第4章：数据建模与ETL设计实战——维度建模、事实表设计、调度策略

考察点：维度建模理论基础；权衡查询性能与存储冗余；实际决策逻辑。

回答框架：定义两者 → 对比（查询次数/规范化程度）→ 选择依据（查询优先→星型；层次复杂且存储敏感→雪花）→ 举例强调折中。

示例回答：星型模型以事实表为中心，维度表直接关联，查询只需一次JOIN，适合高并发报表；雪花模型将维度表规范化，减少重复但增加JOIN层数。我通常选星型，除非维度层次深（如地址）且ETL资源充足才用雪花。

可能追问：如何处理缓慢变化维？你用过哪种SCD策略？

考察点：事实表核心概念；粒度定义能力；度量可加性判断。

回答框架：明确业务过程（如订单）→ 确定最低粒度（每件商品每笔订单）→ 选择可加性度量（金额、数量）→ 非加性度量入维度属性。

示例回答：以电商订单事实表为例，粒度设为订单行级别，度量包括下单金额、商品数量、优惠金额（全部可加）。单价作为维度属性存储，避免对非加性指标聚合。

可能追问：什么是累积快照事实表？你用过无事实事实表吗？

考察点：调度依赖设计；容错机制；增量/全量切换思维。

回答框架：先讲DAG表示依赖 → 增量抽取为主，全量做基线 → 超时重试（指数退避）→ 分区级重跑 → 数据质量检查。

示例回答：使用Airflow调度，每日凌晨2点增量拉取ODS层，依赖上游完成才触发。设置失败自动重试3次，超过则发告警。事实表按日期分区，重刷时只重建失败分区，不影响全量。

可能追问：如果上游数据回溯修改，如何保证一致性？