第2章 数据建模基础面试高频问题

• 概念理解的准确性（定义、三层次）
• 对数据资产建设的认知深度
• 结构化表达能力

定义 → 三层次 → 核心作用 → 案例点睛

1. 定义：数据模型是现实世界的数据抽象，描述数据的结构、关系与约束。
2. 三层次：概念模型（业务视角）、逻辑模型（设计视角）、物理模型（实现视角）。
3. 核心作用：统一语义、降低冗余、提升查询效率、支撑数据治理。
4. 案例点睛：以用户画像为例，概念模型定义“用户-行为”关系，逻辑模型设计星型结构，物理模型优化分区存储。

数据模型是数据资产建设的地基，通过概念、逻辑、物理三层抽象，统一业务语义，降低数据冗余，提升查询效率。在数据资产建设中，它确保数据可理解、可复用、可治理，是数据驱动决策的基石。例如用户画像建模中，三层模型层层递进，支撑了跨部门数据共享。

• 数据模型的三层次具体指什么？每一层的产出物是什么？
• 概念模型与逻辑模型在实际项目中如何衔接？

• 范式理论掌握程度（1NF/2NF/3NF）
• 实际工程中的权衡经验
• 场景化决策能力

定义 → 范式级别 → 场景对比 → 权衡原则

1. 定义：范式通过规范化减少冗余，反范式通过冗余提升性能。
2. 范式级别：1NF 属性原子化 → 2NF 消除部分依赖 → 3NF 消除传递依赖。
3. 场景对比：OLTP 用 3NF 保一致，OLAP 用反范式提性能。
4. 权衡原则：事实表保持规范化，维度表适度冗余，按查询模式做折中。

范式减少冗余，适合 OLTP 保证数据一致性；反范式通过冗余提升查询性能，适合 OLAP 场景。在数据仓库中，我采用适度反范式：事实表保持 3NF 避免数据异常，维度表冗余常用属性，减少 Join 次数，在存储与查询效率间取得平衡。

• 第三范式（3NF）的定义是什么？与第二范式有什么区别？
• 举一个你实际项目中反范式设计的例子。

• 两种模型的核心差异理解
• 场景匹配与选型逻辑
• 实践经验与行业常识

定义对比 → 核心差异 → 场景匹配 → 选型建议

1. 定义对比：ER 面向事务，消除冗余；维度建模面向分析，星型结构便于理解。
2. 核心差异：ER 强调数据完整性，维度建模强调查询性能与易用性。
3. 场景匹配：OLTP → ER；OLAP/数仓 → 维度建模。
4. 选型建议：数据仓库底层用 ER 构建基础数据层，集市层用维度建模加速分析。

ER 模型面向事务处理，消除冗余，适合 OLTP 系统保证数据一致性；维度建模面向分析查询，星型结构便于理解，适合 OLAP 系统。在数据仓库中，我一般用 ER 构建底层基础数据层保证完整性，用维度建模构建数据集市层提升查询效率，各取所长。

• 星型模型和雪花模型有什么区别？什么场景下选择雪花模型？
• 维度建模中，事实表的设计原则有哪些？