดหมู่ย่อย และประเภทย่อยจะถูกกําหนดให้เป็นหมวดหมู่ ในคลังข้อมูลเชิงสัมพันธ์ของงานผจญภัย จะมีการนมาตรฐานมิติของผลิตภัณฑ์และจัดเก็บไว้ในตารางที่เกี่ยวข้องสามตารางที่เกี่ยวข้อง: DimProductCategory, DimProductSubcategory และ DimProduct

หากคุณใช้จินตนาการของคุณ คุณสามารถนึกภาพตารางที่ทําการนอร์มัลไลซ์อยู่ภายนอกจากตารางสําหรับเก็บข้อมูลจริง ก่อขึ้นเป็นการออกแบบแบบจําลองมิติที่เพิ่มการทํานอร์มัลไลซ์กับข้อมูล

ใน Power BI Desktop คุณสามารถเลือกจําลองการออกแบบแบบจําลองมิติที่เพิ่มการทํานอร์มอลไลซ์กับข้อมูลได้ (บางทีอาจเนื่องมาจากข้อมูลต้นฉบับของคุณ) หรือรวม (ดีนอร์มอลไลซ์) ตารางแหล่งข้อมูลลงในตารางแบบจําลองเดี่ยว โดยทั่วไปแล้ว ประโยชน์ของตารางแบบจําลองเดี่ยวมีค่าเกินกว่าประโยชน์ของตารางแบบจําลองหลายรายการ การตัดสินใจที่เหมาะสมที่สุดอาจขึ้นอยู่กับปริมาณของข้อมูลและข้อกําหนดความสามารถในการใช้งานสําหรับแบบจําลอง

เมื่อคุณเลือกจําลองการออกแบบแบบจําลองมิติที่เพิ่มการทํานึ่งหิมะ:

• Power BI จะโหลดตารางเพิ่มเติม ซึ่งมีประสิทธิภาพน้อยกว่าจากที่เก็บข้อมูลและมุมมองด้านประสิทธิภาพการทํางาน ตารางเหล่านี้จะต้องรวมเอาคอลัมน์เพื่อสนับสนุนความสัมพันธ์แบบจําลอง และอาจส่งผลให้ขนาดของแบบจําลองมีขนาดใหญ่ขึ้น
• ห่วงโซ่การแพร่กระจายตัวกรองความสัมพันธ์ที่ยาวกว่าจะต้องได้รับการสํารวจ ซึ่งมีแนวโน้มว่าอาจจะมีประสิทธิภาพน้อยกว่าตัวกรองที่ใช้กับตารางเดียว
• บานหน้าต่าง เขตข้อมูล แสดงตารางแบบจําลองเพิ่มเติมให้กับผู้เขียนรายงาน ซึ่งอาจส่งผลให้ประสบการณ์การใช้งานที่ง่ายน้อยลง โดยเฉพาะอย่างยิ่งเมื่อตารางสําหรับทําแบบจําลองมิติที่เพิ่มการทํานอร์มัลไวซ์กับข้อมูลมีเพียงหนึ่งหรือสองคอลัมน์
• ไม่สามารถสร้างลําดับชั้นที่ครอบคลุมตารางได้

เมื่อคุณเลือกที่จะรวมลงในตารางแบบจําลองเดี่ยว คุณยังสามารถกําหนดลําดับชั้นที่ครอบคลุมถึงเกรนสูงสุดและต่ําสุดของมิติได้อีกด้วย มีเป็นไปได้ว่าการจัดเก็บข้อมูลที่ไม่มีการนอร์มอลไลซ์ที่ซ้ําซ้อนอาจส่งผลให้ขนาดพื้นที่จัดเก็บแบบจําลองเพิ่มขึ้นโดยเฉพาะอย่างยิ่งสําหรับตารางสําหรับจัดเก็บข้อมูลสําหรับแต่ละมิติข้อมูลขนาดใหญ่มาก

