Би стар: Главная — Автосервис Бистар

Содержание

Эй Би Стар : отзывы сотрудников о работодателе

А

Абакан

Абу-Даби

Агидель

Агрыз

Адлер

Азов

Аксай

Актобе

Алапаевск

Алатырь

Алейск

Александров

Алексеевка (Белгородская область)

Алексин

Алматы

Алупка

Алушта

Альметьевск

Амстердам

Анапа

Ангарск

Анталья

Апатиты

Апрелевка

Аргаяш

Арзамас

Армавир

Арсеньев

Артём

Архангельск

Асбест

Асино

Астрахань

Атырау

Ачинск

Ашхабад

Б

Байконур

Баку

Балаково

Балахна

Балашиха

Балашов

Бали

Бангкок

Барнаул

Барыш

Батайск

Бахмут

Бахчисарай

Бежецк

Белая Калитва

Белгород

Белебей

Белогорск

Белорецк

Белореченск

Белоярский

Бердск

Березники

Берёзовский

Берлин

Берн

Бийск

Биробиджан

Бирск

Бишкек

Благовещенка

Благовещенск

Благодарный

Бобруйск

Богородск

Боготол

Бодайбо

Бологое

Болхов

Бор

Борисоглебск

Боровск

Братск

Брест

Бронницы

Брянск

Бугульма

Бугуруслан

Будапешт

Буденновск

Бузулук

Бургас

Бутурлиновка

Буффало

Бухара

В

Варна

Варшава

Вахруши

Великие Луки

Великий Новгород

Великий Устюг

Верхнеуральск

Верхний Тагил

Верхний Уфалей

Верхняя Пышма

Верхняя Салда

Веспрем

Видное

Вильнюс

Вилючинск

Винница

Витебск

Вичуга

Владивосток

Владикавказ

Владимир

Волгоград

Волгодонск

Волгореченск

Волжск

Волжский

Вологда

Володарск

Волоколамск

Волхов

Вольск

Воркута

Воронеж

Ворсма

Воскресенск

Воткинск

Всеволожск

Выборг

Выкса

Вытегра

Вышний Волочек

Вяземский

Вязники

Вязьма

Вятские Поляны

Г

Гагарин

Гамбург

Гатчина

Геленджик

Георгиевск

Гётеборг

Глазов

Гомель

Горки Ленинские

Горно-Алтайск

Городец

Гороховец

Горячий Ключ

Грайворон

Гродно

Грозный

Грязи

Губкин

Губкинский

Гуково

Гулькевичи

Гусев

Гусь-Хрустальный

Гянджа

Д

Дальнереченск

Данков

Дедовск

Дербент

Десногорск

Дзержинск

Димитровград

Дмитров

Днепр (Днепропетровск)

Долгопрудный

Домодедово

Донецк

Донской

Дубна

Дудинка

Душанбе

Дюртюли

Е

Евпатория

Егорьевск

Ейск

Екатеринбург

Елабуга

Елец

Еманжелинск

Енакиево

Ереван

Ессентуки

Ефремов

Ж

Железногорск

Железнодорожный

Жигулевск

Житомир

Жодино

Жуковский

З

Забайкальск

Заволжье

Закаменск

Заозерск

Западная Двина

Заполярный

Запорожье

Зарайск

Заречный

Звенигород

Зеленоград

Зеленодольск

Зеленокумск

Златоуст

Знаменск

Зубова Поляна

И

Ивангород

Ивано-Франковск

Иваново

Ивантеевка

Ижевск

Иланский

Инза

Иннополис

Инта

Иркутск

Исилькуль

Искитим

Истра

Ишим

Ишимбай

Й

Йошкар-Ола

К

Кавалерово (Посёлок городского типа)

Казань

Калачинск

Калининград

Калиновка

Калтан

Калуга

Каменск-Уральский

Каменск-Шахтинский

Каменское

Камень-на-Оби

Камышин

Кандалакша

Канск

Караганда

Карпинск

Карши

Касимов

Каспийск

Качканар

Кашира

Кемерово

Керчь

Киев

Кимры

Кингисепп

Кинель-Черкассы

Кинешма

Кириши

Киров

Кировск (Ленинградская область)

Киселёвск

Кисловодск

Кишинев

Клайпеда

Климовск

Клин

Клинцы

Кобрин

Ковров

Ковылкино

Когалым

Коломна

Колпино

Кольчугино

Коммунар

Комсомольск-на-Амуре

Конаково

Кондопога

Кондрово

Константиновск

Копейск

Кореновск

Коркино

Королёв

Коряжма

Костомукша

Кострома

Котельники

Котлас

Краков

Краматорск

Краслава

Красногорск

Краснодар

Красное Село

Краснозаводск

Краснослободск

Красноуральск

Красноуфимск

Красноярск

Красный Бор

Красный Сулин

Кривой Рог

Кропивницкий

Кропоткин

Крымск

Кстово

Кубинка

Кудымкар

Кузнецк

Кулебаки

Кумертау

Курган

Курганинск

Курск

Кушва

Кызыл

Кыштым

Кяхта

Л

Лабинск

Лангепас

Лениногорск

Ленинск-Кузнецкий

Ленск

Лепель

Лермонтов

Лесной

Ливорно

Ликино-Дулёво

Лимасол

Липецк

Лиски

Лихославль

Лобня

Лодейное Поле

Лондон

Лосино-Петровский

Луга

Луганск

Луховицы

Лыткарино

Львов

Любек

Люберцы

Любляна

Людиново

Лянтор

М

Магадан

Магас

Магнитогорск

Майкоп

Малаховка

Малоярославец

Мамадыш

Мариинск

Мариуполь

Маркс

Махачкала

Мегион

Межвежьегорск

Междуреченск

Мелитополь

Мерсин

Миасс

Миллерово

Минеральные Воды

Минск

Минусинск

Мирный

Михайловка

Мичуринск

Могилёв

Мозырь

Молодечно

Монино

Монреаль

Москва

Московская Область

Муезерский

Муравленко

Мурманск

Муром

Мытищи

Мюнхен

Н

Набережные Челны

Навашино

Надым

Назарово

Нальчик

Наро-Фоминск

Нахабино

Находка

Невельск

Невинномысск

Немиров

Нерюнгри

Нефтекамск

Нефтекумск

Нефтеюганск

Нижневартовск

Нижнекамск

Нижний Новгород

Нижний Тагил

Николаев

Никосия

Новоалександровск

Нововоронеж

Новокузнецк

Новокуйбышевск

Новомичуринск

Новомосковск

Новополоцк

Новороссийск

Новосибирск

Новотроицк

Новочебоксарск

Новочеркасск

Новый Оскол

Новый Уренгой

Ногинск

Норильск

Ноябрьск

Нур-Султан

Нурлат

Нью-Йорк

Нюрнберг

Нягань

Нязепетровск

О

Обнинск

Обухово

Одесса

Одинцово

Озёрный

Озерск

Октябрьский

Омск

Онега

Опочка

Орел

Оренбург

Орехово-Зуево

Орск

Орша

Островец

Отрадный

Оха

П

Павлово

Павловск

Павловский Посад

Певек

Пенза

Первоуральск

Переславль-Залесский

Пермь

Петрозаводск

Петропавловск

Петропавловск-Камчатский

Печора

Печоры

Питкяранта

Пласт

Подольск

Подпорожье

Покачи

Покров

Полысаево

Полярный

Поронайск

Посёлок Афипский

Посёлок Ахтырский

Поселок Грибановка

Поселок Запрудня

Поселок Любучаны

Поселок Правдинский (Пушкинский район)

Поселок Раевский

Поселок Сабетта

Поселок Таксимо

Похвистнево

Приозерск

Прокопьевск

Промышленная (Посёлок городского типа)

Протвино

Прохладный

Псков

Пугачев

Пушкин

Пушкино

Пущино

Пыть-Ях

Пятигорск

Р

Райчихинск

Раменское

Рассказово

Ревда

Реутов

Речица

Ржев

Рига

Родники

Родос

Рославль

Россошь

Ростов-на-Дону

Ртищево

Рубцовск

Рудный

Руза

Рыбинск

Рыбница

Рязань

С

Салават

Салехард

Сальск

Самара

Самарканд

Санкт-Петербург

Саранск

Сарапул

Саратов

Саров

Саяногорск

Светловодск

Светлогорск

Светлоград

Свободный

Севастополь

Северобайкальск

Северодвинск

Северодонецк

Североуральск

Северск

Сегежа

Село Дубовское (Ростовская область)

Село Кожевниково (Томская область)

Село Шипуново

Селятино

Семёнов

Серафимович

Сергач

Сергиев Посад

Серов

Серпухов

Сибай

Симферополь

Скопин

Славгород

Славянск-на-Кубани

Сланцы

Слуцк

Смоленск

Сморгонь

Снежинск

Советск

Советская Гавань

Соликамск

Солнечногорск

Сосновый Бор

Сочи

Среднеуральск

Ставрополь

Станица Брюховецкая

Станица Гиагинская

Станица Динская

Станица Ильская

Станица Ленинградская

Станица Северская

Станица Холмская

Староминская

Старый Оскол

Стерлитамак

Стокгольм

Стрежевой

Струнино

Ступино

Суджа

Суздаль

Сумы

Сургут

Сызрань

Сыктывкар

Сысерть

Т

Таганрог

Талдом

Таллин

Тамань

Тамбов

Ташкент

Таштагол

Тбилиси

Тверь

Темрюк

Тикси

Тимашевск

Тирасполь

Тихвин

Тихорецк

Тобольск

Тольятти

Томилино

Томск

Топки

Торонто

Тосно

Тотьма

Троицк

Туапсе

Туймазы

Тула

Тучково

Тында

Тюмень

У

Ува (поселок)

Удомля

Узловая

Улан-Удэ

Ульяновск

Урай

Уральск

Уренгой

Урюпинск

Усинск

Уссурийск

Усть-Илимск

Усть-Кут

Усть-Лабинск

Уфа

Ухта

Учалы

Ф

Фалькензе

Фано

Феодосия

Фрязино

Фряново

Фурманов

Х

Хабаровск

Ханты-Мансийск

Харцызск

Харьков

Хасавюрт

Хельсинки

Херсон

Химки

Хмельницкий

Хотьково

Ц

Цюрих

Ч

Чайковский

Чапаевск

Чебоксары

Челябинск

Череповец

Черкассы

Черкесск

Чернигов

Черновцы

Черноголовка

Черногорск

Чернушка

Чехов

Чистополь

Чита

Чкаловск

Чугуев

Ш

Шадринск

Шанхай

Шарыпово

Шатура

Шахты

Шексна

Шимановск

Шимкент

Шлиссельбург

Шпангенберг

Шумерля

Шуя

Шяуляй

Щ

Щекино

Щелково

Щербинка

Э

Электросталь

Электроугли

Элиста

Энгельс

Ю

Югорск

Югра

Южно-Сахалинск

Южноуральск

Юрга

Юрьевец

Я

Якутск

Ялта

Ялуторовск

Янаул

Ярославль

Ярцево

Ясногорск

Яхрома

TZU — Virtual Breed Database

КАТАЛОГ

Добро пожаловать в виртуальную базу данных породы Ши-Тцу !

Введение

Данный проект представляет собой единую электронную базу данных собак породы Ши- Тцу, созданную как удобный инструмент как для любителей породы, так и для заводчиков этой породы.

На страницах нашего электронного каталога породы Ши-Тцу собраны данные не только по живущим ныне собакам породы Ши-Тцу, но также информация о собаках, являющимися предками наших с вами собак (фотографии, результаты выставок, оценки, титулы, выставочные описания, сведения о потомках, однопометниках, даты рождения и смерти, информация о месте рождения, заводчиках и владельцах собак). Вы сможете найти всю необходимую информацию по интересующей вас собаке породы Ши-Тцу, воспользоваться удобными функциями создания родословных на будущих щенков, посчитать возможность инбридинга, составить пару, посмотреть потомков той или иной собаки и др.

Общедоступность базы данных и возможность внесения наиболее полной информации непосредственно владельцами и заводчиками собак породы Ши-Тцу позволяют максимально широко продемонстрировать своих питомцев широкому кругу заинтересованных лиц как в нашей стране, так и за ее пределами.

Мы очень рассчитываем на активное участие всех владельцев собак породы Ши-Тцу в заполнении электронного каталога. Надеемся, что наша база данных будет постоянно пополняться и расширяться.

Наша база данных по породе Ши-Тцу имеет пять основных разделов:

Каталог – представляет собой открытую для всех посетителей электронную базу данных породы Ши-Тцу.

Выставки – раздел, созданный для быстрого ввода и представления результатов проведенных выставок в сочетании с данными базы данных.

Питомники – здесь представлена информация о действующих и действовавших питомниках собак породы Ши-Тцу как в нашей стране, так и за рубежом.

Судьи – раздел, в котором вы найдете информацию об экспертах, осуществлявших экспертизу собак породы Ши-Тцу.

Статистика – раздел, в котором представлен ряд статистических на основании той информации, которая уже введена в нашу базу данных (выставки, племенная деятельность и др.).

По всем вопросам, в том числе и технического плана, вы можете обращаться по адресу: [email protected] com

Администрация базы не несет ответственности за данные и фото, добавляемые пользователями.

Благодарности

Наш электронный каталог не смог бы даже появится на свет без помощи энтузиастов, для кого не безразлична наша прекрасная порода собак Ши-Тцу. Хочется поблагодарить всех тех, кто принял активное участие в заполнении нашей базы данных по породе Ши-Тцу, но в первую очередь хочется отметить тех любителей породы, кто не только поддержал саму идею создания подобной базы данных, понимая ее пользу для породы в целом, но и помог в осуществлении этой идеи в жизнь.

  • Симанова Светлана, питомник «Онли Ми’c»/Only Me’s, г. Москва
  • Киселева Алла, питомник «Айс Бижу»/ Aise Biou, г. Санкт-Петербург
  • Заксор Наталья, Москва
  • Саутина Ольга Александровна & Людмила, питомник «Шьен де Люкс»/ Shen de Lux, г. Владивосток
  • Тишанинова Наталья и Тишанинов Алексей, питомник «Из Гранд Леоники»/ Iz Grand Leoniki, г. Пенза
  • Галанина Оксана, г. Череповец
  • Рымар Юлия, питомник «Кайлас Облако »/ Kailas Oblako, г. Новосибирск
  • Наталия Егорова, г. Северодвинск
  • Лаврентьева Елена, питомник «Лавел Гру»/ Lavel Gru, Псков
  • Проскурякова Надежда, питомник «Кристал Дрим»/ Crystal Dream, Тамбов
  • Твардовская Екатерина, Софья, питомник «Шайни Ши»/ Shiny Shi, г. Новокузнецк
  • Светлана Захарова, питомник «Гранд Коллектион» / Grand Collection, г. Москва
  • Людмила Кабрина, питомник «Рич Блоссом»/ Rich Blossom, г.Северодвинск
  • Суворова Татьяна, питомник «Гранд Стат’c»/ Grand Stat’s, г. Москва
  • Алена Сорочкина, питомник «Литтел Хеппинс» / Little Happins, г. Тольятти

Ну и, конечно же, особую благодарность мы выражаем Юрию Семенову за оформление, создание и техническую поддержку данного проекта, Надежде Кежиной за создание потрясающей заставки для нашей базы данных, Maggie Flack за помощь c коррекцией английских текстов для нашей базы данных.

