4. 数据建模与仓库面试：维度建模、星型雪花、事实表设计、公司侧重点

Q1：请解释维度建模中的星型模型和雪花模型有什么区别？各自适用什么场景？

面试官考察点：

• 是否理解规范化与反规范化的核心取舍
• 能否结合业务场景说明选择依据
• 对查询性能、维护成本、数据一致性三者的权衡能力

回答框架： 定义 → 对比（结构/性能/冗余/扩展性）→ 场景举例 → 个人倾向与原因

示例回答：“星型模型所有维度直接连事实表，查询快、易理解，适合大宽表分析；雪花模型将维度进一步拆分（如地区→国家→城市），减少冗余但增加join。互联网业务通常选星型，因为查询性能更关键。我曾在电商项目中用星型，将订单相关维度退化为单表，查询延迟降低40%。”

可能追问：“如果业务维度经常变化（如分类层级调整），你会怎么改模型？”“你们公司实际用了哪种？为什么？”

Q2：在事实表设计中，如何选择事实类型（事务事实表、周期快照事实表、累积快照事实表）？

面试官考察点：

• 是否清楚三种事实表的本质区别（行粒度含义）
• 能否根据业务需求（如实时、周期、过程跟踪）正确匹配
• 对存储与计算成本的敏感度

回答框架： 分类描述（每类一行代表什么）→ 典型场景 → 选型判断依据 → 反面案例

示例回答：“事务事实表记录每笔事件（如订单下单），行粒度最小，适合统计订单量；周期快照按固定时间（如每天）记录状态快照，适合账户余额；累积快照跟踪业务过程多个阶段（如下单→支付→发货），适合流程分析。选型先看业务问题类型，再考虑数据量，比如订单明细用事务，月度仓储用快照。”

可能追问：“如果同时需要订单明细和发货流程状态，你如何设计事实表？”

Q3：面试官问：你们公司做数据仓库时，为什么选择星型模型而不是雪花模型？或者反过来？

面试官考察点：

• 是否真实参与过建模决策
• 能否说出公司具体业务、技术栈、团队规模等上下文
• 重视的是“选型依据”而非正确

回答框架： 用STAR说明背景（Situation）→ 方案对比（Task）→ 选择理由（Action）→ 效果（Result）

示例回答：“在上一家电商公司，我们做GMV分析。团队小、查询频次高，选星型模型。维度退化到订单商品维表，减少join，ETL简单。当时也有雪花方案，但多层级join导致报表超时，最终统一用星型+宽表，查询速度提升60%，数据一致性通过维表主键保证。”

可能追问：“如果业务请求增加地区维度到4层（国家→省→市→区），星型会怎么办？”（答：保留地区冗余或使用雪花级联）