มิติเปลี่ยนแปลงอย่างช้า ๆ

มิติที่มีการเปลี่ยนแปลงอย่างช้า ๆ (SCD) คือ หนึ่งมิติจัดการการเปลี่ยนแปลงของสมาชิกมิติเมื่อเวลาผ่านไปได้อย่างเหมาะสม ซึ่งจะใช้เมื่อค่าเอนทิตีทางธุรกิจเปลี่ยนแปลงเมื่อเวลาผ่านไปและในลักษณะเฉพาะกิจ ตัวอย่างที่ดีของมิติที่มี การเปลี่ยนแปลงอย่างช้า ๆ คือมิติลูกค้า โดยเฉพาะคอลัมน์รายละเอียดการติดต่อ เช่น ที่อยู่อีเมลและหมายเลขโทรศัพท์ ในทางตรงกันข้าม บางมิติจะพิจารณาว่าเป็น การเปลี่ยนแปลงอย่างรวดเร็ว เมื่อมีการเปลี่ยนแปลงแอตทริบิวต์มิติบ่อยครั้ง เช่น ราคาตลาดของหุ้น เป็นต้น วิธีการออกแบบทั่วไปในอินสแตนซ์เหล่านี้คือ เพื่อจัดเก็บค่าแอตทริบิวต์ที่เปลี่ยนแปลงอย่างรวดเร็วในหน่วยวัดของตารางสําหรับเก็บข้อมูลตัวชี้วัด

ทฤษฎีการออกแบบแบบจําลองมิติที่มีลักษณะคล้ายดาวดาวอ้างอิงถึง SCD สองชนิดที่พบบ่อย: ชนิดที่ 1 และชนิดที่ 2 ตารางชนิดมิติอาจเป็นชนิดที่ 1 หรือชนิดที่ 2 หรือสนับสนุนทั้งสองชนิดในเวลาเดียวกันสําหรับคอลัมน์ที่แตกต่างกัน

SCD ชนิดที่ 1

SCD ชนิดที่ 1แสดงค่าล่าสุดเสมอ และเมื่อตรวจพบการเปลี่ยนแปลงในข้อมูลต้นฉบับ ข้อมูลตารางสําหรับจัดเก็บข้อมูลหลายมิติจะถูกเขียนทับ วิธีการออกแบบนี้เป็นเรื่องปกติสําหรับคอลัมน์ที่จัดเก็บค่าเสริม เช่น ที่อยู่อีเมลหรือหมายเลขโทรศัพท์ของลูกค้า เมื่อที่อยู่อีเมลหรือหมายเลขโทรศัพท์ของลูกค้ามีการเปลี่ยนแปลง ตารางสําหรับเก็บข้อมูลมิติจะอัปเดตแถวลูกค้าด้วยค่าใหม่ ซึ่งเหมือนกับว่าลูกค้ามีข้อมูลการติดต่อนี้อยู่เสมอ

การรีเฟรชแบบเพิ่มหน่วยของตารางชนิดมิติแบบจําลอง Power BI ให้ผลลัพธ์ของ SCD ชนิดที่ 1 ซึ่งจะรีเฟรชข้อมูลตารางเพื่อให้แน่ใจว่ามีการโหลดค่าล่าสุด

SCD ชนิดที่ 2

SCD ชนิดที่ 2สนับสนุนการกําหนดเวอร์ชันของสมาชิกมิติ ถ้าระบบต้นทางไม่ได้จัดเก็บเวอร์ชันไว้ จากนั้นมักจะเป็นกระบวนการโหลดของคลังข้อมูลที่ตรวจหาการเปลี่ยนแปลง และจัดการการเปลี่ยนแปลงในตารางสําหรับจัดเก็บข้อมูลสําหรับจัดเก็บข้อมูลอย่างเหมาะสม ในกรณีนี้ ตารางสําหรับเก็บข้อมูลมิติต้องใช้คีย์ตัวแทนเพื่อระบุการอ้างอิงที่ไม่ซ้ํากันกับ เวอร์ชัน ของสมาชิกมิติ นอกจากนี้ยังรวมถึงคอลัมน์ที่กําหนดความถูกต้องของช่วงวันที่ของเวอร์ชัน (ตัวอย่างเช่น StartDate และ EndDate) และอาจเป็นคอลัมน์ค่าสถานะ (ตัวอย่างเช่น IsCurrent) เพื่อกรองตามสมาชิกมิติปัจจุบันได้อย่างง่ายดาย

