在银行数据仓库建设中，如何设计维度表和事实表，以支持业务分析（如客户资产分析、贷款分布分析）？

招商银行职能类岗位难度：中等

答案

1) 【一句话结论】在银行数据仓库中，维度表需围绕业务分析维度（如客户、时间、产品）设计，事实表聚焦业务事件（如交易、贷款）的度量值，通过星型模式关联，支撑客户资产、贷款分布等分析。

2) 【原理/概念讲解】维度表是描述业务实体的“属性集合”，比如“客户维度表”包含客户ID、年龄、渠道等，用于提供分析维度；事实表是业务事件的“度量值集合”，比如“贷款发放事实表”包含贷款ID、金额、发放日期等，存储可加总的数据（如金额、笔数）。类比：维度表像超市的“商品目录”（描述商品属性），事实表像“销售记录”（记录销售金额、数量）。

4) 【示例】
假设银行数据仓库中，客户资产分析需“客户维度表”和“资产事实表”：

客户维度表（客户维度）：
- 客户ID（主键，外键关联事实表）
- 客户姓名
- 年龄
- 渠道（如线上/线下）
- 入行日期
资产事实表（资产事实）：
- 事实ID（主键）
- 客户ID（外键，关联客户维度）
- 资产类型（如活期/定期/贷款）
- 资产金额（数值型，可加总）
- 记录日期
  查询示例：计算“30-40岁线上渠道客户的总资产”——通过客户维度筛选年龄和渠道条件，对资产事实表的金额汇总。

5) 【面试口播版答案】面试官您好，针对银行数据仓库中维度表和事实表的设计，核心思路是围绕业务分析需求构建星型模式。首先，维度表要覆盖分析维度，比如客户维度（包含客户ID、年龄、渠道等属性）和时间维度（日期、月份、季度），这些表低基数、属性描述性强；事实表则聚焦业务事件，比如“贷款发放事实表”存储贷款ID、客户ID、贷款金额、发放日期等，其中金额是可加总度量值。通过维度键（如客户ID）关联，支持客户资产分析时，可按客户维度切片（如按年龄、渠道）对事实表中的资产金额进行聚合，快速得到不同维度的分析结果。比如计算“30-40岁线上客户的总资产”，就是通过客户维度筛选年龄和渠道条件，对资产事实表的金额汇总，这样既满足业务分析需求，又保证数据模型的灵活性和查询效率。

6) 【追问清单】

问题1：如果业务分析增加“产品类型”维度，如何扩展维度表？
回答要点：新增“产品维度表”，包含产品ID、产品名称、产品类型等属性，通过产品ID外键关联事实表，支持按产品类型分析贷款分布。
问题2：事实表中如何处理非加总度量值（如贷款状态）？
回答要点：将非加总度量值（如状态）单独存储在事实表中，或通过事实表与状态维度关联，支持状态维度的分析。
问题3：银行数据仓库中，如何处理高基数维度表（如客户表百万级）？
回答要点：采用分区策略（按时间分区），或使用星型模式中的“雪花模式”优化维度表结构，减少冗余，提升查询性能。
问题4：维度表中的“属性”如何避免冗余？
回答要点：通过数据清洗和标准化（如统一渠道名称），确保属性唯一性，避免重复存储。
问题5：事实表中的“度量值”如何保证数据一致性？
回答要点：建立数据质量规则（如金额非负），通过ETL流程校验，确保度量值准确。

7) 【常见坑/雷区】

坑1：将维度表和事实表混淆，比如将事实表作为维度表使用，导致分析维度缺失。
坑2：事实表中包含非加总度量值，未单独处理，影响聚合查询。
坑3：维度表基数过高未优化，导致查询性能下降。
坑4：忽略业务分析需求，维度表设计不全面（如遗漏关键维度）。
坑5：未考虑数据更新机制，维度表和事实表数据不一致。