AWS опубликовала вторую часть руководства по шаблонам моделирования данных для Amazon QuickSight Multi-Dataset Relationships. В предыдущей части были рассмотрены основы размерного моделирования и критерии выбора между runtime-соединениями и предварительно объединёнными наборами данных. Новый материал переходит от теории к практическим шаблонам, которые можно напрямую применять в аналитической работе.
В руководстве описаны семь поддерживаемых сценариев. Наиболее рекомендуемый — простая star schema, где центральная таблица фактов соединяется с несколькими размерными таблицами. Для каждого шаблона приведены структура таблиц, варианты использования, пошаговая реализация и примеры SQL-запросов. Например, star schema рекомендуется для анализа продаж по сегментам клиентов и регионам, а snowflake schema — для иерархической детализации по географии (страна → штат → город).
| Шаблон | Описание | Пример использования |
|---|---|---|
| Star schema | Центральная таблица фактов и несколько размерных таблиц | Продажи по сегментам и регионам |
| Snowflake schema | Нормализованные размерные таблицы с многоуровневыми связями | Продажи по географической иерархии |
| Galaxy schema | Несколько таблиц фактов с общими размерными таблицами | Сравнение продаж и возвратов |
Особое внимание уделено ограничениям текущей версии: все связи между наборами данных используют исключительно inner join. Это означает, что в результаты попадают только строки с совпадающими ключами в обоих наборах. При проектировании модели данных это необходимо учитывать. Для сложных сценариев, таких как многошаговые соединения в snowflake schema или множественные факты в galaxy schema, даны конкретные обходные пути и рекомендации по предварительному объединению размерностей.
Star schema — наиболее рекомендуемый шаблон с единственным фактом и несколькими измерениями.
Для аналитиков, использующих QuickSight, это руководство закрывает важный пробел: ранее документация по Multi-Dataset Relationships была фрагментарной. Теперь у пользователей есть стандартизированные шаблоны, которые помогают избежать типичных ошибок при работе с множественными датасетами. Особенно полезным материал будет для тех, кто мигрирует с других BI-инструментов или строит сложные аналитические панели с несколькими источниками данных.