5 последних выставок

EuroDogShow-2021, Budapest

29.12.2021, Венгрия

IDS «Budapest Grand Prix Winner Show»

28.12.2021, Венгрия

NDS, Kostroma

19.12.2021, Россия

NDS, Ekaterinburg

19.12.2021, Россия

NDS, Petrozavodsk

18.12.2021, Россия

БИСТАР перевод | Сербско-русский словарь

Они момци не мисле да сам бистар, већ су хтели да ме напију.Они думают, я тупой, и хотели меня споить.
Како си само паметан. Исусе, како си бистар.Тебе пора открывать своё ток-шоу на телевидении!
Бистар си к’о суза!Как ты проницателен!
Дечко је бистар у пичку материну.Этот парень чертовски умен.
Али ниси баш бистар.Хотя и не очень сообразительный.
Да каже да ме је он послао, да сам бистар дечак да треба да идем у средњу школу и можда чак на факултет.Можно сказать, он отослал меня. Я был умным мальчиком. Я должен был пойти в среднюю школу и, может быть, даже в университет.
Каже да си бистар, одан и не фиксаш се.Он говорит, ты смышлен, надежен и не укуреный.
Усамљеник, рекао бих. Прилично бистар, помало недруштвен, љут на цео свет.Я ищу одиночек вроде Вас — достаточно умных, общительных и обиженных на весь мир.
-Знао сам да си бистар.— Видишь, Чак, я же говорил, что ты сообразительный.
Прилично си бистар, Чак.Ты сообразительный малый, Чак.
Мој најстарији син је веома бистар.У меня сын старший умный.
— Џон, изгледаш ми као бистар човек. — Хвала.— Джон, похоже, вы умный человек.
Претпостављам, мадам, да је вама сваки догађај бистар као да се јуче десио.Я полагаю, мадам, что Вам любой эпизод видится со всей четкостью.
Има везе, али није бистар.— Связи у него хорошие, но туповат. -Да, я знаю.
Не, тај клинац, бистар је.Этот парень очень даже… Он умный.

Чем аукнулось прошлое звезде 90-х Лике Стар

https://ria.ru/20210126/star-1594199883.html

Чем аукнулось прошлое звезде 90-х Лике Стар

Чем аукнулось прошлое звезде 90-х Лике Стар — РИА Новости, 27.01.2021

Чем аукнулось прошлое звезде 90-х Лике Стар

Лика Стар еще подростком стала известна как первая в России девушка-диджей, а затем взлетела на пьедестал славы с хитами «Би-би, такси» и «Одинокая Луна». Но в… РИА Новости, 27.01.2021

2021-01-26T18:08

2021-01-26T18:08

2021-01-27T15:27

шоубиз

италия

алла пугачева

звезды

знаменитости

лика стар

коронавирус covid-19

забытые звезды

/html/head/meta[@name=’og:title’]/@content

/html/head/meta[@name=’og:description’]/@content

https://cdnn21. img.ria.ru/images/07e5/01/16/1594182550_0:14:830:481_1920x0_80_0_0_fe40dbad7d24c97c89c3a7632e974b56.jpg

МОСКВА, 26 янв — РИА Новости. Лика Стар еще подростком стала известна как первая в России девушка-диджей, а затем взлетела на пьедестал славы с хитами «Би-би, такси» и «Одинокая Луна». Но в начале 2000-х она внезапно ушла со сцены.Ходили слухи, что к этому могла быть причастна Алла Пугачева. СМИ сообщали, что у Лики был роман с Владимиром Пресняковым-младшим, который в то время состоял в отношениях с Кристиной Орбакайте, и Примадонна этого якобы не простила. О том периоде в жизни певица рассказывала, в частности, в программе «Судьба человека с Борисом Корчевниковым» на телеканале «Россия 1».На самом деле в начале 2000-х, после трудного брака с бизнесменом Алексеем Мамонтовым, от которого в 1995 году Лика родила сына, она счастливо устроила свою личную жизнь.Певица вышла замуж за итальянского бизнесмена Анджело Сеччи и уехала жить на Сардинию. В этом браке родились сын и дочь. Судя по красочным фотографиям и комментариям в Instagram, своей жизнью бывшая звезда вполне довольна. Однако внезапно, спустя два десятка лет, о себе напомнило прошлое. Причем, как со знаком плюс, так и со знаком минус.В декабре 2020 года певицу пригласили в Москву, чтобы спустя четверть века вручить «Золотой граммофон» за «Одинокую Луну» — песню, которая во второй половине 1990-х была ее визитной карточкой, и которую до сих пор не могут забыть даже те, кто тогда были детьми и слушали ее вместе с родителями.Заслуженную награду Лика Стар получила благодаря тому, что ее ремейк под названием LUNA записал Иракли.»Я с ностальгией вспоминаю песни 90-ых и начала 00-ых. И сегодня рад представить ремейк на одну из любимых песен того времени», — написал он в комментарии к ролику.Позже, уже после церемонии награждения «Золотым граммофоном» (на которой сам он не мог присутствовать из-за того, что заболел коронавирусом), Иракли в своем Instagram обратился к Лике Стар.Ради получения этой награды певица прилетела из Италии в Москву. Добираться пришлось со сложностями из-за коронавирусных ограничений, но заветный «Золотой граммофон» Лика Стар получила лично. Однако вскоре после этого на одном из центральных телеканалов певице с неожиданной стороны аукнулись слухи конца 1990-х–начала 2000-х о том, что к ее исчезновению со сцены и из эфиров могла быть причастна Алла Пугачева. Это очень расстроило певицу.В интервью «Собеседнику» она рассказала, что из ее интервью оставили лишь одну фразу, а сама передача была посвящена артистам, карьеру которых якобы разрушила Пугачева.Она уверяет, что Пугачева ей кислород не перекрывала. «Я просто улетела в Италию и полностью погрузилась в семейную жизнь. При чем здесь вообще Пугачева?» – удивляется певица.Позже в Instagram она разъяснила подписчикам свою позицию по поводу скандальной передачи.Певица призналась, что ни на кого не держит обиды и зла, поскольку и сама в жизни «при разных обстоятельствах ошибалась не раз».»Но мои ошибки – это мое личное переживание», – отмечает певица, а ошибки других людей по отношению к ней – «это их переживания». «И я прощаю всем», – пишет Лика Стар.

https://ria.ru/20200227/1565291774. html

италия

москва

сардиния

РИА Новости

[email protected]

7 495 645-6601

ФГУП МИА «Россия сегодня»

https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/

2021

РИА Новости

[email protected]

7 495 645-6601

ФГУП МИА «Россия сегодня»

https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/

Новости

ru-RU

https://ria.ru/docs/about/copyright.html

https://xn--c1acbl2abdlkab1og.xn--p1ai/

РИА Новости

[email protected]

7 495 645-6601

ФГУП МИА «Россия сегодня»

https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/

https://cdnn21.img.ria.ru/images/07e5/01/16/1594182550_86:0:745:494_1920x0_80_0_0_c3f5df77e561fa6d1940650a3bc0d8de.jpg

РИА Новости

[email protected]

7 495 645-6601

ФГУП МИА «Россия сегодня»

https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/

РИА Новости

[email protected] ru

7 495 645-6601

ФГУП МИА «Россия сегодня»

https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/

италия, алла пугачева, звезды, знаменитости, лика стар, коронавирус covid-19, забытые звезды, карантин, москва, кристина орбакайте, собеседник , борис корчевников, сардиния, шоу-бизнес, инстаграм

МОСКВА, 26 янв — РИА Новости. Лика Стар еще подростком стала известна как первая в России девушка-диджей, а затем взлетела на пьедестал славы с хитами «Би-би, такси» и «Одинокая Луна». Но в начале 2000-х она внезапно ушла со сцены.

Ходили слухи, что к этому могла быть причастна Алла Пугачева. СМИ сообщали, что у Лики был роман с Владимиром Пресняковым-младшим, который в то время состоял в отношениях с Кристиной Орбакайте, и Примадонна этого якобы не простила. О том периоде в жизни певица рассказывала, в частности, в программе «Судьба человека с Борисом Корчевниковым» на телеканале «Россия 1».

На самом деле в начале 2000-х, после трудного брака с бизнесменом Алексеем Мамонтовым, от которого в 1995 году Лика родила сына, она счастливо устроила свою личную жизнь.

Певица вышла замуж за итальянского бизнесмена Анджело Сеччи и уехала жить на Сардинию. В этом браке родились сын и дочь. Судя по красочным фотографиям и комментариям в Instagram, своей жизнью бывшая звезда вполне довольна.

Однако внезапно, спустя два десятка лет, о себе напомнило прошлое. Причем, как со знаком плюс, так и со знаком минус.

В декабре 2020 года певицу пригласили в Москву, чтобы спустя четверть века вручить «Золотой граммофон» за «Одинокую Луну» — песню, которая во второй половине 1990-х была ее визитной карточкой, и которую до сих пор не могут забыть даже те, кто тогда были детьми и слушали ее вместе с родителями.

Заслуженную награду Лика Стар получила благодаря тому, что ее ремейк под названием LUNA записал Иракли.

«Я с ностальгией вспоминаю песни 90-ых и начала 00-ых. И сегодня рад представить ремейк на одну из любимых песен того времени», — написал он в комментарии к ролику.Позже, уже после церемонии награждения «Золотым граммофоном» (на которой сам он не мог присутствовать из-за того, что заболел коронавирусом), Иракли в своем Instagram обратился к Лике Стар.

«Очень приятно, так как ты заслужила его раньше, и справедливость восторжествовала», — признал Иракли.

Ради получения этой награды певица прилетела из Италии в Москву. Добираться пришлось со сложностями из-за коронавирусных ограничений, но заветный «Золотой граммофон» Лика Стар получила лично.

Однако вскоре после этого на одном из центральных телеканалов певице с неожиданной стороны аукнулись слухи конца 1990-х–начала 2000-х о том, что к ее исчезновению со сцены и из эфиров могла быть причастна Алла Пугачева. Это очень расстроило певицу.

В интервью «Собеседнику» она рассказала, что из ее интервью оставили лишь одну фразу, а сама передача была посвящена артистам, карьеру которых якобы разрушила Пугачева.

«Некий конфликт с ней у меня, несомненно, был, но это дела уже давно минувших дней. Мы с Аллой Борисовной давно об этом забыли, а журналисты почему-то помнят», – говорит Лика Стар.

Она уверяет, что Пугачева ей кислород не перекрывала. «Я просто улетела в Италию и полностью погрузилась в семейную жизнь. При чем здесь вообще Пугачева?» – удивляется певица.

Позже в Instagram она разъяснила подписчикам свою позицию по поводу скандальной передачи.

Певица призналась, что ни на кого не держит обиды и зла, поскольку и сама в жизни «при разных обстоятельствах ошибалась не раз».

«Но мои ошибки – это мое личное переживание», – отмечает певица, а ошибки других людей по отношению к ней – «это их переживания». «И я прощаю всем», – пишет Лика Стар.

27 февраля 2020, 17:47КультураПевица Лика Стар обвинила Пугачеву в крахе своей карьеры

Статуя Роналду на Гоа вызвала возмущение у местных жителей и активистов :: Футбол :: РБК Спорт

Статуя весом 410 кг была установлена в Калангуте. Местные активисты сочли оскорбительным установку такого памятника в юбилей присоединения бывшей португальской колонии к Индии

Читайте нас в

Новости Новости

Фото: Getty Images

Недавно открытая в индийском штате Гоа статуя португальского футболиста «Манчестер Юнайтед» Криштиану Роналду вызвала противоречивую реакцию местных жителей, сообщает Би-би-си.

Статуя весом 410 кг была установлена в Калангуте в штате Гоа, где футбол очень популярен. При этом Гоа — бывшая португальская колония, которая  60 лет назад была присоединена к Индии.

Активист Гуру Широдкар заявил, что «в Гоа много оскорбленных борцов за свободу». «Установить в этом году памятник португальскому футболисту — кощунственно. Мы осуждаем это», — сказал Широдкар.

Статую Марадоны установили в аэропорту Буэнос-Айреса

Другие противники установки статуи считают, что индийские футболисты, такие как Самир Наик и Бруно Коутиньо, заслуживают памятника не меньше. Как сообщает газета Times of India, во время открытия статуи некоторые люди в знак протеста размахивали черными флагами.

В Индии самым популярным видом спорта является крикет, но в ряде регионов страны, в том числе в штатах Гоа и Керала, большой популярностью пользуется Английская премьер-лига, в которой в настоящее время выступает 36-летний Роналду.

Автор

Анна Сатдинова

Јокић изједначио Барклијев рекорд стар 23 године

Кошаркаши Денвера победили су прошле ноћи у гостима екипу Лос Анђелес Клиперса са 103:100, уз још једну сјајну партију српског центра Николе Јокића.

Јокић је за 38 минута на терену забележио 26 поена, 22 скока и осам асистенција и тако водио свој тим до 16. победе ове сезоне.

Он је тако постао први играч од Чарлса Барклија и 1988. године који је на две узастопне утакмице уписао најмање 25 поена, 20 скокова и пет асистенција.

Такође, Јокић сада има шест утакмица са најмање 20 поена и 20 скокова што је највише у историји тима откако је Денвер дошао у НБА лигу у сезони 1976/77.

Када је реч о самој утакмици, Клиперси су у трећој четвртини успели да избришу заостатак од 17 поена, водили су у четвртој са 83:79, али је Денвер у неизвесној завршници ипак стигао до тријумфа, пренела је Бета.

Прво је Лук Кенард тројком 19 секунди пре краја донео Клиперсима 101:100, након чега је Јокић, после фаула Ерика Бледсоа, био сигуран са линије за слободна бацања и тако потврдио победу свог тима. Последњи шут Клиперса „узео” је Брендон Бостон, али није погодио.

Јокића су најбоље пратили Вил Бартон са 17, Дејвон Рид са 15 и Остин Ривер и Монте Морис са по 12 поена.

У редовима Клиперса, који су играли без Пола Џорџа, најбољи су били Бостон и Бледсо са по 18 поена, док је Ивица Зубац уписао 17 поена и 11 скокова.

Кошаркаши Оклахоме су на свом терену победили Њу Орлеанс са 117:112.

Шеј Гилџес Александер са 31 поеном предводио Оклахому, Ерон Вигинс је додао 24, док је српски кошаркаш Алексеј Покушевски за осам минута на терену уписао два поена и по један скок и асистенцију. У тиму Њу Орлеанса најефикаснији је био Џош Харт са 29 поена и десет скокова.

Кошаркаши Филаделфије славили су у гостима против Вашингтона са 117:96, предвођени Џоелом Ембидом који је убацио 36 поена уз 13 скокова.

Ембида је најбоље пратио Тобијас Херис са 23 поена, док је у редовима Вашингтона најефикаснији био Спенсер Динвиди са 17 поена.

Оба тима сада имају скор 17/16.

Кевин Лав и Даријус Гренланд су постигли по 22 поена, а Кливленд је изједначио рекорд франшизе са 46 поена у трећој четвртини како би победио Торонто на свом терену са 144:99.

Лаури Марканен је додао 20 поена за победнички тим који је у последњој деоници имао и 47 поена предности.

У екипи Торонта најбољи је био Јута Ватанабе са 26 поена и 13 скокова.

Мајами је победио Орландо са 93:83, уз дабл-дабл Џимија Батлера од 17 поена и 11 скокова, а исти број поена убацио је и Кејлеб Мартин. На другој страни, Гери Херис је убацио 20 поена.

Кошаркаши Чикага су славили против Индијане са 113:105 за своју трећу победу у низу. Зек Лавин је постигао 32 поена, Демар Дерозан је додао 24, док је Никола Вучевић уписао 16 поена и 15 скокова.

Мемфис је други пут у десет дана победио Сакраменто, овог пута са 127:102. Најефикаснији у победничком тиму био је Дезмонд Бејн са 28 поена, док је Џа Морант додао 18, уз девет асистенција и седам скокова и тако помогао свом тиму да прекине низ од три пораза.

Кошаркаши Сан Антонија су били бољи од Детроита са 144:109 за трећу победу у низу, а четврту у последњих пет утакмица. Најбољи у победничком тиму био је Келдон Џонсон са 27 поена.

На прага на сензация – първият автомобил може да не е на Карл Бенц

В Лайпциг беше открита кола с двигател с вътрешно горене, която вероятно е по-стара

Любопитна находка на членовете на Ost Klassiker Club Wolkramshausen от Лайпциг може да преобърне историята на автомобила. Те са открили в стара къща в града кола с двигател с вътрешно горене и 3 колела, като са я купили за няколкостотин евро от живеещата там възрастна жена.