ตัวอย่างเช่น งานผจญภัยกําหนดพนักงานขายให้กับภูมิภาคการขาย เมื่อพนักงานขายย้ายภูมิภาค จะต้องมีการสร้างเวอร์ชันใหม่ของพนักงานขายเพื่อให้แน่ใจว่าค่าความจริงในอดีตยังคงเชื่อมโยงกับภูมิภาคก่อนหน้านี้ เมื่อต้องการสนับสนุนการวิเคราะห์ประวัติยอดขายที่ถูกต้องตามพนักงานขาย ตารางสําหรับจัดเก็บข้อมูลสําหรับมิติต้องจัดเก็บเวอร์ชันของพนักงานขายและภูมิภาคที่เกี่ยวข้องของพวกเขา นอกจากนี้ตารางควรรวมค่าวันที่เริ่มต้นและสิ้นสุดเพื่อกําหนดความมีผลบังคับใช้ของเวลา เวอร์ชันปัจจุบันอาจกําหนดวันที่สิ้นสุดว่าง (หรือ 12/31/9999) ซึ่งบ่งชี้ว่าแถวเป็นเวอร์ชันปัจจุบัน ตารางต้องกําหนดคีย์ตัวแทนเนื่องจากคีย์ธุรกิจ (ในอินสแตนซ์นี้ รหัสพนักงาน) จะไม่ซ้ํากัน

สิ่งสําคัญคือต้องเข้าใจว่าเมื่อข้อมูลต้นฉบับไม่ได้จัดเก็บเวอร์ชันไว้ คุณต้องใช้ระบบขั้นกลาง (เช่น คลังข้อมูล) เพื่อตรวจหาและจัดเก็บการเปลี่ยนแปลง กระบวนการโหลดตารางต้องรักษาข้อมูลที่มีอยู่และตรวจหาการเปลี่ยนแปลง เมื่อตรวจพบการเปลี่ยนแปลง กระบวนการโหลดตารางต้องทําให้เวอร์ชันปัจจุบันหมดอายุ ซึ่งจะบันทึกการเปลี่ยนแปลงเหล่านี้โดยการอัปเดตค่า EndDate และการแทรกเวอร์ชันใหม่ด้วยค่า StartDate ที่เริ่มต้นจากค่า EndDate ก่อนหน้า นอกจากนี้ ข้อเท็จจริงที่เกี่ยวข้องต้องใช้การค้นหาตามเวลาเพื่อดึงข้อมูลค่าคีย์มิติที่เกี่ยวข้องกับวันที่ตามค่าความจริง แบบจําลอง Power BI ที่ใช้ Power Query ไม่สามารถสร้างผลลัพธ์นี้ได้ อย่างไรก็ตามการดําเนินการนี้สามารถโหลดข้อมูลจากตารางมิติข้อมูล SCD ชนิดที่ 2 ที่โหลดไว้ล่วงหน้าได้

แบบจําลอง Power BI ควรสนับสนุนการคิวรีข้อมูลประวัติสําหรับสมาชิก โดยไม่คํานึงถึงการเปลี่ยนแปลง และสําหรับเวอร์ชันของสมาชิกซึ่งแสดงสถานะเฉพาะของสมาชิกในเวลา ในบริบทของงานผจญภัย การออกแบบนี้จะช่วยให้คุณสามารถคิวรีพนักงานขายได้โดยไม่คํานึงถึงภูมิภาคการขายที่กําหนด หรือสําหรับเวอร์ชันเฉพาะของพนักงานขาย

เพื่อให้บรรลุข้อกําหนดนี้ ตารางชนิดมิติแบบจําลอง Power BI ต้องรวมคอลัมน์สําหรับการกรองพนักงานขาย และคอลัมน์ที่แตกต่างกันสําหรับการกรองเวอร์ชันเฉพาะของพนักงานขาย สิ่งสําคัญคือคอลัมน์เวอร์ชันมีคําอธิบายที่ไม่กํากวม เช่น "Michael Blythe (12/15/2008-06/26/2019)" หรือ "Michael Blythe (ปัจจุบัน)" นอกจากนี้ยังเป็นสิ่งสําคัญที่จะให้ความรู้แก่ผู้เขียนรายงานและผู้บริโภคเกี่ยวกับพื้นฐานของ SCD ชนิดที่ 2 และวิธีการออกแบบรายงานที่เหมาะสมโดยใช้ตัวกรองที่ถูกต้อง

