4. 数据建模与架构设计：星型/雪花模型、维度建模、OLAP与OLTP选型

面试问题：请解释星型模型和雪花模型的区别，并说明你在项目中如何选择？

面试官考察点：是否理解维度建模的两种范式，能否结合数据冗余、查询性能、维护成本做出合理选型。

回答框架：① 定义两者结构 → ② 对比冗余与规范化程度 → ③ 分析查询效率与存储开销 → ④ 给出选型依据（高查询性能选星型，高数据一致性选雪花）→ ⑤ 可举例说明。

简短示例回答：星型模型以事实表为中心，维度表非规范化，查询效率高；雪花模型将维度表拆分，减少冗余但增加Join。在广告BI项目中，因查询频繁且需要快速响应，我选用星型模型，将用户信息压缩到一张维度表，查询性能提升30%。

可能追问：雪花模型如何做物化视图优化？维度表非规范化后如何保证一致性？

避坑提醒：不要只说“星型好雪花差”，要说明场景依赖；避免混淆“雪花”与“星座”模型。

面试问题：请简述维度建模的四个步骤，并说明每一步的关键产出是什么？

面试官考察点：是否掌握Kimball维度建模方法论，能否按步骤拆解业务过程。

回答框架：① 选择业务过程 → ② 声明粒度 → ③ 确认维度 → ④ 确认事实。逐步展开，每步结合案例。

简短示例回答：以电商订单为例：①选择“下单”业务过程；②粒度定为“每笔订单行”；③维度包括时间、商品、用户、店铺；④事实包括金额、数量。产出是总线矩阵与维度表设计。

可能追问：粒度过细导致事实表膨胀如何处理？维度退化原则是什么？

避坑提醒：避免跳过“声明粒度”直接设计表，会导致后续聚合困难。强调“原子粒度的可加性”。

面试问题：你在项目中如何决定使用OLAP还是OLTP系统？请举例说明选型过程。

面试官考察点：是否理解两种系统的核心差异（读写模式、数据量、一致性、延迟），能否结合业务给出技术选型。

回答框架：① 区分业务需求（事务处理 vs 分析查询） → ② 评估数据量和实时性要求 → ③ 对比引擎特性 → ④ 给出推荐（如MySQL/PostgreSQL用于OLTP，ClickHouse/Doris用于OLAP）。

简短示例回答：在用户画像平台中，用户标签查询要求高并发低延迟，我们选用OLTP引擎HBase；而人群圈选需海量聚合分析，则用OLAP引擎ClickHouse，实时数据通过实时数仓同步。

可能追问：HTAP架构了解吗？如何实现准实时OLAP？

避坑提醒：不要混淆“OLAP数据库”与“数据仓库”概念；选型时务必量化“QPS、查询延迟、数据量级”指标。