След като са почистили превозното средство, германците са осъзнали, че пред тях стои един от първите автомобили на планетата. Според Хуберт Рейн, известен експерт по антични превозни средства, тази кола може би е направена преди триколката на Карл Бенц от 1886 г., която официално се води като първия автомобил с двигател с вътрешно горене.

Представители на Музея на транспорта в Дрезден подкрепят това твърдение, като посочват и основен аргумент в негова полза – колата на Карл Бенц е от метал, докато в откритата в Източна Германия машина е използвано предимно дърво. От него са каросерията, спиците и седалките.



На помощ на членовете на автомобилния клуб вече са се притекли физици и дори криминалисти. Те заедно внимателно изучават триколесната находка и всеки от нейните елементи поотделно. Дължината на машината е малко над 2 метра, като тя има едноцилиндров двигател с обем 140-150 куб. см, две скорости и кормилна щанга със спирачка. Триколката няма сериен номер с изключение на числото „24“, което може да се прочете на двигателя.

Засега експертите от Музея на транспорта в Дрезден, както и тези от Музея на Mercedes-Benz в Щутгарт не могат да установят произхода на колата. Според Хуберт Рейн, всички характеристики до момента показват, че това е професионално изпълнение, а не проект на любители, създаден в гараж.



Експертът обаче посочва две неща, които ще помогнат за разрешаване на загадката. Първата е цветът – по повърхността на каросерията се виждат следи от тюркоазено зелена боя с жълти линии. Това напомня за автомобил на Opel с патентован двигател System Lutzmann. Негов създател е Фридрих Луцман, който в наши дни е малко известен, но е един от пионерите на автомобилната индустрия. Той е имал собствена работилница в Десау и е сочен като създателя на първото такси в Германия.

По-късно Луцман приема предложението на братята Опел, които го назначават за директор на завода в Рюселхайм. Под негово ръководство там се произвеждат бензинови двигатели с мощност 3,5 к.с. Личността на Луцман обаче е доста противоречива, тъй като той е активен член на антисемитското сдружение в Десау.



Втората точка за името на намерения в Лайпциг автомобил води към младата ГДР. В същата къща е намерен и знак на участник в ралита с класически коли, които редовно се организират в града през 50-те години на миналия век. Сега се издирват негови познати или роднини, които може да знаят нещо за намерената кола.

Самата тя вече се съхранява на тайно място в Северна Тюрингия, като членовете на Ost Klassiker Club Wolkramshausen заедно с технически експерти, продължават старателно да изучават и анализират автомобила. И е напълно възможно той да се превърне в сензацията, която ще промени историята. При това още през предстоящата 2022 г.

Още снимки на открития в Лайпциг автомобил — вижте в галерията:

1 от 9 | най-стар автомобил

Снимки: MDR

Още по темата:

  • Техните собственици дори не са предполагали с какви съкровища разполагат

  • Компанията толкова се срамуваше от BX 4TC, че се опита да откупи и унищожи всички бройки

  • От Запорожец до Opel Rekord D — ето колко струваха автомобилите в «Кореком»

Понимание звездообразной схемы и важности для Power BI — Power BI

  • Статья
  • .
  • 18 минут на чтение
Эта страница полезна?

Оцените свой опыт

да Нет

Любой дополнительный отзыв?

Отзыв будет отправлен в Microsoft: при нажатии кнопки «Отправить» ваш отзыв будет использован для улучшения продуктов и услуг Microsoft.Политика конфиденциальности.

Представлять на рассмотрение

В этой статье

Эта статья предназначена для разработчиков моделей данных Power BI Desktop. В нем описывается структура звездообразной схемы и ее значение для разработки моделей данных Power BI, оптимизированных для повышения производительности и удобства использования.

Эта статья не предназначена для полного обсуждения конструкции звездообразной схемы.Для получения дополнительных сведений обратитесь непосредственно к опубликованному контенту, например The Data Warehouse Toolkit: The Definitive Guide to Dimensional Modeling (3-е издание, 2013 г.) Ральфа Кимбалла и др.

Обзор звездообразной схемы

Схема «звезда» — это зрелый подход к моделированию, широко используемый в реляционных хранилищах данных. Это требует, чтобы разработчики моделей классифицировали свои таблицы моделей как размер или факт .

Таблицы измерений описывают бизнес-объекты — вещей, которые вы моделируете.Сущности могут включать в себя продукты, людей, места и концепции, включая само время. Самая согласованная таблица, которую вы найдете в схеме «звезда», — это таблица измерения даты. Таблица измерений содержит ключевой столбец (или столбцы), который действует как уникальный идентификатор, и описательные столбцы.

Таблицы фактов хранят наблюдения или события и могут быть заказами на продажу, остатками на складе, обменными курсами, температурами и т. Д. Таблица фактов содержит ключевые столбцы измерений, которые относятся к таблицам измерений, и столбцы числовых показателей.Столбцы ключей измерения определяют размерность таблицы фактов, а значения ключа измерения определяют степень детализации таблицы фактов. Например, рассмотрим таблицу фактов, предназначенную для хранения целей продаж, в которой есть два ключевых столбца измерения: Date и ProductKey . Легко понять, что таблица имеет два измерения. Однако степень детализации не может быть определена без учета значений ключей измерения. В этом примере учтите, что значения, хранящиеся в столбце Date , являются первым днем ​​каждого месяца.В этом случае детализация находится на уровне продукта по месяцам.

Обычно таблицы измерений содержат относительно небольшое количество строк. Таблицы фактов, с другой стороны, могут содержать очень большое количество строк и со временем продолжают расти.

Нормализация против денормализации

Чтобы понять некоторые концепции звездообразной схемы, описанные в этой статье, важно знать два термина: нормализация и денормализация.

Нормализация — это термин, используемый для описания данных, которые хранятся таким образом, чтобы уменьшить количество повторяющихся данных.Рассмотрим таблицу продуктов, в которой есть столбец уникального значения ключа, например ключ продукта, и дополнительные столбцы, описывающие характеристики продукта, включая название продукта, категорию, цвет и размер. Таблица продаж считается нормализованной, если в ней хранятся только ключи, например ключ продукта. Обратите внимание, что на следующем изображении продукт записывается только в столбце ProductKey .

Если, однако, в таблице продаж хранятся подробные сведения о продукте, помимо ключа, это считается денормализованным . На следующем изображении обратите внимание, что ProductKey и другие столбцы, связанные с продуктом, записывают продукт.

Когда вы получаете данные из файла экспорта или извлечения данных, вполне вероятно, что он представляет денормализованный набор данных. В этом случае используйте Power Query для преобразования и преобразования исходных данных в несколько нормализованных таблиц.

Как описано в этой статье, вы должны стремиться к разработке оптимизированных моделей данных Power BI с таблицами, представляющими нормализованные данные.

Соответствие звездообразной схемы моделям Power BI

Схема

Star и многие связанные концепции, представленные в этой статье, очень важны для разработки моделей Power BI, оптимизированных для производительности и удобства использования.

Учтите, что каждый визуальный элемент отчета Power BI генерирует запрос, который отправляется в модель Power BI (которую служба Power BI вызывает набор данных). Эти запросы используются для фильтрации, группировки и суммирования данных модели. Таким образом, хорошо спроектированная модель — это та, которая предоставляет таблицы для фильтрации и группировки и таблицы для подведения итогов.Этот дизайн хорошо соответствует принципам звездообразной схемы:

  • Таблицы размеров поддерживают фильтрацию и группировку
  • Таблицы фактов поддерживают обобщение

Не существует свойства таблицы, которое разработчики моделей задали бы для настройки типа таблицы как измерения или факта. Фактически это определяется модельными отношениями. Отношение модели устанавливает путь распространения фильтра между двумя таблицами, и именно свойство Cardinality отношения определяет тип таблицы.Общее количество элементов отношения — «один ко многим» или обратное «многие к одному» . Сторона «один» всегда является таблицей размерного типа, в то время как сторона «многие» всегда является таблицей типа фактов. Дополнительные сведения об отношениях см. В разделе Отношения модели в Power BI Desktop.

Хорошо структурированный дизайн модели должен включать таблицы, которые являются таблицами типа измерений или таблиц типа фактов. Избегайте смешивания двух типов вместе для одной таблицы. Мы также рекомендуем стремиться создать нужное количество таблиц с правильными отношениями.Также важно, чтобы таблицы типов фактов всегда загружали данные с согласованной степенью детализации.

Наконец, важно понимать, что оптимальный дизайн модели — это отчасти наука, а отчасти искусство. Иногда вы можете порвать с хорошим руководством, когда это имеет смысл.

Существует множество дополнительных концепций, связанных с проектированием звездообразной схемы, которые можно применить к модели Power BI. Эти концепции включают:

Меры

В дизайне звездообразной схемы показатель представляет собой столбец таблицы фактов, в котором хранятся значения для суммирования.

В модели Power BI показатель имеет другое, но похожее определение. Это формула, написанная в выражениях анализа данных (DAX), позволяющая суммировать данные. Выражения меры часто используют функции агрегирования DAX, такие как SUM, MIN, MAX, AVERAGE и т. Д., Для получения результата скалярного значения во время запроса (значения никогда не сохраняются в модели). Выражение меры может варьироваться от простого агрегирования столбцов до более сложных формул, которые переопределяют контекст фильтра и / или распространение отношений.Дополнительные сведения см. В статье «Основы DAX в Power BI Desktop».

Важно понимать, что модели Power BI поддерживают второй метод суммирования. Любой столбец — и обычно числовые — можно резюмировать с помощью визуального элемента отчета или вопросов и ответов. Эти столбцы называются неявными мерами . Они предлагают удобство для вас как разработчика модели, поскольку во многих случаях вам не нужно создавать меры. Например, столбец Продажи торгового посредника Adventure Works Сумма продаж может быть суммирован множеством способов (сумма, количество, среднее, среднее, минимальное, максимальное и т. Д.) без необходимости создавать меру для каждого возможного типа агрегирования.

Однако есть три веские причины для создания показателей даже для простых суммирований на уровне столбцов:

  • Если вы знаете, что авторы вашего отчета будут запрашивать модель с помощью многомерных выражений (MDX), модель должна включать явных мер . Явные меры определяются с помощью DAX. Этот подход к проектированию очень актуален, когда набор данных Power BI запрашивается с помощью многомерных выражений, поскольку многомерные выражения не могут обеспечить суммирование значений столбцов.Примечательно, что многомерные выражения будут использоваться при выполнении анализа в Excel, поскольку сводные таблицы выдают запросы многомерных выражений.
  • Если вы знаете, что авторы ваших отчетов будут создавать отчеты Power BI с разбивкой на страницы с помощью конструктора запросов многомерных выражений, модель должна включать явные меры. Только конструктор запросов многомерных выражений поддерживает агрегаты сервера. Таким образом, если авторам отчетов требуется оценка показателей с помощью Power BI (а не механизма отчетов с разбивкой на страницы), они должны использовать конструктор запросов многомерных выражений.
  • Когда вам нужно убедиться, что авторы отчетов могут суммировать только столбцы определенным образом.Например, столбец Продажи торгового посредника Цена за единицу (который представляет ставку за единицу) может быть суммирован, но только с использованием определенных функций агрегирования. Его никогда не следует суммировать, но уместно суммировать, используя другие функции агрегирования, такие как min, max, average и т. Д. В этом случае разработчик моделей может скрыть столбец Цена за единицу и создать меры для всех соответствующих функций агрегирования.

Этот подход к разработке хорошо подходит для отчетов, создаваемых в службе Power BI, а также для вопросов и ответов.Однако живые подключения Power BI Desktop позволяют авторам отчетов отображать скрытые поля на панели Fields , что может привести к обходу этого подхода к проектированию.

Суррогатные ключи

Суррогатный ключ — это уникальный идентификатор, который вы добавляете в таблицу для поддержки моделирования звездообразной схемы. По определению, он не определен и не хранится в исходных данных. Обычно суррогатные ключи добавляются в таблицы измерений реляционного хранилища данных, чтобы предоставить уникальный идентификатор для каждой строки таблицы измерений.

Взаимосвязи модели Power BI основаны на одном уникальном столбце в одной таблице, который распространяет фильтры на один столбец в другой таблице. Если таблица размерного типа в вашей модели не включает ни одного уникального столбца, вы должны добавить уникальный идентификатор, чтобы стать «одной» стороной отношения. В Power BI Desktop вы можете легко выполнить это требование, создав столбец индекса Power Query.

Вы должны объединить этот запрос с запросом на стороне «многие», чтобы вы также могли добавить к нему столбец индекса.Когда вы загружаете эти запросы в модель, вы можете затем создать отношение «один ко многим» между таблицами модели.

Размер снежинки

Размер снежинки — это набор нормализованных таблиц для одного бизнес-объекта. Например, Adventure Works классифицирует продукты по категориям и подкатегориям. Категории назначаются подкатегориям, а продукты, в свою очередь, назначаются подкатегориям. В реляционном хранилище данных Adventure Works измерение продукта нормализуется и сохраняется в трех связанных таблицах: DimProductCategory , DimProductSubcategory и DimProduct .

Если вы задействуете свое воображение, вы можете изобразить нормализованные таблицы, расположенные снаружи от таблицы фактов, образуя рисунок снежинки.

В Power BI Desktop вы можете имитировать дизайн измерения «снежинка» (возможно, потому, что это делают ваши исходные данные) или интегрировать (денормализовать) исходные таблицы в одну таблицу модели. Как правило, преимущества одной модельной таблицы перевешивают преимущества нескольких модельных таблиц. Наиболее оптимальное решение может зависеть от объемов данных и требований к удобству использования модели.

Если вы решили имитировать размерный дизайн снежинки:

  • Power BI загружает больше таблиц, что менее эффективно с точки зрения хранения и производительности. Эти таблицы должны включать столбцы для поддержки взаимосвязей моделей, и это может привести к увеличению размера модели.
  • Необходимо будет пройти более длинные цепочки распространения фильтров взаимосвязи, что, вероятно, будет менее эффективным, чем фильтры, применяемые к одной таблице.
  • Панель Fields представляет больше таблиц моделей для авторов отчетов, что может привести к менее интуитивному восприятию, особенно когда таблицы измерений снежинок содержат только один или два столбца.
  • Невозможно создать иерархию, охватывающую таблицы.

Когда вы выбираете интеграцию в одну таблицу модели, вы также можете определить иерархию, которая охватывает наивысшую и низкую степень детализации измерения. Возможно, хранение избыточных денормализованных данных может привести к увеличению размера хранилища модели, особенно для очень больших таблиц измерений.

Медленно меняющиеся размеры

Медленно изменяющееся измерение (SCD) — это измерение, которое надлежащим образом управляет изменением элементов измерения с течением времени.Он применяется, когда ценности бизнес-объекта меняются с течением времени и нерегулярно. Хорошим примером медленно меняющегося измерения и является измерение клиента, в частности столбцы его контактной информации, такие как адрес электронной почты и номер телефона. Напротив, некоторые измерения считаются быстро изменяющимися на при частом изменении атрибута измерения, например, рыночной цены акции. Общий подход к проектированию в этих случаях заключается в хранении быстро изменяющихся значений атрибутов в мере таблицы фактов.

Теория проектирования звездообразной схемы

относится к двум распространенным типам SCD: типу 1 и типу 2. Таблица размерного типа может иметь тип 1 или тип 2 или поддерживать оба типа одновременно для разных столбцов.

Тип 1 SCD

A Тип 1 SCD всегда отражает самые последние значения, и при обнаружении изменений в исходных данных данные таблицы измерений перезаписываются. Такой подход к проектированию характерен для столбцов, в которых хранятся дополнительные значения, такие как адрес электронной почты или номер телефона клиента.При изменении адреса электронной почты или номера телефона клиента таблица измерений обновляет строку клиента новыми значениями. Как будто у покупателя всегда была эта контактная информация.

При неинкрементном обновлении таблицы типа измерения модели Power BI достигается результат SCD типа 1. Он обновляет данные таблицы, чтобы гарантировать загрузку последних значений.