นอกจากนี้ยังเป็นแนวทางปฏิบัติด้านการออกแบบที่ดีเพื่อรวมลําดับชั้นที่อนุญาตให้วิชวลเจาะลึกลงในระดับเวอร์ชัน

มิติการเล่นบทบาท

มิติการเล่นบทบาทคือ มิติที่สามารถกรองค่าความจริงที่เกี่ยวข้องแตกต่างกันได้ ตัวอย่างเช่น ในงานผจญภัย ตารางมิติวันที่มีสามความสัมพันธ์กับค่าความจริงยอดขายของผู้ค้าปลีก ตารางมิติเดียวกันสามารถใช้เพื่อกรองค่าความจริงตามวันที่สั่งซื้อ, วันที่จัดส่ง หรือวันที่ส่งมอบ

ในคลังข้อมูล วิธีการออกแบบที่ยอมรับได้คือ เพื่อกําหนดตารางสําหรับจัดเก็บข้อมูลให้กับมิติข้อมูลวันที่เดียว ณ เวลาที่มีการคิวรี "บทบาท" ของมิติวันที่จะถูกสร้างขึ้นโดยคอลัมน์ค่าความจริงที่คุณใช้ในการรวมตาราง ตัวอย่างเช่น เมื่อคุณวิเคราะห์ยอดขายตามวันที่ในคําสั่งซื้อ การรวมตารางจะเกี่ยวข้องกับคอลัมน์วันที่ในใบสั่งขายของผู้ค้าปลีก

ในแบบจําลอง Power BI การออกแบบนี้สามารถลอกเลียนแบบได้โดยการสร้างความสัมพันธ์หลายรายการระหว่างสองตาราง ในตัวอย่างงานผจญภัย ตารางวันที่และยอดขายของผู้ค้าปลีกจะมีสามความสัมพันธ์ ในขณะที่การออกแบบนี้เป็นไปได้ จําเป็นต้องทําความเข้าใจว่าความสัมพันธ์สามารถใช้งานได้เฉพาะระหว่างสองตารางแบบจําลองของ Power BI เท่านั้น ต้องตั้งค่าความสัมพันธ์ที่เหลือทั้งหมดเป็น ไม่ได้ใช้งาน การมีความสัมพันธ์ที่ใช้งานอยู่ความสัมพันธ์เดียวหมายความว่ามีการเผยแพร่ตัวกรองเริ่มต้นจากวันที่ไปยังยอดขายของผู้จําหน่าย ในอินสแตนซ์นี้ ความสัมพันธ์ที่ใช้งานอยู่ถูกตั้งค่าเป็นตัวกรองทั่วไปมากที่สุดที่ใช้โดยรายงาน ซึ่งที่งานผจญภัยคือความสัมพันธ์ของวันที่สั่งซื้อ

วิธีเดียวที่จะใช้ความสัมพันธ์ที่ไม่ได้ทํางานคือ เพื่อกําหนดนิพจน์ DAX ที่ใช้ ฟังก์ชัน USERELATIONSHIP ในตัวอย่างของเรา นักพัฒนาแบบจําลองจะต้องสร้างหน่วยวัดเพื่อเปิดใช้งานการวิเคราะห์ยอดขายของผู้ค้าปลีกตามวันที่จัดส่งและวันที่ส่งมอบ การทํางานนี้อาจเป็นเรื่องน่าเบื่อ โดยเฉพาะอย่างยิ่งเมื่อตารางผู้ค้าปลีกกําหนดหน่วยวัดจํานวนมาก นอกจากนี้ยังสร้าง กองข้อความของบานหน้าต่างเขตข้อมูล ด้วยหน่วยวัดที่มากเกินไป มีข้อจํากัดอื่น ๆ เช่นกัน:

• เมื่อผู้สร้างรายงานอาศัยการสรุปคอลัมน์ แทนที่จะเป็นการกําหนดหน่วยวัด พวกเขาไม่สามารถบรรลุการให้ข้อสรุปสําหรับความสัมพันธ์ที่ไม่ได้ใช้งานโดยไม่ต้องเขียนหน่วยวัดระดับรายงาน สามารถกําหนดหน่วยวัดระดับรายงานได้เฉพาะเมื่อเขียนรายงานใน Power BI Desktop เท่านั้น
• ด้วยเส้นทางความสัมพันธ์ที่ใช้งานอยู่ระหว่างวันที่และผู้จําหน่ายเท่านั้นจึงเป็นไปไม่ได้ที่จะกรองยอดขายของผู้จําหน่ายได้ในเวลาเดียวกันตามชนิดของวันที่ที่แตกต่างกัน ตัวอย่างเช่น คุณไม่สามารถสร้างวิชวลที่วางแผนยอดขายของวันที่สั่งซื้อตามยอดขายที่จัดส่ง

เพื่อเอาชนะข้อจํากัดเหล่านี้ เทคนิคการสร้างแบบจําลอง Power BI ทั่วไปคือการสร้างตารางชนิดมิติสําหรับแต่ละอินสแตนซ์การเล่นตามบทบาท โดยทั่วไปคุณจะสร้างตารางมิติเพิ่มเติมเป็น ตารางที่มีการคํานวณโดยใช้ DAX การใช้ตารางที่มีการคํานวณ แบบจําลองสามารถประกอบด้วยตารางวันที่ ตารางวันที่จัดส่ง และตารางวันที่จัดส่ง ซึ่งแต่ละตารางมีความสัมพันธ์แบบเดี่ยวกับแบบที่ใช้งานอยู่ไปยังคอลัมน์ตารางยอดขายของผู้ค้าปลีกที่เกี่ยวข้อง

วิธีการออกแบบนี้ไม่จําเป็นต้องให้คุณกําหนดหน่วยวัดหลายรายการสําหรับบทบาทวันที่ที่แตกต่างกัน และอนุญาตให้มีการกรองในเวลาเดียวกันตามบทบาทวันที่ที่แตกต่างกัน อย่างไรก็ตาม ราคาเล็กน้อยในการชําระเงิน ด้วยวิธีการออกแบบนี้คือ จะมีการทําซ้ําของตารางสําหรับจัดเก็บข้อมูลสําหรับแบบจําลองวันที่ที่เพิ่มขึ้น โดยทั่วไปแล้ว ตารางชนิดมิติจะจัดเก็บแถวน้อยกว่าที่สัมพันธ์กับตารางชนิดค่าความจริง ซึ่งไม่ใช่เรื่องน่ากังวลแต่อย่างใด

สังเกตแนวทางปฏิบัติด้านการออกแบบที่ดีต่อไปนี้เมื่อคุณสร้างตารางชนิดมิติแบบจําลองสําหรับแต่ละบทบาท:

• ตรวจสอบให้แน่ใจว่าชื่อคอลัมน์สามารถอธิบายตัวเองได้ ในขณะที่เป็นไปได้ที่จะมี คอลัมน์ ปี ในตารางวันที่ทั้งหมด (ชื่อคอลัมน์จะไม่ซ้ํากันภายในตารางของเหล่านั้น) ซึ่งจะไม่มีการอธิบายตัวเองตามชื่อวิชวลเริ่มต้น พิจารณาเปลี่ยนชื่อคอลัมน์ในแต่ละตารางบทบาทมิติ เพื่อให้ ตาราง วันที่ จัดส่ง มีคอลัมน์ปีที่ชื่อว่า ปีการจัดส่ง ฯลฯ
• เมื่อเกี่ยวข้อง ตรวจสอบให้แน่ใจว่าคําอธิบายตารางให้คําติชมแก่ผู้เขียนรายงาน (ผ่าน คําแนะนําเครื่องมือของบานหน้าต่างเขตข้อมูล ) เกี่ยวกับวิธีการกําหนดค่าการเผยแพร่ตัวกรอง ความชัดเจนนี้มีความสําคัญเมื่อแบบจําลองประกอบด้วยตารางที่มีชื่อโดยทั่วไป เช่น วันที่ ซึ่งถูกใช้เพื่อกรองตารางชนิดค่าความจริงจํานวนมาก ตัวอย่างเช่น ในกรณีที่ตารางนี้มีความสัมพันธ์ที่ใช้งานอยู่ไปยังคอลัมน์วันที่ของใบสั่งขายของผู้ค้าปลีก ลองพิจารณาให้คําอธิบายตารางเช่น "กรองยอดขายของผู้ค้าปลีกตามวันที่สั่งซื้อ"

