...
Smartbi的数据模型实现将所有查询结果归集后，基于CUBE模型重新构建数据结构：以“维度”和“度量”进行构建，同时增加了“成员”和“命名集”的定义，实现了数据模型构建的灵活性及应用广泛性。
Smartbi的数据模型基于成熟的建模理论和方法，总体而言主要体现在两方面：模型架构和模型表关系。Smartbi的数据模型基于成熟的建模理论和方法，总体而言主要体现在两方面：模型架构和模型表关系。
事实数据表
事实数据表用于存储累积的行，这些行表示观察结果或记录特定业务活动的事件。 例如，销售事实数据表中存储的事件可以是销售订单和订单行。 也可以使用事实数据表记录存货变动、存货结余或每日汇率。 事实数据表通常包含大量的行。 随着时间的推移，事实数据表行将累积。 在分析查询（将在此模块的后续部分对它进行定义）中，通过汇总事实数据表数据来生成值，如销售额和数量。
维度表
维度表描述业务实体，这些实体通常表示人员、地点、产品或概念。 日期维度表是常见的概念维度表示例，此表会针对每个日期包含一个行。 借助维度表中的列，可以对事实数据表数据进行筛选和分组。
每个维度表都必须具有一个唯一列，此列称为键列。 唯一列不包含重复的值，并且任何情况下都不会有缺失的值。 在产品维度表中，此列可能命名为“ProductKey”或“ProductID”。 其他列可能会存储描述性的值，如产品名称、子类别、类别、颜色等。 在分析查询中，这些列用于对数据进行筛选和分组。
比较事实数据表和维度表
下图比较了事实数据表和维度表的特征。
| 特征 | 维度表 | 事实数据表 |
|---|---|---|
| 模型用途 | 存储业务实体 | 存储事件或观察结果 |
| 表结构 | 包含一个键列和用于进行筛选和分组的描述性列 | 包括维度键列和可以汇总的数值度量值列 |
| 数据卷 | 通常包含的行较少（相对于事实数据表） | 可以包含大量行 |
| 查询用途 | 用于筛选和分组 | 用于汇总 |
2 模型架构
数据模型是围绕事实表和维度表的关系而进行模型的构建：
- 事实表：是数据模型中的中央表，它包含联系事实与维度表的数字度量值和键。事实数据表包含描述业务（例如产品销售）内特定事件的数据。
- 维度表：是维度属性的集合，是分析问题的一个窗口，是人们观察数据的特定角度，是考虑问题时的一类属性，属性的集合构成一个维。
...
| 锚 | ||||
|---|---|---|---|---|
|
2.1 星型模型
星型模型：所有维表都直接连接到事实表上，整个视图就像星星一样，是推荐的模型结构。
...
若要详细了解关系，请参阅 Smartbi 中的模型关系。
| 锚 | ||||
|---|---|---|---|---|
|
2.2 雪花模型
雪花模型与星型模型类似，都包含了事实表和维度表。但在维度表的组织方式上有所不同。在雪花模型中，维度表被细分成多个规范化的表格，形成了多层级结构，就像雪花一样。
...
雪花模型是对星型模型的扩展，它对星型模型的维表进一步层次化，原有的各维表可能被扩展为小的事实表，形成一些局部的 "层次 " 区域，这些被分解的表都连接到主维度表而不是事实表。如将产品维表分解为产品类别维表。
| 锚 | ||||
|---|---|---|---|---|
|
2.3 星座模型
星座模型：包含多个事实表，维表是公共的，可以共享，视图如下：
| 锚 | ||||
|---|---|---|---|---|
|
2.4 单表模型
可以理解为一张大宽表，指标、维度、属性关联在一起的一张表，如下图：
3 模型相关概念
我们在Smartbi设计数据模型架构前，需要对模型设计紧密相关的概念有清晰的认识和理解：我们在Smartbi设计数据模型架构前，需要对模型设计紧密相关的概念有清晰的认识和理解；维度建模的概念，并不是Smartbi提出来的，早在很久之前，就有维度建模的概念，相关的名称也都是已存在的。
3.1 度量值
...