Тип 2 SCD

A Тип 2 SCD поддерживает управление версиями элементов измерения. Если исходная система не хранит версии, то обычно процесс загрузки хранилища данных обнаруживает изменения и соответствующим образом управляет изменениями в таблице измерений.В этом случае таблица измерения должна использовать суррогатный ключ, чтобы предоставить уникальную ссылку на версии элемента измерения. Он также включает столбцы, которые определяют срок действия версии в диапазоне дат (например, StartDate и EndDate ) и, возможно, столбец флагов (например, IsCurrent ) для простой фильтрации по текущим элементам измерения.

Например, Adventure Works назначает продавцов в регион продаж. Когда продавец перемещает регион, должна быть создана новая версия продавца, чтобы гарантировать, что исторические факты остаются связанными с прежним регионом.Чтобы обеспечить точный исторический анализ продаж по продавцам, в таблице измерений должны храниться версии продавцов и связанные с ними регионы. Таблица также должна включать значения даты начала и окончания, чтобы определить срок действия. В текущих версиях может быть указана пустая дата окончания (или 31 декабря 1999 г.), что указывает на то, что строка является текущей версией. Таблица также должна определять суррогатный ключ, потому что бизнес-ключ (в данном случае идентификатор сотрудника) не будет уникальным.

Важно понимать, что, когда исходные данные не хранят версии, вы должны использовать промежуточную систему (например, хранилище данных) для обнаружения и сохранения изменений.Процесс загрузки таблицы должен сохранять существующие данные и обнаруживать изменения. При обнаружении изменения в процессе загрузки таблицы должна истечь текущая версия. Он записывает эти изменения, обновляя значение EndDate и вставляя новую версию со значением StartDate , начинающимся с предыдущего значения EndDate . Кроме того, связанные факты должны использовать поиск на основе времени, чтобы получить значение ключа измерения, относящееся к дате факта. Модель Power BI с использованием Power Query не может дать такого результата. Однако он может загружать данные из предварительно загруженной таблицы размеров SCD типа 2.

Модель Power BI должна поддерживать запросы исторических данных для члена, независимо от изменений, и для версии члена, которая представляет конкретное состояние члена во времени. В контексте Adventure Works этот дизайн позволяет вам запрашивать продавца независимо от назначенного региона продаж или для конкретной версии продавца.

Для выполнения этого требования таблица типа измерения модели Power BI должна включать столбец для фильтрации продавца и другой столбец для фильтрации конкретной версии продавца.Важно, чтобы в столбце версии содержалось недвусмысленное описание, например «Майкл Блайт (15.12.2008 — 26.06.2019)» или «Майкл Блайт (текущий)». Также важно информировать авторов отчетов и потребителей об основах SCD типа 2 и о том, как добиться надлежащего дизайна отчетов с помощью правильных фильтров.

Также хорошей практикой проектирования является включение иерархии, которая позволяет визуальным элементам переходить на уровень версии.

Ролевые размеры

Ролевое измерение — это измерение, которое может фильтровать связанные факты по-разному.Например, в Adventure Works таблица измерения даты имеет три отношения к фактам продаж торгового посредника. Эту же таблицу измерений можно использовать для фильтрации фактов по дате заказа, дате отгрузки или дате доставки.

В хранилище данных принятый подход к проектированию заключается в определении единой таблицы измерения даты. Во время запроса «роль» измерения даты определяется тем, какой столбец фактов вы используете для объединения таблиц. Например, когда вы анализируете продажи по дате заказа, объединение таблицы относится к столбцу даты заказа на продажу торгового посредника.

В модели Power BI этот дизайн можно имитировать, создав несколько связей между двумя таблицами. В примере Adventure Works таблица даты и продаж торгового посредника будет иметь три отношения. Хотя такая конструкция возможна, важно понимать, что между двумя таблицами модели Power BI может быть только одна активная связь. Все остальные связи должны быть отключены. Наличие одного активного отношения означает, что фильтр по умолчанию распространяется от даты до продаж торговых посредников.В этом случае активная связь установлена ​​на наиболее распространенный фильтр, используемый отчетами, который в Adventure Works является отношением даты заказа.

Единственный способ использовать неактивную связь — это определить выражение DAX, которое использует функцию USERELATIONSHIP. В нашем примере разработчик модели должен создать меры, позволяющие анализировать продажи торговых посредников по дате отгрузки и дате доставки. Эта работа может быть утомительной, особенно когда таблица торговых посредников определяет множество показателей.Это также создает беспорядок на панелях Fields с избытком мер. Есть и другие ограничения:

  • Когда авторы отчетов полагаются на итоговые столбцы, а не на определение показателей, они не могут достичь суммирования для неактивных отношений без написания меры на уровне отчета. Меры на уровне отчета можно определить только при создании отчетов в Power BI Desktop.
  • Имея только один активный путь взаимосвязи между датой и продажами торгового посредника, невозможно одновременно фильтровать продажи торгового посредника по разным типам дат.Например, вы не можете создать визуал, который отображает продажи по дате заказа по отгруженным продажам.

Чтобы преодолеть эти ограничения, общий метод моделирования Power BI заключается в создании таблицы типа измерения для каждого ролевого экземпляра. Обычно вы создаете дополнительные таблицы измерений как вычисляемые таблицы с помощью DAX. Используя вычисляемые таблицы, модель может содержать таблицу Date, , Ship Date, table и Delivery Date, , каждая из которых имеет единственную и активную связь с соответствующими столбцами таблицы продаж торговых посредников.

Этот подход к проектированию не требует, чтобы вы определяли несколько показателей для разных ролей даты, и он позволяет одновременную фильтрацию по разным ролям даты. Однако небольшая цена, которую придется заплатить при таком подходе к проектированию, состоит в том, что будет дублирование таблицы измерений даты, что приведет к увеличению размера хранилища модели. Поскольку таблицы типов измерений обычно хранят меньше строк по сравнению с таблицами типов фактов, это редко вызывает беспокойство.

При создании таблиц типов измерений модели для каждой роли соблюдайте следующие передовые методы проектирования:

  • Убедитесь, что имена столбцов описывают сами себя.Хотя можно иметь столбец год и во всех таблицах дат (имена столбцов в их таблице уникальны), по умолчанию визуальные заголовки не являются самоописываемыми. Рассмотрите возможность переименования столбцов в каждой таблице ролей измерения, чтобы в таблице Дата отгрузки был столбец года с именем Год отгрузки и т. Д.
  • Если необходимо, убедитесь, что описания таблиц предоставляют авторам отчетов обратную связь (через всплывающие подсказки панели Поля ) о том, как настроено распространение фильтра. Эта ясность важна, когда модель содержит таблицу с общим именем, например Date , которая используется для фильтрации многих таблиц типов фактов. В случае, если эта таблица имеет, например, активную связь со столбцом даты заказа на продажу торгового посредника, рассмотрите возможность предоставления описания таблицы, например «Фильтрация продаж торгового посредника по дате заказа».

Для получения дополнительной информации см. Руководство по отношениям между активным и неактивным.

Размер утиля

Измерение нежелательной почты полезно, когда существует много измерений, особенно состоящих из нескольких атрибутов (возможно, одного), и когда эти атрибуты имеют мало значений.Хорошие кандидаты включают столбцы статуса заказа или демографические столбцы клиентов (пол, возрастная группа и т. Д.).

Целью проектирования ненужного измерения является объединение многих «маленьких» измерений в одно измерение, чтобы уменьшить размер хранилища модели, а также уменьшить беспорядок на панелях Fields за счет отображения меньшего количества таблиц модели.

Нежелательная таблица измерения обычно представляет собой декартово произведение всех элементов атрибутов измерения со столбцом суррогатного ключа. Суррогатный ключ обеспечивает уникальную ссылку на каждую строку в таблице.Вы можете создать измерение в хранилище данных или с помощью Power Query создать запрос, который выполняет полные внешние соединения запросов, а затем добавляет суррогатный ключ (столбец индекса).

Вы загружаете этот запрос в модель как таблицу размерного типа. Вам также необходимо объединить этот запрос с запросом фактов, чтобы столбец индекса был загружен в модель для поддержки создания отношения модели «один ко многим».

Вырожденные размеры

Вырожденное измерение относится к атрибуту таблицы фактов, который требуется для фильтрации.В Adventure Works хорошим примером является номер заказа на продажу торгового посредника. В этом случае создание независимой таблицы, состоящей только из одного этого столбца, не имеет смысла при проектировании модели, поскольку это увеличит размер хранилища модели и приведет к беспорядку на панелях Fields и .

В модели Power BI может оказаться целесообразным добавить столбец номера заказа на продажу в таблицу типов фактов, чтобы разрешить фильтрацию или группировку по номеру заказа на продажу. Это исключение из ранее введенного правила, согласно которому вы не должны смешивать типы таблиц (как правило, таблицы модели должны быть либо типами измерений, либо типами фактов).

Однако, если в таблице продаж реселлеров Adventure Works есть столбцы с номерами заказов и , и они необходимы для фильтрации, вырожденная таблица измерений будет хорошей конструкцией. Для получения дополнительной информации см. Руководство по отношениям «один к одному» (вырожденные измерения).

Таблицы фактов

Таблица фактов, не содержащих фактов, не содержит столбцов показателей. Он содержит только ключи размеров.

В таблице фактов, не содержащих фактов, могут храниться наблюдения, определенные ключами измерений.Например, в определенный день и время конкретный клиент вошел на ваш веб-сайт. Вы можете определить меру для подсчета строк таблицы фактов, не содержащих фактов, для анализа того, когда и сколько клиентов вошли в систему.

Более убедительное использование таблицы фактов без фактов — это хранение взаимосвязей между измерениями, и именно с помощью подхода к проектированию модели Power BI мы рекомендуем определять отношения «многие ко многим». В дизайне отношений «многие ко многим» таблица фактов без фактов упоминается как связующая таблица .

Например, предположим, что продавцы могут быть отнесены к одному или нескольким регионам продаж . Связывающая таблица должна быть спроектирована как таблица фактов, не содержащая фактов, состоящая из двух столбцов: ключа продавца и ключа региона. В обоих столбцах могут храниться повторяющиеся значения.

Этот подход к проектированию «многие ко многим» хорошо документирован, и его можно реализовать без таблицы мостов. Однако подход с использованием таблицы мостов считается наилучшей практикой при связывании двух измерений. Дополнительные сведения см. В разделе «Руководство по отношениям« многие ко многим »(связать две таблицы размерного типа»).

Следующие шаги

Дополнительные сведения о дизайне звездообразной схемы или модели Power BI см. В следующих статьях:

Power BI — звездообразная схема или одна таблица

В основе любого решения бизнес-аналитики лежит его модель данных. Power BI не является исключением: качественная модель данных позволяет создавать надежные и мощные решения, которые будут работать как ветер в течение многих лет.Плохая модель данных часто может быть причиной провала всего проекта. Скорость, надежность и мощность решения проистекают из одного источника: хорошей модели данных. Смеем добавить: если проект обречен на провал, лучше, чтобы он провалился как можно скорее. Проект, разрабатывавшийся годами и основанный на неправильной модели, упадет с большей высоты и нанесет только больший ущерб.

Модель данных — это первый выбор, который вы должны сделать как разработчик бизнес-аналитики, и вы хотите сделать правильный выбор. Из-за важности модели данных за последние несколько лет разработчики бизнес-аналитики потратили много энергии на разработку шаблонов и методов, которые гарантируют прочную основу для проекта.Плодом этого грандиозного предприятия стало определение звездных схем. Если вы спросите опытного разработчика бизнес-аналитики, как построить правильную модель данных, вы всегда получите один и тот же ответ: построение звездообразной схемы. Компания SQLBI не исключение. Звездообразные схемы лежат в основе учебных курсов по моделированию данных, которые мы разработали и которые мы проводим.

Причина, по которой опытные профессионалы бизнес-аналитики всегда выбирают звездообразную схему, заключается в том, что они несколько раз терпели неудачу с другими моделями. Все это время решением их проблем было построение звездообразной схемы.Вы можете сделать одну, две, десять ошибок. После этого вы научитесь доверять звездным схемам. Вот как вы становитесь экспертом: после множества ошибок вы наконец узнаете, как их избежать.

Иногда человек, ответственный за принятие такого важного решения, терпит неудачу достаточно много раз, и он поддается искушению попробовать другую модель. Среди множества разных склонностей, которые они могут иметь, действительно заманчиво одно: один большой стол. Внутренний монолог обычно выглядит примерно так:

Почему я должен иметь продукты, продажи, дату и клиентов в отдельных таблицах? Не лучше ли хранить все в одной таблице с именем «Продажи», содержащей всю информацию? В конце концов, каждый запрос, который я когда-либо выполняю, всегда будет начинаться с отдела продаж.Сохраняя все в одной таблице, я избегаю расплачиваться за отношения во время запроса, поэтому моя модель будет быстрее.

Существует несколько причин, по которым одна большая таблица не лучше звездообразной схемы. Как бы то ни было, здесь упор делается исключительно на производительность. Верно ли, что одна таблица быстрее звездообразной схемы? В конце концов, все мы знаем, что объединение двух таблиц — дорогостоящая операция. Поэтому кажется разумным думать, что устранение проблемы объединений приводит к тому, что модель работает быстрее.Кроме того, с появлением NOSQL и больших данных появилось так много так называемых озер данных, содержащих информацию в одной таблице … Разве не заманчиво использовать эти источники данных без какого-либо преобразования?

Я хотел дать рациональный ответ на вопрос — ответ, основанный исключительно на числах.

Осторожно: оставшаяся часть статьи посвящена довольно высокому уровню технических деталей. Если вы хотите просто прочитать выводы, можете перейти к концу статьи. Однако есть смысл взглянуть на цифры, если вы хотите лучше понять мои рассуждения.

Испытательная установка

Мы построили две модели. Один из них использует обычную звездообразную схему с четырьмя измерениями вокруг единой таблицы фактов.

Другая модель содержит ту же информацию, но без размеров. Все столбцы измерений денормализованы в таблицу фактов.

Поскольку денормализованная модель основана на «большой толстой таблице», мы называем модели «толстой» и «тонкой». Более того, чтобы сделать различия между различными измерениями видимыми, мы использовали довольно большую модель, так как основная таблица фактов содержит 4 миллиарда строк.Таким образом, время, необходимое для сканирования таблицы, достаточно велико, чтобы можно было легко обнаружить различия между двумя моделями.

Все испытания выполняются на мощной машине. Он использует AMD Ryzen Threadripper 3970X с 32 физическими ядрами и 64 виртуальными ядрами. Размер таблицы и количество ядер означают, что степень параллелизма, достигаемая механизмом хранения, огромна. По этой причине нас в основном интересуют значения ЦП механизма хранения, чтобы получить четкое представление о количестве мощности ЦП, необходимой для ответа на запросы.В самом деле, может не быть видимых различий между запросом, который выполняется за 100 миллисекунд или за 10 миллисекунд. Однако, когда вы умножаете это число на количество используемых ядер, разница определенно становится существенной! Значение ЦП механизма хранения (SE) измеряет общую мощность ЦП, необходимую для выполнения запроса, и это основной показатель, который мы используем в статье. Мы использовали локальный экземпляр Analysis Services 2019 для выполнения всех тестов.

Размер базы данных

Первое важное различие между двумя моделями — это их размер.Тонкая модель использует 16,80 ГБ ОЗУ, тогда как толстая модель использует 44,51 ГБ ОЗУ. Толстая модель в 2,65 раза больше стройной. Обе модели обрабатывались с конфигурацией служб Analysis Services по умолчанию.

Почему модели такие разные по размеру? Потому что в толстой модели огромное количество столбцов! В тонкой модели самый большой столбец — это временной ключ (ID_Time). Столбец такой большой, потому что есть значение для каждой секунды во времени.

Если вы сравните ID_Time с ID_Date, вы получите лучшую картину: несмотря на одинаковую мощность, дата изменяется очень медленно по сравнению со временем.Следовательно, алгоритм кодирования длин серий (RLE) VertiPaq обеспечивает гораздо лучшее сжатие даты, чем когда-либо со временем. Это особенность VertiPaq: часто меняющиеся столбцы становятся больше, а значит, медленнее.

