数据模型

数据模型作为指标元数据的一部分，为上层指标开发提供数据基础，基于现有的数据模型，开发原子指标时，用户无需调研底层数据关系，直接通过可视化的页面即可配置生成指标，统一了指标数据来源的同时，也降低了指标开发的技术门槛。

通俗地形容，在EasyIndex里，数据模型提供了最基础的事实表和维表之间的基本关系，方便后续创建指标时，直接基于已经固化好的数据关系进行开发。

下面将具体介绍一下数据模型的相关的原理以及操作方式。

模型分类

目前数据模型主要采用向导式的配置方式，围绕着维度建模的核心理论，支持常见的单例模型、星型模型和雪花模型：

• 单例模型：单张事实表组成的模型；
• 星型模型：一张事实表，加上一个或多个维度表，事实表和维度表之间通过主键外键相关联，且维度表之间没有关联，从形状上看就像很多星星围着一个星星一样，所以叫星型模型；
• 雪花模型：将星型模型中的某些维度再进一步进行规范，抽取成更细的维度表，让维度表之间也进行关联，那么这个时候，即为雪花模型；

tip

建设过程中，一般会尽可能地避免雪花模型，更多地采用拍平的星型模型。

组成要素

对于EasyIndex来说，数据模型包括表、关系、度量、维度四大组成要素：

• 表：主要以一张事实表和一张或者多张维度表的形式存在，不同类型的表后续计算指标时取数的逻辑会有所不同，具体见下节【表类型】的说明；
• 关系：不管是星型模型还是雪花模型，都会包含多张表，且表之间通过固定的关系形成一个稳定完整的模型；
• 度量：度量列，一个度量对应一个字段，作为后面原子指标的统计来源；
• 维度：维度列，一个维度对应一个字段，作为后面指标统计的维度来源。

note

基于实际业务情况建立的稳定标准的数据模型，为后续原子指标创建提供便利的同时，也能够规范化指标整体的数据链路，故数据模型稳定后，一般不建议去频繁地更改。

表类型

关于数据模型中表类型的配置，包括普通表、分区表、拉链表三种类型的表，因为数据模型是为后续指标开发提供直接的数据计算来源，而为了保证指标计算结果的准确性，针对不同类型的表，所取的数据范围均有所不同，这边详细说明EasyIndex针对三种类型的表各自对应的处理方式：

1. 普通表：说明表里的数据没有时间有效性要求，不管计算什么内容，EasyIndex都会取全表的数据作为基础；
2. 分区表：分区表作为数据库存储数据的一种方式，又可以根据实际业务内容分为增量分区表和全量分区表。
   • 增量分区表：不会限制数据范围，数据更新时，每次计算选取全部分区的数据作为指标计算的数据来源
   • 全量分区表：数据更新时，每次根据分区字段选取对应一个时间分区内的数据作为计算来源
3. 拉链表：和分区表一样，相当于表的一种存储方式，它维护了最新状态数据的同时，也维护了历史状态数据，和时间分区一样，相当于做了历史数据留存，但是同时又做了优化，去除了没有变更的数据，既满足了查询数据的历史状态的需求，又节省了存储资源，总的来说拉链表记录了一个事物从开始，一直到当前状态的所有变化的信息。

note

4.3.0版本中不包括拉链表

模型sql脚本

模型的sql主体主要是‘select from’的形式，其中：

• select后的字段为模型中选择的度量列和维度列对应的字段；
• from后面跟的为模型的主表加上各自的关联表；

模型加工

进入「数据模型」列表，点击「新建模型」即可进入新建模型页面。

设置基础信息

设置模型基本信息，包括模型名称、模型编码、备注。

表关联

模型表可选择表、视图生成模型，表之间可通过left join/right join/inner join进行关联。 单个表/视图需要设置的具体信息规则如下：

• 更新方式：选择增量分区表、非分区表时，模型SQL不会做特殊处理；选择全量分区表时，模型SQL会增加where条件，筛选出业务日期分区内的数据进行后续指标计算；选择拉链表时，模型SQL会增加where条件，筛选出开始、结束时间范围内的有效数据进行后续指标计算。

选择维度

模型设置的维度是后续指标加工过程中用到的所有维度的汇总，此处请选择时间维度、业务维度两类内容。时间维度将用于派生指标的统计周期设置，业务维度将用于后续派生、复合维度设置。同一模型下的维度信息设置不可重复。

选择度量

度量用于后续批量创建原子指标，请至少选择一个度量。