度量通常是指数据集合中可数的数值型属性，通常用于数据的统计分析、计算和比较，例如计算平均值、最大值、最小值、合计等；在构建模型时，需要理解业务需求、上下文和目标，帮助选择合适的维度和度量，确保分析结果与业务实际情况相符合。
Smartbi数据模型中的度量值表达式通常利用 聚合函数（如 SUM、MIN、MAX、AVERAGE 等）在查询时生成标量值结果（值永远不会存储在模型中）。
度量值表达式涵盖广泛，从简单的列聚合到更复杂的公式应有尽有，这为模型开发者提供了便利，因为在很多情况下都无需写MDX表达式创建度量值： 如“订单明细”表中的“销售量”列可以通过多种方式进行汇总（包括 SUM、COUNT、AVERAGE、MEDIAN、MIN、MAX 等）。
3.2 维度
维度通常指数据集合中的属性数量或维度数量，用于描述数据的不同方面和特征，并支持数据的分类、分组和汇总，以及数据的可视化和多维分析，维度是定性的、被描述的、不能被测量的。下面具体说明各种维度类型。
3.2.1 雪花维度
雪花维度是单个业务实体的一组规范化表 。例如：“产品”维度经过了规范化并存储在两个相关表中：产品类别维度和产品维度。这些规范化表位于事实数据表之外，形成雪花形状的设计。
...
在选择集成到一个模型表中时，还可以定义一个层次结构，其中包含维度的最高和最低粒度。 冗余非规范化数据的存储可能会增加模型存储大小，尤其是在维度表很大的情况下。
3.
...
角色扮演维度是能以不同方式筛选相关事实的维度 。 例如，在Northwind中，订单维度表与订单销售明细事实之间有三种关系：可以使用同一维度表中按订单日期、发货日期或交货日期筛选事实。
数据仓库中接受的设计方法是定义单个日期维度表。 在查询时，日期维度的“角色”是通过用于联接表的事实列建立的。 例如，在按订单日期分析销售情况时，表联接与订单日期列相关。
在Smartbi数据模型中，我们用一种常见的建模方法解决，就是为每个角色扮演实例创建维度类型表。 该模型可以包含日期表、发货日期表和交货日期表，每个表与其对应的销售表列之间都存在单一且活动的关系 。
3.4 杂项维度
如果有多个维度，特别是包含几个属性（可能只有一种）并且这些属性的值很少时，则杂项维度非常有用 。
合适的候选项包括订单状态列或客户人口统计列（性别、年龄分组等）。
杂项维度的设计目标是将多个“小”维度合并为一个维度，以减少模型的存储大小，还可以通过呈现更少的模型表来缓解“字段”窗格的混乱情况 。
杂项维度表通常是所有维度属性成员的笛卡尔积，具有唯一标识列。 可以在数据仓库中构建维度，也可以通过使用Smartbi数据模型中的私有查询创建，并此查询作为维度类型表加载到模型中。
...
2.2 退化维度
退化维度指的是筛选所需的事实数据表的属性 。 我们的northwind中就有一个例子，就是销售订单号。 在这种情况下，创建仅包含这一列的独立表对模型设计并没有什么积极作用，因为这会增加模型的存储大小，并导致“字段”窗格混乱 。
在Smartbi模型中，可以将销售订单号列添加到事实类型表，以允许按销售订单号进行筛选或分组。
3.
...
3 无事实事实数据表
无事实事实数据表不包含任何度量值列 。 它仅包含维度键。
...
无事实事实数据表的更有力的用途是存储维度之间的关系，例如，假设销售人员可以分配到一个或多个销售区域 ， 则需要设计为包含两列的无事实事实数据表：销售人员键和区域键， 这两列中可以存储重复的值。
3.
...
4 模型表关系
模型设计过程中，模型表的关系也是很重要的一项内容，详细可查阅：设置查询关系。
关系的确立需要通过匹配键列中的数据（通常是两表中同名的列）。在大多数情况下，该关系会将一个表中的主键（它为每行提供了唯一标识）与另一个表的外部键中的某项相匹配。例如，通过创建 orderdetails表中的 orderid（主键）与orders 表中的 orderid 列（外部键）之间的关系，则销售量就与订单相关联了。
3.
...
4.1 一对多（多对一）关系
一对多和多对一是相对关系，如下列的课程表与老师表：
...
Course表中的T_id字段建立外键约束，指向Teacher表中的T_id。
3.
...
4.2 一对一关系
在一对一关系中，A 表中的一行最多只能匹配于 B 表中的一行，反之亦然。比如，一个人只能有一个身份证号，一个身份证号只能属于一个人。
...
- 分割具有多列的表。
- 由于安全原因而隔离表的一部分。
- 保存临时的数据，并且可以毫不费力地通过删除该表而删除这些数据。
- 保存只适用于主表的子集的信息。
3.
...
4.3 多对多关系
多对多的关系，可以看成是两个多对一的关系，如下的课程表和学生表：
...