В звездообразной схеме ID_Time — это ключ, который связывает таблицу фактов с измерением времени. В толстой модели нет измерения времени: все столбцы Time денормализованы в таблице фактов. Следовательно, каждый из этих столбцов имеет очень большой размер, в зависимости от того, как часто меняются значения внутри.

Несмотря на то, что она больше, мы ожидаем, что толстая модель будет лучше работать с некоторыми запросами. В самом деле, представьте себе запрос, который необходимо сгруппировать по Period05Minutes и получить сумму столбца. В тонкой модели VertiPaq необходимо пройти связь, в которой используется столбец ID_Time. Он должен сканировать 6,5 ГБ данных. Тот же запрос на толстой модели сканирует столбец Period05Minutes в таблице фактов, размер которого составляет всего 4,6 ГБ. Разница связана не только с наличием связи, но, что более важно, с размером столбцов, участвующих в запросе.Преимущество толстой модели зависит от размера столбцов, используемых для агрегирования.

Теперь, когда мы взглянули на модель, мы начинаем выполнять запросы разной сложности и измеряем их скорость на двух моделях.

Простая сумма, группировка по маленькому столбцу

Первый запрос группирует по столбцу AgeRange, который является атрибутом отдельных лиц. AgeRange содержит только 96 различных значений, но принадлежит измерению со 144 КБ строк. При денормализации в толстой модели столбец AgeRange использует только 42 МБ данных.С другой стороны, ключ отношения использует 2,5 ГБ. Таким образом, тонкая модель имеет дело не только со временем, необходимым для прохождения отношения, но и с увеличением размера задействованных столбцов:

ОЦЕНИВАТЬ
ОБОБЩЕННЫЕ КОЛОННЫ (
    Люди [AgeRange],
    «Вес», СУММ (Аудитория [Вес])
)
 

Ниже вы найдете тайминги сервера на тонкой модели.

Запрос использовал около 11 секунд ЦП, и вы можете четко видеть JOIN, выполняемый механизмом хранения.Тот же запрос, выполняемый на толстой модели, выполняется намного быстрее. Вот запрос:

ОЦЕНИВАТЬ
ОБОБЩЕННЫЕ КОЛОННЫ (
    Аудитория [AgeRange],
    «Вес», СУММ (Аудитория [Вес])
)
 

А ниже результат казни.

Шесть с половиной секунд по сравнению с одиннадцатью секундами в тонкой модели. Как и ожидалось, толстая модель намного быстрее справляется с этим конкретным запросом.

Простая сумма, группировка по большому столбцу

Второй тест аналогичен первому, только на этот раз мы используем столбец Period05Minutes, который намного больше, чем AgeRange.Толстая модель все еще быстрее; Тем не менее, размер столбца теперь начинает взвешивать, что в значительной степени снижает преимущества модели с жиром.

Вот второй запрос по тонкой модели:

ОЦЕНИВАТЬ
ОБОБЩЕННЫЕ КОЛОННЫ (
    Время [Period05Minutes],
    «Вес», СУММ (Аудитория [Вес])
)
 

Время выполнения больше, чем раньше, из-за размера отношения.

Как и раньше, вы видите, что существует одно соединение JOIN с измерением, используемым в запросе. Запрос выполняется с высокой степенью параллелизма: общее время выполнения составляет всего полсекунды, а общее время процессора SE увеличилось до 28 секунд.

Запрос на толстую модель идентичен, за исключением используемой таблицы:

ОЦЕНИВАТЬ
ОБОБЩЕННЫЕ КОЛОННЫ (
    Аудитория [Period05Minutes],
    «Вес», СУММ (Аудитория [Вес])
)
 

На толстой модели производительность по-прежнему лучше, даже если некоторые преимущества, которые имели место с меньшей колонкой, были потеряны.

Оба результата пока соответствуют ожиданиям. Толстая модель быстрее. Важная деталь: «насколько быстрее?» Если сосредоточиться только на первом запросе, кажется, что он выполняется в два раза быстрее. Но на самом деле, как только запрос становится более сложным или используемые столбцы увеличиваются в размере, разница становится меньше.

Простая сумма, группировка по нескольким столбцам

Первые два теста использовали только один столбец для выполнения группировки. Что, если бы мы увеличили количество столбцов? Я ожидал, что польза от толстой модели уменьшится из-за большего размера задействованных столбцов.Вместо этого, как ни удивительно, соотношение между двумя моделями осталось почти одинаковым.

Вот запрос на тонкую модель. Он использует три столбца из одного измерения:

ОЦЕНИВАТЬ
ОБОБЩЕННЫЕ КОЛОННЫ (
    Время [Period60Minutes],
    Время [Period10Minutes],
    Время [Period05Minutes],
    «Вес», СУММ (Аудитория [Вес])
)
 

А вот и результат казни.

Потребовалось 64 секунды процессорного времени, что более чем вдвое превышает время, необходимое для группировки только по одному столбцу.Это довольно удивительно, потому что мощность сканирования такая же, как и в предыдущем запросе, в котором использовался только столбец Period05Minutes. Действительно, максимальная детализация по-прежнему составляет 5 минут: мы только добавили к результату два дополнительных столбца.

В толстой модели единственное изменение — это имя таблицы столбцов, используемых в части groupby:

ОЦЕНИВАТЬ
ОБОБЩЕННЫЕ КОЛОННЫ (
    Аудитория [Period60Minutes],
     Аудитория [Period10Minutes],
     Аудитория [Period05Minutes],
    «Вес», СУММ (Аудитория [Вес])
)
 

Результат на толстой модели не сильно отличается от предыдущего теста.

Этот результат не является неожиданным: поскольку количество больших столбцов больше, ожидается, что запрос будет медленнее, чем запрос с одним столбцом. В процентном отношении он сохранил свое преимущество перед тонкой моделью.

Должен сказать, что этот результат меня удивил. Я ожидал, что тонкая модель будет работать намного лучше. Теперь я знаю, что мне нужно подробнее изучить поведение VertiPaq с несколькими столбцами в звездообразной схеме. Я обновлю статью (или опубликую новую), как только пойму, почему тонкая модель работает так плохо.

Четкий расчет на медленно меняющиеся размеры

До сих пор мы вычисляли значения, используя простую СУММ. Интересный вопрос заключается в том, можем ли мы сохранить ту же разницу с более тяжелыми вычислениями, такими как отдельный счет. Есть два интересных столбца, которые можно использовать для отдельного подсчета: ключ человека (ID_Individual) и код человека (COD_Individual). Поскольку личность — это медленно меняющееся измерение, мы можем ожидать существенной разницы между двумя моделями. Действительно, с толстой моделью оба отдельных подсчета могут быть выполнены путем сканирования одной таблицы, тогда как тонкая модель требует соединения при вычислении отдельного подсчета COD_Individual.Это связано с тем, что этот столбец хранится в Индивидуальных лицах, а не в таблице фактов.

Давайте начнем с суррогатного ключа, где и толстая, и тонкая модель должны запрашивать только таблицу фактов:

ОЦЕНИВАТЬ
ОБОБЩЕННЫЕ КОЛОННЫ (
    Время [Period05Minutes],
    «Тест», DISTINCTCOUNT (аудитория [ID_Individual])
)
 

Вот отличительные черты этой тонкой модели.

Как видите, процессорное время подсистемы хранения значительно увеличилось, потому что отдельный счет намного сложнее вычислить, чем сумму.Как видно из запроса xmSQL, существует взаимосвязь.

Для того же самого подсчета, выполненного на толстой модели, требуется следующий запрос:

ОЦЕНИВАТЬ
ОБОБЩЕННЫЕ КОЛОННЫ (
    Аудитория [Period05Minutes],
    «Тест», DISTINCTCOUNT (аудитория [ID_Individual])
)
 

Результат очень похож на тонкую модель, как и следовало ожидать.

Код xmSQL показывает, что связь больше не задействована.Тем не менее, с более тяжелым расчетом влияние отношений ниже. Действительно, на этот раз производительность двух запросов намного ближе, чем раньше.

Запрос DAX, который вычисляет отдельное количество COD_Individual в толстой модели, очень похож на предыдущий запрос. Действительно, в таблице фактов хранятся оба столбца:

ОБОБЩЕННЫЕ КОЛОННЫ (
    Аудитория [Period05Minutes],
    «Вес», DISTINCTCOUNT (аудитория [COD_Individual])
)
 

Поскольку COD_Individual имеет меньше различных значений, чем ID_Individual, мы ожидаем лучшей производительности.

Как видите, поскольку количество различных значений меньше, этот запрос выполняется более чем в два раза быстрее, чем предыдущий. Это вполне ожидаемо: отдельные подсчеты сильно зависят от количества различных значений, которое определяет размер внутренних структур, используемых для выполнения подсчета.

На тонкой модели запрос должен быть другим. Нам нужно суммировать таблицу фактов по столбцу в измерении, включая связь, а затем подсчитать количество значений в измерении, отфильтрованных таблицей фактов:

ОЦЕНИВАТЬ
ОБОБЩЕННЫЕ КОЛОННЫ (
    Время [Period05Minutes],
    «Вес», COUNTROWS (SUMMARIZE (аудитория, отдельные лица [COD_Individual]))
)
 

Несмотря на то, что это более сложно, оптимизатор отлично справляется с поиском оптимального плана выполнения.

В тонкой модели DAX необходимо пересечь два отношения: одно для выполнения группирования, а второе для выполнения подсчета. Несмотря на то, что запрос был более сложным, оптимизатор нашел оптимальный путь. Как и ожидалось, толстая модель все же немного быстрее, но ненамного.

Итак, вывод, который мы можем сделать, состоит в том, что цена отношений становится все менее и менее важной в зависимости от сложности задействованных вычислений. При очень простых вычислениях взаимосвязь играет важную роль в общем времени выполнения. Когда запрос становится более сложным, отношения перестают быть самой сложной частью запроса, и различия между двумя моделями начинают становиться все менее и менее важными.

Различная группировка счетчика по нескольким столбцам

Давайте немного усложним подсчет различных. Теперь мы хотим вычислить отдельное количество COD_Individual, следовательно, включая отношения с отдельными людьми, но мы увеличиваем количество столбцов в группе за разделом.

Это требует чтения более крупных столбцов для толстой модели, тогда как для тонкой модели необходимо использовать большее количество взаимосвязей.Поэтому мы ожидаем, что этот запрос будет медленнее в обеих моделях. Начнем с тонкой модели. Вот запрос:

ОЦЕНИВАТЬ
ОБОБЩЕННЫЕ КОЛОННЫ (
    'Дата' [Год],
    "Дата" [Номер месяца],
    Время [Period05Minutes],
    «Вес», COUNTROWS (SUMMARIZE (аудитория, отдельные лица [Cod_Individual]))
)
 

Как и ожидалось, время выполнения больше.

На этот раз, когда задействованы три взаимосвязи и большее количество ячеек для вычисления процессора подсистемы хранения, время обработки превысило один миллион миллисекунд.

Толстая модель не требует каких-либо отношений, но ей необходимо сканировать несколько больших столбцов. Вот запрос:

ОЦЕНИВАТЬ
ОБОБЩЕННЫЕ КОЛОННЫ (
    Аудитория [Period05Minutes],
    «Вес», DISTINCTCOUNT (аудитория [Cod_Individual])
)
 

Размер колонки здесь весит, как вы можете видеть из результатов.

Как ясно указано в запросе xmSQL, отношения не задействованы. Тем не менее, размер столбцов и сложность вычислений также замедлили этот запрос.Мы видим, что время выполнения очень похоже на время выполнения тонкой модели.

Это не что иное, как подтверждение предыдущих выводов. При простых вычислениях разница между моделями определяет сильную разницу в скорости, а результаты толстой модели быстрее. При более сложных запросах структура модели становится менее актуальной, и различие между двумя структурами незначительно. Стоит помнить, что толстая модель намного больше по потреблению памяти, чем тонкая.Следовательно, цена, которую мы платим в терминах или ОЗУ, больше не оправдывается увеличением скорости.

Текущие расчеты

Все вычисления, которые мы показали до сих пор, представляли собой просто СУММ или DISTINCTCOUNT, которые можно было разрешить с помощью одного запроса xmSQL. Эти запросы подходили для измерения чистой производительности механизма VertiPaq. Однако типичный запрос включает работу как в механизме формул (FE), так и в механизме хранения (SE).

В качестве примера мы используем простой расчет с начала года до текущей даты (YTD).Даже там интересно исследовать не только чистую мощность движка, но и сложность кода. Действительно, используя тонкую модель с правильной звездной схемой, расчет с начала года до текущей даты можно было бы выразить, используя функциональные возможности интеллектуального анализа времени DAX:

Вес с начала года =
    РАССЧИТАТЬ (
        SUM (аудитория [вес]),
        DATESYTD ('Дата' [Дата]),
        ВСЕ ('Дата')
    )
 

Тот же код не будет работать с толстой моделью, где нет измерения даты. В толстой модели текущий год нужно писать с помощью специального кода DAX, что подразумевает более подробный и подверженный ошибкам код. При этом мы хотели обсудить здесь производительность, а не простоту кода DAX. Таким образом, мы использовали один и тот же сложный расчет в обоих сценариях. Верно то, что правильная звездная схема значительно упрощает написание кода DAX.

Вот код, который мы использовали для запроса с начала года на тонкой модели:

ОЦЕНИВАТЬ
ОБОБЩЕННЫЕ КОЛОННЫ (
    'Дата' [Год],
    "Дата" [Номер месяца],
    Время [Period05Minutes],
    "Масса",
        VAR YearStart =
            ДАТА (МАКС ('Дата' [Год]); 1; 1)
        VAR CurrentDate =
            МАКС ('Дата' [Дата])
        VAR Результат =
        РАССЧИТАТЬ (
            SUM (аудитория [вес]),
            'Дата' [Дата] & gt; = Год начала & amp; & amp; 'Дата' [Дата] & lt; = CurrentDate,
            ВСЕ ('Дата')
        )
        ВОЗВРАТ Результат
)
 

А вот и результат казни. Как видите, теперь существует несколько запросов к подсистеме хранения, и механизм формул начинает играть свою роль.

Основной запрос xmSQL выполняется довольно быстро. Он извлекает наиболее детализированные данные, которые позже агрегируются механизмом формул, следуя обычному шаблону с начала года до текущей даты. Важно отметить, что фильтр в запросе xmSQL включает только дату. Количество столбцов в фильтре определяет размер внутренних структур, используемых для фильтрации, и, как таковые, определяет скорость запроса.Как вы увидите в следующем запросе, с толстой моделью запрос xmSQL более сложен. Это приводит к снижению производительности.

Вот код, выполняемый на толстой таблице. Как видите, разница только в используемых столбцах:

ОЦЕНИВАТЬ
ОБОБЩЕННЫЕ КОЛОННЫ (
    "Аудитория" [Год],
    "Аудитория" [MonthNumber],
    "Аудитория" [Period05Minutes],
    "Масса",
        VAR YearStart =
            ДАТА (МАКС. ('Аудитория' [год]); 1; 1)
        VAR CurrentDate =
            МАКС ("Аудитория" [Дата])
        VAR Результат =
            РАССЧИТАТЬ (
                SUM (аудитория [вес]),
                Аудитория [Дата] & gt; = Год начала & amp; & amp; "Аудитория" [Дата] & lt; = CurrentDate,
                ВСЕ (аудитория [MonthNumber]),
                ВСЕ (аудитория [год])
            )
        ВОЗВРАЩЕНИЕ
            Результат
)
 

Эта небольшая разница — используемые столбцы — очень важна для плана запроса. Поскольку теперь все столбцы взяты из одной и той же таблицы, срабатывает автосуществование, и движок вынужден работать с наборами произвольной формы. Следовательно, фильтр становится более сложным.

Как видите, фильтр содержит не только дату, но и Period05Minutes. Количество возвращаемых строк такое же, но фильтр намного больше, потому что DAX использовал наборы произвольной формы во время оценки. Чистый эффект от этой маленькой детали заключается в том, что время теперь более чем в два раза больше, чем было для тонкой модели.

