Let’s turn our attention to extendi

Let’s turn our attention to extending the initial dimensional design. Several years
after the rollout of the retail sales schema, the retailer implements a frequent shopper
program. Rather than knowing an unidentified shopper purchased 26 items on
96 Chapter 3
a cash register receipt, you can now identify the specific shopper. Just imagine the
business users’ interest in analyzing shopping patterns by a multitude of geographic,
demographic, behavioral, and other differentiating shopper characteristics.
The handling of this new frequent shopper information is relatively straightforward.
You’d create a frequent shopper dimension table and add another foreign key
in the fact table. Because you can’t ask shoppers to bring in all their old cash register
receipts to tag their historical sales transactions with their new frequent shopper
number, you’d substitute a default shopper dimension surrogate key, corresponding
to a Prior to Frequent Shopper Program dimension row, on the historical fact table
rows. Likewise, not everyone who shops at the grocery store will have a frequent
shopper card, so you’d also want to include a Frequent Shopper Not Identifi ed row
in the shopper dimension. As we discussed earlier with the promotion dimension,
you can’t have a null frequent shopper key in the fact table.
Our original schema gracefully extends to accommodate this new dimension
largely because the POS transaction data was initially modeled at its most granular
level. The addition of dimensions applicable at that granularity did not alter the
existing dimension keys or facts; all existing BI applications continue to run without
any changes. If the grain was originally declared as daily retail sales (transactions
summarized by day, store, product, and promotion) rather than the transaction line
detail, you would not have been able to incorporate the frequent shopper dimension.
Premature summarization or aggregation inherently limits your ability to add
supplemental dimensions because the additional dimensions often don’t apply at
the higher grain.
The predictable symmetry of dimensional models enable them to absorb some
rather signifi cant changes in source data and/or modeling assumptions without
invalidating existing BI applications, including:
■ New dimension attributes. If you discover new textual descriptors of a dimension,
you can add these attributes as new columns. All existing applications
will be oblivious to the new attributes and continue to function. If the new
attributes are available only after a specifi c point in time, then Not Available
or its equivalent should be populated in the old dimension rows. Be forewarned
that this scenario is more complicated if the business users want to
track historical changes to this newly identifi ed attribute. If this is the case,
pay close attention to the slowly changing dimension coverage in Chapter 5.
■ New dimensions. As we just discussed, you can add a dimension to an existing
fact table by adding a new foreign key column and populating it correctly
with values of the primary key from the new dimension.
Retail Sales 97
■ New measured facts. If new measured facts become available, you can add
them gracefully to the fact table. The simplest case is when the new facts are
available in the same measurement event and at the same grain as the existing
facts. In this case, the fact table is altered to add the new columns, and the
values are populated into the table. If the new facts are only available from
a point in time forward, null values need to be placed in the older fact rows.
A more complex situation arises when new measured facts occur naturally
at a diff erent grain. If the new facts cannot be allocated or assigned to the
original grain of the fact table, the new facts belong in their own fact table
because it’s a mistake to mix grains in the same fact table.

Kết quả (Việt) 1:

Chúng ta hãy chuyển sự chú ý của chúng tôi để mở rộng chiều thiết kế. Nhiều nămsau các buổi giới thiệu của giản đồ bán hàng bán lẻ, các nhà bán lẻ thực hiện một mua sắm thường xuyênchương trình. Thay vì biết một mua sắm không xác định mua mặt hàng 26 trên96 chương 3một biên nhận tiền mặt đăng ký, bạn bây giờ có thể xác định người mua sắm cụ thể. Chỉ cần hình dung cácngười dùng doanh nghiệp quan tâm trong việc phân tích mô hình mua sắm công địa lý,tăng trưởng dân số, hành vi, và các khác biệt mua sắm đặc điểm.Việc xử lý thông tin thường xuyên mua sắm mới này là tương đối đơn giản.Bạn có thể tạo ra một bảng kích thước thường xuyên mua sắm và thêm một nước ngoài phímtrong thực tế bảng. Bởi vì bạn không thể yêu cầu người mua sắm để mang lại tất cả các tiền mặt cũ của họ đăng kýbiên lai gắn thẻ lịch sử giao dịch bán hàng của họ với của mua sắm thường xuyên mớisố, bạn sẽ thay thế một mặc định mua sắm kích thước thay thế phím, tương ứngđể một trước khi chương trình mua sắm thường xuyên kích thước hàng, trên bàn thực tế lịch sửhàng. Tương tự như vậy, không phải tất cả những người mua sắm tại cửa hàng tạp phẩm sẽ có một thường xuyênMua sắm thẻ, do đó, bạn cũng sẽ muốn bao gồm một hàng thường xuyên mua sắm không Identifi edtrong kích thước mua sắm. Như chúng tôi đã thảo luận trước đó với kích thước quảng cáo,bạn không thể có chìa khóa không thường xuyên shopper trong bảng thực tế.Lược đồ ban đầu của chúng tôi một cách duyên dáng kéo dài để phù hợp với kích thước mới nàyphần lớn bởi vì dữ liệu giao dịch POS được mô hình ban đầu lúc đặt hạtcấp độ. Việc bổ sung các kích thước áp dụng ở đó đã không làm thay đổi cáchiện có kích thước phím hoặc sự kiện; Tất cả các ứng dụng BI hiện có tiếp tục chạy mà không cầnbất kỳ thay đổi nào. Nếu các hạt ban đầu được khai báo là doanh thu bán lẻ hàng ngày (giao dịchtóm tắt theo ngày, Cửa hàng, sản phẩm, và chương trình khuyến mại) chứ không phải là dòng giao dịchchi tiết, bạn sẽ không có được có thể kết hợp kích thước thường xuyên mua sắm.Tổng hợp sớm hoặc tập hợp vốn hạn chế khả năng của bạn để thêmbổ sung kích thước đất vì kích thước bổ sung thường không áp dụng tạihạt cao.Đối xứng dự đoán của mô hình chiều kích hoạt chúng để hấp thụ một sốthay vì signifi không thể thay đổi trong nguồn dữ liệu và/hoặc mô hình giả định mà không cầnkhác hiện có BI ứng dụng, bao gồm:■ thuộc tính kích thước mới. Nếu bạn phát hiện ra bộ mô tả văn bản mới của một chiều hướng,bạn có thể thêm các thuộc tính làm mới cột. Tất cả các ứng dụng hiện cósẽ được quên để các thuộc tính mới và tiếp tục hoạt động. Nếu các mớithuộc tính có sẵn chỉ sau khi một c thuật chỉ trong thời gian, sau đó không có sẵnhoặc tương đương của nó nên được dân cư ở các kích thước hàng cũ. Được cảnh báo trướctrường hợp này là phức tạp hơn nếu muốn người dùng doanh nghiệptheo dõi những thay đổi lịch sử để này vừa được identifi ed thuộc tính. Nếu đây là trường hợp,Hãy chú ý để từ từ thay đổi kích thước vùng phủ sóng trong chương 5.■ Kích thước mới. Như chúng tôi chỉ thảo luận, bạn có thể thêm một chiều hướng vào một sẵn cóthực tế bàn bằng cách thêm một cột mới chính nước ngoài và populating nó một cách chính xácvới giá trị của khóa chính từ kích thước mới.Doanh thu bán lẻ 97■ Mới đo sự thật. Nếu sự kiện đo mới trở nên có sẵn, bạn có thể thêmchúng một cách duyên dáng để bàn thực tế. Các trường hợp đơn giản nhất là khi các sự kiện mớicó sẵn trong cùng một trường hợp đo lường và các hạt giống như hiện tạisự kiện. Trong trường hợp này, bảng thực tế thay đổi để thêm các cột mới, và cácgiá trị được đưa vào bảng. Nếu các sự kiện mới chỉ có sẵn từmột điểm trong thời gian chuyển tiếp, vô giá trị cần phải được đặt trong thực tế hàng lớn.Một tình hình phức tạp hơn phát sinh khi mới đo sự kiện xảy ra tự nhiêntại một khác tiểu hạt. Nếu các sự kiện mới không thể được phân bổ hoặc được chỉ định cho cácbản gốc hạt bảng thực tế, các sự kiện mới thuộc riêng của họ bàn thực tếbởi vì nó là một sai lầm để pha trộn các loại ngũ cốc trong cùng một bảng thực tế.

Kết quả (Việt) 2:

Hãy chuyển sự chú ý của chúng tôi có thể mở rộng các thiết kế ban đầu chiều. Vài năm
sau khi triển khai các giản đồ doanh số bán lẻ, các cửa hàng bán lẻ thực hiện một khách hàng thường xuyên
của chương trình. Thay vì biết một người mua sắm không xác định mua 26 mặt hàng trên
96 Chương 3
biên lai tính tiền, bây giờ bạn có thể xác định được người mua hàng cụ thể. Chỉ cần tưởng tượng những
người dùng quan tâm kinh doanh "trong việc phân tích các mô hình mua sắm bởi vô số địa lý,
phân biệt các đặc điểm nhân khẩu học người mua sắm, hành vi, và khác.
Việc xử lý thông tin khách hàng thường xuyên mới này là tương đối đơn giản.
Bạn muốn tạo ra một người mua sắm thường xuyên bảng kích thước và thêm một khóa ngoại
trong bảng thực tế. Bởi vì bạn không thể yêu cầu người mua sắm để mang lại trong tất cả các máy tính tiền cũ của họ
biên lai gắn thẻ doanh số giao dịch lịch sử của họ với khách hàng thường xuyên mới của họ
số, bạn có muốn thay thế một người mua sắm mặc định phím kích thước thay thế, tương ứng
với một Trước khi mua sắm thường xuyên hàng kích thước chương trình , trên bảng thực tế lịch sử
hàng. Tương tự như vậy, không phải ai các cửa hàng tại các cửa hàng tạp hóa sẽ có một thường xuyên
Thẻ khách hàng, do đó bạn cũng sẽ muốn bao gồm một Shopper thường xuyên Không hàng ed Identifi
trong chiều mua sắm. Như chúng ta đã thảo luận trước đó với chiều hướng thăng tiến,
bạn không thể có một null trọng khách hàng thường xuyên trong bảng thực tế.
Schema gốc của chúng tôi một cách duyên dáng mở rộng để chứa chiều hướng mới này
chủ yếu là do các dữ liệu giao dịch POS bước đầu đã được mô hình hóa ở dạng hạt nhất
cấp. Việc bổ sung các kích thước được áp dụng tại mà granularity không làm thay đổi các
phím kích thước hiện tại hoặc các sự kiện; tất cả các ứng dụng BI hiện có tiếp tục chạy mà không có
bất kỳ thay đổi. Nếu các hạt ban đầu được công bố doanh số bán hàng ngày lẻ (các giao dịch
tóm tắt bởi ngày, cửa hàng, sản phẩm và khuyến mãi) hơn là các dòng giao dịch
chi tiết, bạn sẽ không có được thể kết hợp các kích thước khách hàng thường xuyên.
Tổng kết sớm hoặc tập hợp vốn giới hạn của bạn khả năng thêm
kích thước bổ sung vì các kích thước khác thường không áp dụng tại
các hạt cao hơn.
Sự đối xứng của các mô hình dự đoán được chiều kích hoạt chúng để hấp thụ một số
những thay đổi không thể thay signifi trong nguồn dữ liệu và / hoặc giả định mô hình mà không
làm vô hiệu các ứng dụng BI hiện có, bao gồm:
■ chiều kích mới thuộc tính. Nếu bạn phát hiện ra các mô tả văn bản mới của một chiều,
bạn có thể thêm các thuộc tính như cột mới. Tất cả các ứng dụng hiện có
sẽ không biết gì về các thuộc tính mới và tiếp tục hoạt động. Nếu mới
thuộc tính có sẵn chỉ sau khi một điểm c specifi trong thời gian, sau đó không có sẵn
hoặc tương đương của nó nên được dân cư trong các hàng kích thước cũ. Được cảnh báo trước
rằng kịch bản này là phức tạp hơn nếu người dùng doanh nghiệp muốn
theo dõi những thay đổi lịch sử để thuộc tính ed mới identifi này. Nếu đây là trường hợp,
chú ý tới các phạm vi bảo hiểm kích thước thay đổi từ từ trong Chương 5.
■ kích thước mới. Như chúng ta đã thảo luận, bạn có thể thêm một chiều hướng đến một hiện
bảng thực tế bằng cách thêm một cột chính nước ngoài mới và Populating nó đúng
với giá trị của khóa chính từ những chiều hướng mới.
Doanh số bán lẻ 97
■ sự kiện mới đo. Nếu sự kiện đo mới trở nên có sẵn, bạn có thể thêm
chúng một cách duyên dáng cho bảng thực tế. Các trường hợp đơn giản nhất là khi sự thật mới là
có sẵn trong các sự kiện đo như nhau và ở các hạt giống như hiện tại
sự kiện. Trong trường hợp này, bảng thực tế được thay đổi để thêm các cột mới, và các
giá trị được cư vào bảng. Nếu các sự kiện mới chỉ có sẵn từ
một điểm trong thời gian tới, các giá trị null cần phải được đặt trong các hàng thực tế lớn hơn.
Một tình huống phức tạp hơn khi phát sinh sự kiện mới xảy ra một cách tự nhiên đo được
tại một hạt khác erent. Nếu các sự kiện mới không thể được giao hoặc giao cho các
hạt ban đầu của các bảng thực tế, các dữ kiện mới thuộc về một bảng thực tế của riêng họ
bởi vì nó là một sai lầm để trộn hạt trong bảng thực tế giống nhau.