สําหรับข้อมูลเพิ่มเติม โปรดดู คําแนะนําความสัมพันธ์ที่ใช้งานอยู่เทียบกับไม่ได้ใช้งาน

มิติขยะ

มิติขยะมีประโยชน์เมื่อมีมิติจํานวนมาก โดยเฉพาะอย่างยิ่งที่ประกอบด้วยสองถึงสามแอตทริบิวต์ (บางทีอาจเป็นหนึ่ง) และเมื่อแอตทริบิวต์เหล่านี้มีค่าไม่มาก ผู้สมัครที่ดีจะรวมคอลัมน์สถานะคําสั่งซื้อ หรือคอลัมน์เชิงประชากรศาสตร์ของลูกค้า (เพศ กลุ่มอายุ ฯลฯ)

วัตถุประสงค์ในการออกแบบของมิติขยะคือการรวมมิติ "ขนาดเล็ก" จํานวนมากไว้ในมิติเดียวเพื่อลดขนาดการจัดเก็บแบบจําลองและยังลด กองข้อความบานหน้าต่างเขตข้อมูล โดยการค้นหาตารางแบบจําลองที่น้อยลง

โดยทั่วไปแล้วตารางสําหรับมิติขยะมักเป็นผลิตภัณฑ์คาร์ทีเซียนของสมาชิกแอตทริบิวต์มิติทั้งหมดที่มีคอลัมน์คีย์ตัวแทน คีย์ตัวแทนให้การอ้างอิงที่ไม่ซ้ํากันกับแต่ละแถวในตาราง คุณสามารถสร้างมิติในคลังข้อมูล หรือโดยการใช้ Power Query เพื่อสร้างคิวรีที่ดําเนินการ รวมคิวรีภายนอกแบบเต็ม จากนั้นเพิ่มคีย์ตัวแทน (คอลัมน์ดัชนี)

คุณโหลดคิวรีนี้ไปยังแบบจําลองเป็นตารางชนิดมิติ นอกจากนี้คุณยังต้องผสานคิวรีนี้กับคิวรีข้อเท็จจริง ดังนั้นคอลัมน์ดัชนีจะถูกโหลดไปยังแบบจําลองเพื่อสนับสนุนการสร้างความสัมพันธ์แบบจําลอง "หนึ่งต่อกลุ่ม"

มิติที่ลดลง

มิติลดรูป อ้างอิงถึงแอตทริบิวต์ของตารางข้อเท็จจริงที่จําเป็นสําหรับการกรอง ในงานผจญภัย หมายเลขใบสั่งขายของผู้ค้าปลีกเป็นตัวอย่างที่ดี ในกรณีนี้ จะไม่ทําให้การออกแบบแบบจําลองที่ดีมีความสมเหตุสมผลในการสร้างตารางอิสระที่ประกอบด้วยเพียงหนึ่งคอลัมน์นี้ เนื่องจากมันจะเพิ่มขนาดการจัดเก็บแบบจําลองและผลลัพธ์ในบานหน้าต่าง เขตข้อมูล ที่ไม่เป็นระเบียบ

ในแบบจําลอง Power BI อาจเหมาะสมที่จะเพิ่มคอลัมน์หมายเลขใบสั่งขายไปยังตารางชนิดข้อเท็จจริงเพื่อให้สามารถกรองหรือจัดกลุ่มตามหมายเลขใบสั่งขายได้ ซึ่งเป็นข้อยกเว้นสําหรับกฎที่แนะนําก่อนหน้านี้ที่คุณไม่ควรผสมชนิดของตารางเข้า (โดยทั่วไปแล้ว ตารางแบบจําลองควรเป็นชนิดมิติหรือชนิดค่าความจริง)

อย่างไรก็ตาม หากตารางยอดขายของผู้จําหน่ายใน Adventure Works มีหมายเลข คําสั่งซื้อและ คอลัมน์หมายเลขบรรทัดคําสั่งซื้อ และจําเป็นต้องใช้สําหรับการกรอง ตารางสําหรับลดรูปมิติจะเป็นการออกแบบที่ดี สําหรับข้อมูลเพิ่มเติม โปรดดูคําแนะนําความสัมพันธ์แบบหนึ่งต่อหนึ่ง (มิติลดรูป)