Причина не только в том, как VertiPaq сканировал данные. Причина в том, что DAX разработан и оптимизирован для работы со звездообразными схемами. Предполагается, что модель похожа на звездообразную схему и использует определенные оптимизации, которые эффективны для звездообразных схем и плохо работают на плоских моделях.

Значения столбца

Последний тест, который мы хотим провести, чрезвычайно прост, но очень важен. В типичном отчете пользователи размещают срезы и фильтры. Каждому срезу необходимо получить значения столбца для отображения в списке.Результирующий запрос является самым простым, который вы можете себе представить: он просто запрашивает ЗНАЧЕНИЯ столбца.

По такому простому запросу разница между тонкой и толстой моделями становится огромной. Действительно, тонкая модель может извлекать значения столбца из измерения, размер которого очень мал по сравнению с таблицей фактов. С другой стороны, толстая модель всегда должна сканировать таблицу фактов, потому что все столбцы хранятся в ней. Например, чтобы получить десять значений для столбца «Год», толстая модель просматривает четыре миллиарда строк!

В типичном отчете вы найдете десятки таких небольших запросов.Следовательно, простые запросы должны быть очень быстрыми, иначе они будут отвлекать процессорное время от более сложных матриц и вычислений.

Давайте рассмотрим две версии VALUES: одну без фильтра и одну с фильтром. Опять же, причина в том, что срезы и таблицы могут подвергаться перекрестной фильтрации. Если вы разместите один срез для страны клиента и один срез для периода времени, они перекрестно фильтруют друг друга, поскольку принадлежат к одной и той же таблице.

Вот первый запрос:

ОЦЕНИВАТЬ
    ЦЕННОСТИ (Аудитория [Period05Minutes])
 

Как видите, результат — невероятные пять секунд процессорного времени.Из-за высокого уровня параллелизма время выполнения очень быстрое. Тем не менее, ЦП использовался очень интенсивно.

Наличие перекрестного фильтра еще больше усугубляет ситуацию. Вот отфильтрованный запрос VALUES для толстой модели:

ОЦЕНИВАТЬ
    РАСЧЕТНАЯ (
        ЦЕННОСТИ (Аудитория [Period05Minutes]),
        Аудитория [Возраст] & gt; 0
    )
 

Из-за наличия фильтра простой запрос VALUES выполнялся в четыре раза медленнее.

Этот последний тест чрезвычайно важен: с толстой моделью любой фильтр в любом столбце приводит к фильтру по таблице фактов. Таким образом, вы получаете хороший эффект кросс-фильтрации. Приятно для пользователей, но по-прежнему сильно нагружает процессор.

Те же запросы, выполняемые на тонкой модели, приводят к нулю или 1 миллисекунде времени выполнения. Это связано с тем, что тонкая модель должна сканировать измерение, а не таблицу фактов. Каждое измерение содержит несколько тысяч строк, что ничто по сравнению с миллиардами, представленными в таблице фактов.

Выводы

Мы провели несколько интересных тестов на тонкой модели по сравнению с толстой моделью. Результаты обобщены в отчете Excel ниже.

Как видно из результатов, толстая модель действительно работает быстрее с чрезвычайно простыми запросами. Как только запрос становится сложнее, преимущества толстой модели очень быстро исчезают. Если запрос не является чистым запросом SE, тонкая модель работает намного лучше. Когда дело доходит до получения значений столбцов в срезах, толстая модель работает очень медленно. Важный вывод здесь следующий: когда толстая модель лучше, она не намного лучше. Когда хуже, гораздо хуже!

С точки зрения потребления памяти толстая модель в три раза больше тонкой. Другими словами, вам нужно больше тратить либо на локальные серверы, либо на облачные сервисы, чтобы управлять толстой моделью.

В заключение, переходя к модели с одной таблицей, вы получаете модель большего размера, которая немного лучше работает с ограниченным числом простых запросов, но становится ужасно медленной, как только запрос становится сложнее.

Осмелюсь заключить, что помимо крайне ограниченного числа сценариев, в которых необходимо сверхоптимизировать конкретные вычисления, толстая модель оказывается худшим вариантом для табличной модели.

В следующий раз, когда ревностный консультант предложит вам построить единую толстую таблицу для вашей модели данных, вы будете знать, что делать: измерить производительность и оценить дополнительные затраты — или просто указать на эту статью, чтобы начать обсуждение с подтверждающих цифр!

Power BI Основы моделирования: звездообразная схема и способы ее создания

Теперь, когда вы знаете о таблицах измерений и фактов, пора поговорить об одной из наиболее важных концепций моделирования. Возможно, вы слышали о многомерном моделировании или звездной схеме, но у вас могут быть смутные представления о том, что это такое, или, наоборот, вы могли ее использовать, но не уверены, что это правильный способ. В этой статье цикла «Назад к основам» я собираюсь объяснить, что такое «звездная схема», и как вы можете ее создать, каковы лучшие и худшие методы ее использования. Если вы хотите узнать больше о Power BI, прочитайте книгу Power BI от новичка до рок-звезды.

Необходимое условие

Нет предварительных условий для этой статьи.Тем не менее, я настоятельно рекомендую вам заранее прочитать нижеприведенные статьи;

Что такое отношения?

Какова мощность отношения?

Каковы направления взаимоотношений?

Подготовка данных; Первоочередная задача

Что такое таблица размеров и почему нужно говорить «нет» одной большой таблице

Основы моделирования в Power BI: таблицы фактов

Объединение таблиц измерений в Power BI с помощью Power Query; Основы моделирования в Power BI

Размерное моделирование

Для каждой системы бизнес-аналитики или отчетности у вас есть процесс разработки таблиц и построения их на основе этого дизайна. Этот процесс называется размерным моделированием. Некоторые называют это дизайном хранилища данных, что одно и то же. Размерное моделирование — это процесс мышления, и проектируют модель данных, включая таблицы и их отношения. Как видите, в процессе размерного моделирования не задействованы никакие технологии. Все это происходит в вашей голове и заканчивается зарисовкой схем на бумаге. Размерное моделирование — это не диаграмма, на которой таблицы связаны друг с другом, это процесс , выполняющий это.

Существует несколько методов построения диаграммы таблиц и их взаимосвязей. Давайте проверим их по очереди.

Схема транзакционной базы данных

Эта диаграмма полезна только для транзакционных систем, где часто происходят такие операции, как вставка, обновление, удаление и получение данных. В таких системах важно, чтобы модель была спроектирована таким образом, чтобы минимизировать усилия по вставке, обновлению или удалению. Мы не говорим здесь об этом методе.В системе отчетности структура транзакционной базы данных не будет полезна, она снизит производительность отчета. Так каков же дизайн модели отчетности?

Схема снежинки

Диаграмма таблиц может быть любой формы, однако есть две большие категории, когда дело доходит до разработки диаграмм для систем отчетности; Снежинка и схема звезды. Снежинка — это когда между таблицами много связей, и когда вам нужно пройти через несколько связей, чтобы перейти от одной таблицы к другой.Вот пример:

Для перехода от таблиц FactInternetSales (которая является таблицей фактов) к DimProductCategory (которая является таблицей измерения) необходимо пройти через три отношения. Чем больше отношений, тем ниже производительность, а также возникнет необходимость в двусторонних отношениях, как я объяснил в этой статье. Диаграмма выше представляет собой схему снежинки, в схеме снежинки есть много промежуточных таблиц для перехода от одной таблицы к другой. Чтобы напомнить вам, как выглядит снежинка, вот ее изображение;

Таблицы измерений не связаны напрямую с таблицей фактов.Они связаны с другими измерениями между ними.

Схема звезды

Звездообразная схема — это когда существует прямая связь между таблицей фактов и каждым измерением. Каждая таблица фактов может иметь связь (или связь) с несколькими измерениями, поэтому она будет иметь такое представление:

Вы не можете не видеть звезду на макете выше. Таблица фактов — это сердце звезды, и все измерения расположены вокруг нее как точки звезды. В звездной схеме может не быть ровно пяти точек (пентаграмма), а может быть больше или меньше.Важной частью этого дизайна является не количество точек для звезды, а прямая связь между таблицей фактов и каждым измерением.

Схема звезды означает таблицу фактов в центре звезды и отдельное отношение к каждому измерению вокруг нее в виде точек звезды.

Если мы хотим изменить дизайн модели, которую вы видели в примере со снежинкой, она должна выглядеть так:

В этом примере DimProduct также включает в себя все детали подкатегории и категории. И это напрямую связано с таблицей фактов. Чтобы узнать, как комбинировать размеры для построения плоского размера, прочтите эту статью.

Схема «звезда» может включать несколько таблиц фактов

Распространенное заблуждение состоит в том, что у вас должна быть только одна таблица фактов в звездообразной схеме. Что ж, в каком-то смысле это правда, но факт в том, что вы можете использовать комбинацию звездообразных схем для построения модели данных. Посмотрите на пример ниже;

У нас есть две таблицы фактов; FactInternetSales и FactResellerSales.У них есть некоторые общие измерения (DimProduct и DimDate), а также отдельные измерения (DimCustomer для FactInternetSales и DimReseller для FactResellerSales). Вышеупомянутая модель представляет собой идеальный дизайн звездообразной схемы. Потому что для каждой таблицы фактов по-прежнему требуется одно единственное отношение к измерению. Модель, подобная описанной выше, дает нам возможность фильтровать обе таблицы фактов на основе общего измерения между ними;

Важность схемы звезды

Star Schema — лучший способ разработать модель данных для отчетности. Используя такую ​​модель, вы получите максимальную производительность и гибкость.В другой статье я объяснял, почему хранить все в одной толстой таблице фактов — не лучшая идея. Многие проблемы моделирования и проблемы при реализации Power BI в наши дни можно решить с помощью хорошей звездообразной схемы. Star Schema — это как дирижер оркестра. Оркестр без дирижера может воспроизводить музыку, как реализация Power BI без звездообразной схемы. Однако музыка не будет синхронизирована, это не будет лучшее, на что она способна, и не то, что нужно публике.Однако, если в их реализации Power BI используется звездная схема (например, оркестр с хорошим дирижером), он будет играть в полную силу, отвечать всем требованиям и ошеломлять публику.

Звездная схема для модели данных похожа на дирижер для оркестра. Наилучший результат аналитики был бы возможен при звездной схеме, как и лучший музыкальный результат с хорошим дирижером.

Как создать звездообразную схему

Для освоения проектирования схемы «звезда» может потребоваться многолетний опыт. Вначале нужно усвоить несколько фундаментальных правил, а затем по ходу будет куча советов и приемов. Есть исключения, с которыми вам нужно научиться бороться. По этой теме есть книги, в которых объясняется, как проектировать звездообразную схему. Объяснить это в одной статье невозможно. Тем не менее, я могу указать на некоторые фундаментальные правила, которые помогут вам начать.

Определение таблиц размеров

Конструкция всего в одном огромном столе не является гибкой и работает хорошо.В этой статье я объяснил, что такое измерение и почему бы не поместить все в одну таблицу. Таблицы измерений — это описательные таблицы, которые описывают, как происходит действие, которое является фактом. Поля из таблиц измерений часто используются в качестве срезов или осей визуальных элементов.

Определите таблицы фактов

Таблицы фактов — это сердце звездообразной схемы. Работая с ними, нужно быть осторожным. Тем более, что это огромные глубокие таблицы, которые могут сделать вашу модель данных очень большой. В этой статье я объяснил, что такое таблица фактов и советы по ее созданию.Таблицы фактов — это таблицы, которые объясняют происходящие действия, такие как продажи, производство и т. Д. Таблица фактов включает поля, которые играют роль ЗНАЧЕНИЯ визуальных элементов и расчетов, называемых фактами. Факт — это числовое значение, которое можно агрегировать.

Таблицы размеров развертки

Важно, чтобы мы сохранили схему звездообразной схемы, которая представляет собой единую взаимосвязь между таблицами фактов и измерений. Вы не сможете этого добиться, если у вас есть измерение для каждого поля. Наличие измерения для категории, другого для подкатегории, еще одного для бренда, еще одного для цвета, а затем одного для сведений о продукте не подходит для дизайна схемы звездочки.Такой способ моделирования хорош для транзакционной базы данных. Вы должны как можно больше комбинировать таблицы (поскольку значение остается тем же самым), чтобы добиться сглаженного измерения. В этой статье я объяснил, как можно сгладить таблицы измерений.

Не сглаживайте таблицу фактов

Хотя таблицы измерений сглаживания хороши для проектирования звездообразной схемы, тот же подход не работает для таблиц фактов! Причина в том, что результатом выравнивания является создание более широкой таблицы и объединение всего в одну таблицу.Мы делаем это для измерений, потому что хотим, чтобы они были одним измерением и служили всем для одного объекта. И чтобы избежать лишних взаимосвязей между измерениями. Выравнивание таблицы фактов приведет нас в ловушку, когда все будет собрано в одной большой огромной таблице. Мы потеряем гибкость, а также производительность.

Не ожидайте действий от таблицы измерений

Таблицы измерений являются описательными таблицами и должны иметь однонаправленную связь «один ко многим» с таблицей фактов. Однако в большинстве случаев люди подходят ко мне и говорят, что я хочу отфильтровать данные измерений по таблице фактов, поэтому мне нужны двусторонние отношения.Реальность такова, что вы никогда не захотите фильтровать что-либо по таблице фактов. Потому что таблица фактов — это просто таблица, полная чисел! Вы хотите отфильтровать это по тому, что фильтрует таблицу фактов. Итак, вы хотите отфильтровать измерение по другому измерению в конце. Если существующая таблица фактов не предоставляет вам такой возможности, это один из двух вариантов: таблица фактов не включает все факты, и вы можете добавить в нее больше фактов, что приведет к желаемому результату. Или текущую таблицу фактов не следует использовать для этой цели, и вам может потребоваться другая таблица фактов.Это сложная часть моделирования, и позже я посвящу ей отдельную статью.

Нет! У вас не один стол!

Когда я преподаю в своих классах звездную схему, размерную модель, таблицы фактов и измерений, я часто слышу следующее: «Это интересно, однако в моем случае у меня есть только одна-единственная таблица!». Мой ответ всегда такой: «Нет! У вас не один стол! Присмотритесь! ». Затем я прохожу с ними по таблице. Их таблица — это всего лишь одна таблица, но в ней есть описательные поля и факты в одной таблице. Конечно, это сработает для этой единственной таблицы. Однако требования к аналитике не ограничиваются одним набором данных. После использования этого в течение некоторого времени конечные пользователи будут выдвигать новые требования и говорить: «Хорошо, хорошо, теперь мы хотим, чтобы эти данные были объединены с этими данными», и это когда конец эпохи для этой единственной таблицы модель приходит быстро. Если бы автор модели вначале думал об этом, ее можно было бы легко расширить, добавив больше таблиц фактов и измерений. Но теперь это означает переделать всю модель.Итак, здесь я говорю еще раз: «Нет! У вас не один стол! Посмотри внимательнее! »

Сводка

Как я упоминал ранее, мы можем говорить о звездообразной схеме для страниц, и это никогда не заканчивается! Из этой статьи вы узнали, что такое размерное моделирование, а также узнали, что звездная схема — лучший способ спроектировать вашу модель. Вы также узнали, что звездообразная схема не означает одну единственную таблицу фактов, она может включать несколько таблиц фактов. В конце концов, вы узнали о некоторых основах проектирования звездообразной схемы.В следующих статьях раздела «Назад к основам моделирования в Power BI» я рассмотрю еще несколько примеров проектирования звездообразной схемы. Если у вас есть модель, для которой вы не можете придумать звездную схему, дайте мне знать в комментариях ниже. И всегда помните: «У вас не только один стол! Посмотри внимательнее! »

Если вы не читали другие части серии «Назад к основам моделирования Power BI», вот они:

Что такое отношения?

Какова мощность отношения?

Каковы направления взаимоотношений?