ตารางสําหรับข้อเท็จจริงที่ไม่มีความจริง

ตารางสําหรับเก็บข้อมูลตัวชี้วัดที่ไม่มีความจริงหรือมาตรวัดใด ๆ จะไม่รวมคอลัมน์หน่วยวัดใด ๆ ตารางประกอบด้วยคีย์มิติเท่านั้น

ตารางสําหรับเก็บข้อมูลตัวชี้กําลังที่ไม่มีการเก็บค่าความจริงหรือมาจริงสามารถจัดเก็บการสังเกตการณ์ที่กําหนดโดยคีย์มิติได้ ตัวอย่างเช่น ณ วันที่และเวลาเฉพาะ ลูกค้าเฉพาะเข้าสู่ระบบในเว็บไซต์ของคุณ คุณสามารถกําหนดหน่วยวัดเพื่อนับจํานวนแถวของตารางสําหรับเก็บข้อมูลตัวชี้วัดที่ไม่มีการเก็บค่าความจริงหรือมาตรวัดใด ๆ เพื่อดําเนินการวิเคราะห์ว่าจํานวนลูกค้าที่เข้าสู่ระบบมีจํานวนกี่รายและเมื่อใด

การใช้งานที่น่าสนใจมากขึ้นของตารางสําหรับเก็บข้อมูลตัวชี้กําลังที่ไม่มีการเก็บความสัมพันธ์ระหว่างมิติและเป็นวิธีการออกแบบแบบจําลอง Power BI เราแนะนําให้กําหนดความสัมพันธ์มิติแบบกลุ่มต่อกลุ่ม ในการออกแบบความสัมพันธ์ของมิติแบบกลุ่ม-ต่อ-กลุ่ม ตารางสําหรับเก็บข้อมูลข้อเท็จจริงที่ไม่มีความจริงหรือมาตราส่วนจะเรียกว่าตารางการเชื่อมโยง

ตัวอย่างเช่น พิจารณาว่าพนักงานขายสามารถกําหนดให้กับหนึ่งภูมิภาคการขายขึ้นไป ตารางการเชื่อมโยงจะได้รับการออกแบบเป็นตารางสําหรับเก็บข้อมูลจริงที่ไม่มีค่าความจริงหรือมาตราส่วนที่ประกอบด้วยสองคอลัมน์: คีย์พนักงานขายและคีย์ภูมิภาค สามารถจัดเก็บค่าที่ซ้ํากันได้ในทั้งสองคอลัมน์

วิธีการออกแบบแบบกลุ่มต่อกลุ่มนี้ได้รับการจัดทําเป็นเอกสารไว้เป็นอย่างดี และสามารถทําได้โดยไม่มีตารางการเชื่อมโยง อย่างไรก็ตาม วิธีการของตารางการเชื่อมโยงถือว่าเป็นแนวทางปฏิบัติที่ดีที่สุดเมื่อเกี่ยวข้องกับสองมิติ สําหรับข้อมูลเพิ่มเติม โปรดดูคําแนะนําความสัมพันธ์แบบกลุ่มต่อกลุ่ม (เชื่อมโยงตารางชนิดมิติสองตาราง)

เนื้อหาที่เกี่ยวข้อง

สําหรับข้อมูลเพิ่มเติมเกี่ยวกับการออกแบบแบบจําลองดาวหรือการออกแบบแบบจําลอง Power BI ให้ดูบทความต่อไปนี้:

• บทความของวิกิพีเดียเกี่ยวกับการทําแบบจําลองเชิงมิติ
• สร้างและจัดการความสัมพันธ์ใน Power BI Desktop
• คําแนะนําความสัมพันธ์แบบหนึ่งต่อหนึ่ง
• คําแนะนําความสัมพันธ์แบบกลุ่มต่อกลุ่ม
• คําแนะนําความสัมพันธ์แบบสองทิศทาง
• คําแนะนําความสัมพันธ์ที่ใช้งานอยู่และไม่ได้ใช้งาน
• คำถาม ลองถามชุมชน Power BI
• คำ แนะ นำ สนับสนุนแนวคิดในการปรับปรุง Power BI