Подготовка данных; Первоочередная задача

Что такое таблица размеров и почему нужно говорить «нет» одной большой таблице

Основы моделирования в Power BI: таблицы фактов

Объединение таблиц измерений в Power BI с помощью Power Query; Основы моделирования в Power BI

Тренер, консультант, наставник

Реза Рад — региональный директор Microsoft, автор, тренер, спикер и консультант. Имеет степень бакалавра компьютерной инженерии; он имеет более чем 20-летний опыт работы в области анализа данных, бизнес-аналитики, баз данных, программирования и разработки, в основном с использованием технологий Microsoft. Он является MVP платформы данных Microsoft в течение девяти лет подряд (с 2011 года по настоящее время) за его преданность делу Microsoft BI. Реза — активный блогер и соучредитель RADACAD. Реза также является соучредителем и соорганизатором конференции Difinity в Новой Зеландии.
Его статьи по различным аспектам технологий, особенно по MS BI, можно найти в его блоге: https: // radacad.com / blog.
Он написал несколько книг по MS SQL BI, а также пишет некоторые другие. Он также был активным участником технических онлайн-форумов, таких как MSDN и Experts-Exchange, модератором форумов MSDN SQL Server, а также MCP, MCSE, и MCITP BI. Он является лидером группы пользователей New Zealand Business Intelligence. Он также является автором очень популярной книги Power BI от новичка до рок-звезды, которая бесплатна с более чем 1700 страницами контента и архитектурой Power BI Pro, опубликованной Apress.
Он является международным спикером в Microsoft Ignite, Microsoft Business Applications Summit, Data Insight Summit, PASS Summit, SQL Saturday и группах пользователей SQL. И он является сертифицированным тренером Microsoft.
Страсть Резы — помочь вам найти лучшее решение для работы с данными, он энтузиаст данных.

Power BI и звездообразная схема

Иногда клиенты спрашивают меня, следует ли им использовать звездообразную схему или следует использовать одну большую отдельную таблицу / плоский файл для своего набора данных в Power BI.Ответ почти всегда — звездная схема, и Патрик Леблан отлично справляется с объяснением, что такое звездообразная схема и почему звездообразные схемы так важны для Power BI, в своем видео «Почему Power BI любит звездообразную схему». Я хотел перечислить его четыре причины:

  1. Удобство использования : Если у вас есть только одна большая таблица со всеми данными, при создании отчета трудно найти поля, которые вы ищете, в списке «Поля». При использовании звездообразной схемы навигация по списку полей значительно упрощается.Звездообразные схемы делают вашу модель данных намного чище и проще в использовании.
  2. Упрощенный DAX : код для DAX будет намного проще по сравнению со звездообразной схемой по сравнению с широкой плоской таблицей. Он будет короче, легче писать, легче читать и легче поддерживать
  3. Производительность : звездообразная схема может обрабатывать огромные объемы данных без снижения производительности. Патрик провел тест с 7 миллионами строк, и запрос занял 29 мс для одной большой таблицы по сравнению с 7 мс для эквивалентной звездной схемы.Вы можете себе представить разницу в производительности с 10 миллионами строк
  4. Более быстрое обновление : В Power BI Desktop Патрик использовал Power Query для 7,8 миллионов записей из базы данных SQL Server и выбрал «Закрыть и применить». Для большой таблицы это заняло 34 минуты (2069 строк в секунду). Схема «звезда» заняла всего 4 минуты (28 тыс. Строк в секунду).

У Патрика также есть видео, показывающее, как преобразовать плоский файл в схему «звезда»: Power BI Tutorial | От плоского файла к модели данных.

И отчет, использующий плоскую таблицу, может возвращать неточные числа, как указывает sqlbi: важность звездообразных схем в Power BI.

Для получения дополнительной информации о звездообразной схеме ознакомьтесь с «библией» Ральфа Кимбалла: Набор инструментов хранилища данных: Полное руководство по многомерному моделированию.

Доп. Информация:

Понять звездную схему и важность для Power BI

Основы моделирования в Power BI: что такое таблица измерений и почему отказать одной большой таблице

Power BI Основы моделирования: звездообразная схема и способы ее создания

Создайте свою первую модель звездообразной схемы в действии: основы моделирования Power BI

Power BI Советы по моделированию звездообразной схемы и размерных данных

Визуализируйте обновление Power BI

Power BI — звездообразная схема или одна таблица

Реализация звездообразных схем в Power BI Desktop

В этой статье вы увидите, как реализовать звездообразную схему в Power BI. Microsoft Power BI — это инструмент бизнес-аналитики, используемый для обработки и анализа данных из различных источников.

Что такое звездообразная схема?

Схема «звезда» относится к логическому описанию наборов данных, в котором данные разделены на таблицы фактов и таблицы измерений.

Таблица фактов содержит фактическую информацию, а таблица измерений содержит связанную информацию. Звезда схема очень похожа на отношения один-ко-многим, где таблица может иметь несколько / повторяющиеся внешние ключи из столбец внешнего ключа.

Взгляните на следующий рисунок. На рисунке ниже у нас есть две размерные таблицы: Категории и Авторы и одна таблица фактов Книги.

Как правило, таблицы, содержащие значения, которые могут повторяться в других таблицах, являются таблицами измерений, а таблица, содержащая внешние ключи из других таблиц, реализована как таблица фактов.

Например, если вы посмотрите на таблицу авторов, она содержит значения author_id и author_name. Поскольку один автор может написать несколько книг, в таблице «Книги» может быть несколько записей, в которых значение author_id будет одинаковым и повторяться. Таким образом, таблица авторов будет реализована как таблица измерений в звездообразной схеме в Power BI. Таким же образом таблица категорий была реализована как таблица измерений.

Если вы посмотрите на таблицу Книги, она содержит столбцы, которые можно использовать для извлечения данных из других таблиц, то есть с помощью Столбцы category_id и author_name из таблицы «Книги» могут быть извлечены из имен категорий и авторов.Поскольку таблица «Книги» содержит ключи, которые можно использовать для извлечения данных из других таблиц, таблица «Книги» реализована как таблица фактов.

Теперь, когда вы понимаете, что такое звездообразная схема, а также таблицы измерений и фактов, давайте кратко рассмотрим, почему вы можете захотеть использовать звездообразную схему в Power BI.

Основные преимущества звездообразных схем:

Простота

Звездные схемы очень просты для понимания, чтения и использования. Измерения используются для нарезки данных, а факты — для агрегированные числа.

Производительность

Звездообразные схемы содержат четкие пути соединения и относительно небольшое количество таблиц. Это означает, что запросы выполняются больше быстрее, чем в операционной системе.

Масштабируемость

В звездообразные схемы можно очень легко вносить изменения, например добавлять новые измерения, атрибуты или меры. Изготовление После настройки внести изменения в звездообразную схему в Power BI будет просто.

Поддержка

Звездообразные схемы — это наиболее часто используемые схемы в бизнес-аналитике. Это означает, что они широко понимаются и поддерживаются большое количество инструментов BI.

Теперь, когда мы понимаем, что такое звездообразная схема и почему вы можете захотеть реализовать звездную схему в Power BI, давайте создадим базу данных на SQL Server, которая будет использоваться в качестве источника для рабочего стола Power BI. База данных будет использоваться для реализации стартовой схемы в Power BI.

Создание фиктивной базы данных

Мы создадим простую базу данных SQL Server для вымышленного книжного магазина.Имя базы данных будет Книжный магазин.

Следующий скрипт создает нашу базу данных:

СОЗДАТЬ БАЗУ ДАННЫХ BookStore

База данных будет содержать только одну таблицу, а именно:

ИСПОЛЬЗОВАТЬ BookStore

СОЗДАТЬ ТАБЛИЦУ Книги

(

Id INT PRIMARY KEY IDENTITY (1,1),

book_name VARCHAR (50) NOT NULL,

price INT,

category_id INT,

category_name VARCHAR (50) NOT NULL,

author_id INT,

имя_ автора VARCHAR (50) NOT NULL,

)

Таблица «Книги» содержит 7 столбцов: Id, book_name, price, cateogory_id, category_name, author_id и author_name.

Давайте добавим несколько фиктивных записей в таблицу «Книги»:

ИСПОЛЬЗОВАТЬ BookStore

ВСТАВИТЬ В книги

ЗНАЧЕНИЯ («Книга-A», 100, 1, «CAT-A», 1, «Автор-A»),

(«Книга-B», 200, 2 , «CAT-B», 2, «Автор-B»),

(«Книга-C», 150, 3, «CAT-C», 2, «Автор-B»),

(«Книга- D ‘, 100, 3,’ CAT-C ‘, 1,’ Author-A ‘),

(‘ Book-E ‘, 200, 3,’ CAT-C ‘, 2,’ Author-B ‘),

(«Книга-F», 150, 4, «CAT-D», 3, «Автор-C»),

(«Книга-G», 100, 5, «CAT-E», 2, » Автор-B ‘),

(‘ Книга-H ‘, 200, 5,’ CAT-E ‘, 4,’ Автор-D ‘),

(‘ Книга-I ‘, 150, 6,’ CAT- Ж ‘, 4,’ Автор-Д ​​’)

Подключение Power BI к SQL Server

Мы создали фиктивный набор данных.Следующим шагом является подключение Power BI к SQL Server, а затем импорт набора данных BookStore в Power BI. Чтобы увидеть подробное объяснение того, как подключить Power BI к SQL Server, см. эта статья о подключении Power BI к SQL. В этом разделе дается только краткое объяснение.

Чтобы подключить Power BI к SQL Server, откройте главную панель управления Power BI, а затем выберите параметр «Получить данные» в верхнем меню. Появится диалоговое окно, в котором вы должны ввести SQL Server и имена базы данных.Введите имя сервера в соответствии с именем вашего экземпляра SQL Server. В поле «База данных» введите «Книжный магазин».

Как только соединение будет установлено, вы увидите следующее окно.

Щелкните имя таблицы «Книги», а затем нажмите кнопку «Преобразовать данные». Данные будут загружены в запрос. Редактор.

Реализация звездообразной схемы в Power BI с помощью редактора запросов

Если вы посмотрите на таблицу Книги в редакторе запросов, она содержит 7 столбцов, как показано ниже:

Чтобы реализовать звездообразную схему в Power BI с использованием таблицы «Книги», как я объяснял ранее, нам нужно разделить таблицу «Книги» на три таблицы: i. е. Книги, категории и авторы. Отдельный набор данных или таблица в редакторе запросов Power BI называется запросом. С этого момента я буду использовать термин «запрос» для каждой таблицы.

Создание размерного запроса для категорий

В качестве первого шага мы создадим таблицу измерений для категории. Для этого щелкните правой кнопкой мыши запрос Книги (таблица), и выберите «Ссылка» в раскрывающемся меню, как показано ниже. Это создаст новый запрос, который ссылается на фактический запрос Книги.Новый запрос не будет иметь связи с фактическим источником данных. Этот новый запрос будет использоваться для создания запроса измерения для категории. Щелкните имя запроса и переименуйте его в DIM-Category.

Запрос DIM-Category будет содержать те же семь столбцов, что и запрос Books. В запросе DIM-Category нам нужны только столбцы category_id и category_name. Поэтому выберите все столбцы, кроме этих двух, и нажмите кнопку «Удалить столбцы» в верхнем меню, как показано на следующем снимке экрана.

Следующим шагом является удаление повторяющихся строк из запроса категории DIM. Для этого выберите любой столбец и затем нажмите «Удалить строки -> Удалить дубликаты» в верхнем меню.

После удаления дубликатов вы должны увидеть следующий запрос. Вы можете видеть, что запрос DIM-Category теперь содержит только уникальные идентификаторы и имена авторов.

Создание размерного запроса для авторов

Чтобы создать запрос измерения для авторов, снова создайте новый справочный запрос и переименуйте его в «DIM-Author».Следующий удалите все столбцы из запроса DIM-Author, кроме author_id и author_name, как показано ниже:

Затем удалите повторяющиеся столбцы из запроса DIM-Author, нажав «Удалить строки -> Удалить дубликаты». вариант из верхнего меню.

Запрос DIM-Author будет выглядеть следующим образом после удаления дубликатов.

Создание запроса фактов для книг

Последний шаг — создать запрос фактов для Книг.Снова создайте новый справочный запрос.

Мы можем просто удалить столбцы author_name и category_name, чтобы создать запрос фактов для книг.

Однако, чтобы убедиться, что столбцы category_id и author_id действительно ссылаются на category_id и author_id столбцы запросов DIM-Category и DIM-Author, мы воспользуемся другим подходом. Итак, нажмите «Объединить запросы». вариант из верхнего меню, как показано ниже:

Затем выберите столбец category_name из запроса Fact-Book и из запроса DIM-Category также выберите category_name, как показано ниже.Щелкните кнопку «ОК».

Вы увидите столбец DIM-Категория в запросе FACT-Book.

Нажмите кнопку в крайнем правом углу заголовка столбца DIM-Category. Вы увидите следующее окно.

Выберите столбец «category_id», и вы увидите столбец «DIM-Category. category_id» в запросе FACT-Book, как показано ниже. Этот столбец фактически относится к столбцу category_id запроса DIM-Category и связывает его с ФАКТЫ.

Таким же образом вы можете объединить столбец author_name запроса DIM-Author и FACT-Book, как показано ниже:

Наконец, удалите столбцы author_name и category_name, чтобы получить окончательную версию запроса FACT-Book.

Заключение

Схема «звезда» — одна из наиболее часто используемых схем для логической реализации связанных данных. В этой статье на примере показано, как реализовать звездообразную схему в редакторе запросов Power BI.

Бен Ричардсон руководит Acuity Training, ведущим поставщиком обучения SQL в Великобритании. Он предлагает полный спектр обучения SQL от вводных курсов до углубленного обучения администрированию и хранилищам данных — подробнее см. Здесь. Офисы Acuity расположены в Лондоне и Гилфорде, графство Суррей. Он также иногда ведет блог Acuity.

Посмотреть все сообщения Бена Ричардсона

Последние сообщения Бена Ричардсона (посмотреть все)

Создание комплексного аналитического решения в Power BI: Часть 3 — Повышайте уровень с помощью моделирования данных! | Николай Илич

После того, как мы очистили и сформировали наши данные, пришло время повысить уровень игры! Узнайте, почему схема Star и Power BI идеально подходят друг другу, и как создать их прямо в Power BI!

Изображение предоставлено FOX на сайте Pexels.com

Когда я разговариваю с людьми, которые плохо разбираются в мире Power BI, у меня часто складывается впечатление, что они думают о Power BI исключительно как о средстве визуализации. Хотя в определенной степени это верно, мне кажется, что они не видят более широкой картины — или, может быть, лучше сказать — они видят лишь верхушку айсберга! Эта верхушка айсберга — это блестящие информационные панели, стрелки KPI, причудливый искусственный интеллект и так далее.

Однако это еще не все, поскольку реальная вещь находится под поверхностью…

В этой серии статей я покажу вам , как можно использовать Power BI для создания полноценного аналитического решения. .Начиная с необработанных данных, которые не предоставляют никакой полезной информации, до создания не только красивых визуализаций, но и извлечения информации, которую можно использовать для определения правильных действий — то, что мы называем принятием обоснованных решений.

Изображение автора

После того, как мы изложили некоторые теоретические основы процесса построения комплексного аналитического решения и объяснили, почему так важно понимать бизнес-проблемы ДО создания решения и применили некоторые основные данные профилирование и преобразование данных, это подходящий момент, чтобы повысить уровень нашей игры и потратить некоторое время на разработку лучшей модели данных для нашего аналитического решения.Напоминаем, что мы используем открытый набор данных о дорожно-транспортных происшествиях в Нью-Йорке, который можно найти здесь.

В двух словах о моделировании данных

При создании аналитического решения одной из основных предпосылок для создания решения EFFICIENT является наличие надлежащей модели данных. Я не буду углубляться в объяснение того, как построить корпоративное хранилище данных, разницу между OLTP и дизайном модели OLAP, говорить о нормализации и т. Д., Поскольку это чрезвычайно широкие и важные темы, которые вам нужно понять, тем не менее, если вы с помощью Power BI или другого инструмента для разработки.

Самый распространенный подход к моделированию данных в аналитических решениях — это Dimensional Modeling . По сути, эта концепция предполагает, что все ваши таблицы должны быть определены либо как таблицы фактов, либо как таблицы измерений. Таблицы фактов хранят события или наблюдения, такие как операции продаж, обменные курсы, температуры и т. Д. С другой стороны, таблицы измерений носят описательный характер — они содержат данные о сущностях — продуктах, клиентах, местоположениях, датах…

Важно сохранить помните, что эта концепция не связана исключительно с Power BI — это общая концепция, которая десятилетиями используется в различных решениях для обработки данных!

Если вы серьезно относитесь к работе в области данных (не обязательно Power BI), я настоятельно рекомендую прочитать книгу: The Data Warehouse Toolkit: The Definitive Guide to Dimensional Modeling Ральфа Кимбалла и Марги Росс. Это так называемая «Библия» размерного моделирования, в которой подробно объясняется весь процесс и преимущества использования размерного моделирования при построении аналитических решений.

Звездная схема и Power BI — идеальное сочетание!

Теперь все становится все интереснее! Между двумя противоборствующими сторонами идет постоянное обсуждение — лучше ли использовать одну плоскую таблицу, содержащую все данные (как в настоящий момент в нашем наборе данных о столкновениях Нью-Йорка), или имеет смысл нормализовать этот «жирный» table и создать размерную модель, известную как схема Star?

Изображение автора

На иллюстрации выше вы можете увидеть типичный пример размерного моделирования, называемый схемой «звезда».Думаю, мне не нужно объяснять вам, почему это так называется 🙂 Вы можете узнать больше о релевантности схемы Star в Power BI здесь. Состоялось интересное обсуждение того, является ли схема Star более эффективным решением, чем наличие одной единственной таблицы в вашей модели данных — основным аргументом противников схемы Star была производительность — по их мнению, Power BI должен работать быстрее, если не было объединений , отношения и т. д.

И затем Амир Нетц , технический директор Microsoft Analytics и один из людей, ответственных за создание движка VertiPaq, прояснил все неопределенности в Twitter:

Скриншот автора

Если вы не верите человек, который прекрасно знает, как все работает под капотом, есть также несколько дополнительных фантастических объяснений от проверенных экспертов, почему звездная схема должна быть вашим предпочтительным способом моделирования данных в Power BI, например это видео от Патрика (Парень в кубе), или этот от Альберто Феррари (SQL BI).

И дело не только в эффективности, но и в получении точных результатов в ваших отчетах! В этой статье Альберто показывает, как написание вычислений DAX над одной плоской таблицей может привести к неожиданным (или, может быть, лучше сказать неточным) результатам.

Не углубляясь в объяснение того, почему вы должны использовать схему Star, позвольте мне просто показать вам, как использование одной единственной плоской таблицы может давать неверные цифры даже для некоторых тривиальных вычислений!

Изображение автора

Это моя плоская таблица, которая содержит фиктивные данные о продажах. И, допустим, бизнес-запрос состоит в том, чтобы узнать средний возраст клиентов. Что вы ответите, если вас спросят, каков средний возраст клиентов? 30, верно? У нас есть покупатели в возрасте 20, 30 и 40 лет, так что 30 — это средний показатель, не так ли? Посмотрим, что говорит Power BI…

 AVG Возраст клиента = СРЕДНИЙ (Таблица1 [Возраст клиента]) 
Изображение автора

Как, черт возьми, это возможно ?! 32, правда ?! Давайте посмотрим, как мы получили это неожиданное (неправильное) число … Если мы просуммируем все значения возраста клиента, мы получим 320… 320, разделенные на 10 (это количество продаж), и вуаля! Вот и все, это средний возраст ваших 32 клиентов!

Теперь я начну строить размерную модель и вынесу данные клиентов в отдельную таблицу измерений, удалив дубликаты и сохраняя уникальные значения в измерении «Клиенты»:

Изображение автора

Я также удалил возраст клиента из исходных данных «Продажи». таблица и установила связь между этими двумя параметрами в столбце «Ключ клиента»:

Изображение автора

Наконец, мне просто нужно переписать свою меру, чтобы она ссылалась на вновь созданную таблицу измерений:

 AVG Возраст клиента = СРЕДНИЙ (Клиенты [Возраст клиента] ) 
Изображение автора

Конечно, есть способ написать более сложный DAX и получить правильный результат даже с помощью одной плоской таблицы. Но зачем это вообще делать? Я считаю, что мы можем согласиться с тем, что наиболее интуитивно понятным способом было бы написать меру, как это сделал я, и вернуть правильную цифру с помощью простого оператора DAX.

Итак, дело не только в эффективности, но и в точности! Таким образом, ключевой вывод здесь: моделируйте ваши данные в схеме Star, когда это возможно!

Построение звездообразной схемы для набора данных NYC Collisions

Когда мы пришли к выводу, что звездная схема — это правильный путь, давайте приступим к построению оптимальной модели данных для нашего набора данных.Первый шаг — избавиться от столбцов с отсутствующими значениями> 90%, поскольку мы не можем извлечь из них какую-либо информацию. Я удалил 9 столбцов, и теперь у меня осталось 20.

На первый взгляд, у меня есть 5 возможных таблиц измерений для создания:

  • Измерение даты
  • Измерение времени
  • Измерение местоположения (район + почтовый индекс)
  • Измерение фактора влияния
  • Измерение типа транспортного средства

Но, прежде мы приступаем к их созданию, я хочу применить еще одно преобразование к моему столбцу Crash Time. Поскольку нам не нужно анализировать данные на минутном уровне (требуется часовой уровень детализации), я округлю значения до начального часа:

Изображение автора

Теперь я продублирую исходную плоскую таблицу 4 раза (для каждого из необходимых измерений, кроме измерения «Дата», поскольку я хочу использовать более сложный набор атрибутов, таких как, например, день недели). Не волнуйтесь, мы сохраним только релевантные столбцы в каждом из наших измерений и просто удалим все остальные. Итак, вот пример того, как выглядит измерение Location:

Изображение автора

Следующий важный шаг — убедиться, что у нас есть уникальные значения в каждом измерении, чтобы мы могли установить правильные отношения 1-M между измерением и таблицей фактов.Теперь я выберу все свои столбцы измерений и удалю дубликаты:

Изображение автора

Нам нужно сделать это для каждого отдельного измерения в нашей модели данных! Отсюда, поскольку у нас нет «классических» ключевых столбцов в нашей исходной таблице (как, например, в предыдущем случае, когда мы вычисляли средний возраст клиентов и у нас был столбец «Ключ клиента» в исходной плоской таблице), там Есть два возможных пути продолжения: более простой путь предполагает установление отношений в текстовых столбцах — в этом нет ничего плохого, но это может иметь последствия для размера модели данных в больших моделях.

Поэтому мы пойдем другим путем и создадим столбец суррогатного ключа для каждого из наших измерений. Согласно определению в размерном моделировании, суррогатный ключ не имеет никакого коммерческого значения — это просто целое число (или bigint), которое увеличивается последовательно и однозначно идентифицирует строку в таблице.

Создать суррогатный ключ в Power Query довольно просто с помощью преобразования столбца индекса.

Изображение автора

Только одно замечание: по умолчанию использование преобразования столбца индекса нарушает свертывание запроса.Однако, поскольку мы имеем дело с файлом CSV, который вообще не поддерживает свертывание запросов, мы можем безопасно применить преобразование столбца индекса.

Следующий шаг — добавить этот целочисленный столбец в таблицу фактов и использовать его в качестве внешнего ключа для нашей таблицы измерений вместо текстового значения. Как мы можем этого добиться? Я просто объединю измерение Location с моей таблицей фактов Collisions:

Изображение автора

После запроса я выполню операцию слияния для столбцов, которые однозначно идентифицируют одну строку в таблице измерений (в данном случае составной ключ Borough и почтовый индекс):

Изображение автора

И после того, как Power Query применит это преобразование, я смогу развернуть объединенную таблицу Location и взять оттуда столбец индекса:

Изображение автора

Теперь я могу использовать этот один целочисленный столбец в качестве внешнего ключа к моей таблице измерения местоположения и просто удалите два столбца атрибутов BOROUGH и ZIP CODE — таким образом, моя таблица не будет чище и менее загромождена — она ​​также требует меньше места в памяти — вместо двух текстовых столбцов мы теперь иметь один целочисленный столбец!

Изображение автора

Я буду применять ту же логику к другим измерениям (кроме измерения времени) — включить столбцы индекса в качестве внешних ключей и удалить исходные текстовые атрибуты.

Улучшение модели данных с помощью измерения даты и отношений

Теперь мы закончили моделирование данных в редакторе Power Query и готовы перейти к Power BI и улучшить нашу модель данных, создав измерение даты с помощью DAX. Мы также могли бы сделать это с помощью M в Power Query, но я намеренно оставил это DAX, чтобы показать вам несколько различных возможностей моделирования данных в Power BI.

Крайне важно установить правильное измерение даты / календаря, чтобы функции DAX Time Intelligence работали должным образом.

Чтобы создать измерение даты, я использую этот скрипт, предоставленный разработчиками SQL BI.

 Дата = 
VAR MinYear = ГОД (MIN (Коллизии [ДАТА АВАРИИ]))
VAR MaxYear = ГОД (МАКС (Коллизии [ДАТА АВАРИИ]))
ВОЗВРАТ
ADDCOLUMNS (
FILTER (
CALENDARAUTO (),
CALENDARAUTO (),
YEAR ([Date])> = MinYear, YEAR ([Date]) <= MaxYear)
),
«Календарный год», «CY» & YEAR ([Date]),
«Название месяца», FORMAT ([Date ], «мммм»),
«Номер месяца», MONTH ([Дата]),
«День недели», FORMAT ([Дата], «dddd»),
«Номер дня недели», WEEKDAY ([Дата]),
«Квартал», «Q» и TRUNC ((МЕСЯЦ ([Дата]) - 1) / 3) + 1
i

После того, как я пометил эту таблицу как таблицу дат, пришло время построить нашу модель схемы Star. Я переключусь в режим просмотра модели и установлю связи между таблицами:

Изображение автора

Это вам что-то напоминает? Точно так же, как на иллюстрации со звездой выше. Итак, мы следовали лучшим практикам моделирования данных в Power BI и построили модель схемы Star. Не забывайте, что мы смогли сделать это, не выходя из среды Power BI Desktop, используя только редактор Power Query Editor и без написания кода! Я слышу вас, я вас слышу, но код DAX для измерения даты не учитывается 🙂

Заключение

Наше аналитическое решение постепенно улучшается.После того, как мы выполнили необходимую очистку и формирование данных, мы достигли еще более высокого уровня, построив модель схемы Star, которая позволит нашему аналитическому решению Power BI работать эффективно и повысить общее удобство использования — как за счет устранения ненужной сложности, так и за счет создания более простого кода DAX. для разных расчетов.

Как вы сами стали свидетелями, мы еще раз доказали, что Power BI — это гораздо больше, чем просто инструмент визуализации!

В следующей части серии мы наконец перейдем к этой стороне поля и начнем создавать классные визуальные эффекты, используя возможности модели данных, которую мы создали в фоновом режиме.

Спасибо за чтение!

Станьте участником и читайте все новости на Medium!

Почему звездообразная схема важна для процессов Power BI

DETROIT — Power BI — это инструмент для бизнес-аналитики, который позволяет визуализировать данные и обмениваться информацией в рамках всей организации. Он отличается упрощенными возможностями публикации и распространения, а также интеграцией с другими продуктами и услугами Microsoft.

Это инструмент бизнес-аналитики, используемый для обработки и анализа данных из различных источников.

Photo Credit

Схема «звезда», с другой стороны, является логическим описанием этих наборов данных, где данные разделены на факты, таблицы и таблицы измерений. Таблица фактов содержит фактическую информацию, а таблица измерений содержит связанную информацию.

Он оптимизирует производительность, упрощая запросы и обеспечивая быстрое время отклика, поскольку вся информация, относящаяся к каждому уровню, хранится в одной строке.

Теперь, когда вы понимаете, что такое звездообразная схема, а также измерения и таблицы фактов, давайте посмотрим, почему звездообразные схемы важны для ваших процессов Power BI и почему вы должны использовать их в Power BI.

Производительность

Вы задавались вопросом, какой стиль организации данных обеспечивает наилучшую производительность? В звездной схеме есть все.

Он содержит четкие пути соединения и относительно небольшое количество таблиц для рабочей нагрузки в стиле BI. Когда вы представляете свои данные с использованием парадигмы ELT с помощью такого инструмента, как DBT, он помогает запускать ELT и поддерживать запросы типа BI в таких инструментах, как Looker или Periscope.

Если вы используете звездообразную схему вместо одной таблицы без измерений, вы ощутите существенное сокращение времени выполнения запросов.

Это означает, что запросы будут выполняться быстрее, чем в операционной системе. Повышение скорости при использовании звездообразной схемы составляет около 25% -50% в зависимости от используемого инструмента.

Со всеми данными дизайн звездообразной схемы займет меньше места на диске, одновременно улучшая концептуализацию и организацию кода ELT, что упрощает навигацию для конечных пользователей (аналитиков и составителей запросов).

Масштабируемость

Схема «звезда» может вместить все изменения, которые вы хотите внести в процессы Power BI, например добавление новых измерений.

Если у вас есть таблицы, в каждой из которых много строк, а общие таблицы измерений также содержат много строк, создание запроса может вас затруднить.

Однако звездная схема будет обрабатывать это автоматически, без специального моделирования или предварительной обработки, работающей в терабайтном масштабе для генерации запросов.

Ваши процессы бизнес-аналитики справятся с такими сложностями и масштабируют все измерения и таблицы с помощью реализации звездообразной схемы, и это значительно повысит успех и гибкость вашей инициативы бизнес-аналитики.

Фото Austin Distel на Unsplash

Простота

Схема «звезда» — это простейшая в использовании схема хранилища данных. Его очень легко понять, прочитать и реализовать. Размеры используются для нарезки данных и их суммирования для обеспечения оптимального использования диска.

Он в значительной степени поддерживается инструментами бизнес-аналитики, несмотря на размер ваших данных. Организовать данные в факты и измерения интуитивно понятно и быстро.

Существуют также альтернативы звездной схеме, такие как схемы снежинок, которые помогут вам логически упорядочить таблицы в многомерной базе данных, и схемы галактик, содержащие две таблицы фактов, которые совместно используют таблицы измерений между собой. Это поможет вам получить больше преимуществ от моделирования данных другим способом.

Информация в реальном времени

Звездообразная схема позволит вашей панели мониторинга Power BI обновляться в реальном времени по мере поступления данных.

Это даст вам возможность быстро определять возможности и решать проблемы, как только они возникают .

Схема «звезда» разделяет бизнес-данные на факты и измерения, которые можно отображать, обновлять и сообщать в виде данных и визуальных элементов в реальном времени. Вы можете выбрать потоковую передачу этих данных с заводских датчиков или источников в социальных сетях, из которых могут быть собраны данные, чувствительные ко времени.

Звездообразная схема также предоставляет вам более упрощенную логику бизнес-отчетности по сравнению с сильно нормализованными схемами.

Он упрощает общую логику бизнес-отчетности, такую ​​как логика отчетности за период и по состоянию на .Он также обеспечивает повышение производительности для приложений отчетов только для чтения.

Фото:

Служба поддержки

Обеспечение контроля над всеми бизнес-процессами становится сложнее с каждым днем ​​из-за больших объемов данных. Вам понадобится помощь в процессах Power BI, используя современные и профессиональные инструменты бизнес-аналитики с помощью звездообразной схемы.

Это одна из наиболее широко используемых схем, поскольку ее понимают многие и поддерживают многие инструменты бизнес-аналитики, такие как система данных, бизнес-аналитика SAS, четкая аналитика и анализ показателей.

Добавить комментарий

Ваш адрес email не будет опубликован.