数据仓库的核心职责，是支撑数据分析和业务决策。而在数仓的整个架构里，事实表和维度表是最基础、也是最关键的两个组件。
不管是跑报表、做指标，还是做更复杂的多维分析，本质上都是在围绕这两张表做关联和计算。
那么，事实表和维度表到底有哪些区别？今天就给大家一次性讲清楚。
一、维度表
维度表的核心作用是描述数据的上下文，提供数据分析的各类维度属性，是所有分析的筛选、分组依据，这是它的核心定位，不会随业务变化而改变。
1、核心存储内容：以业务对象的特征属性为主，非数值型数据居多。
- 比如时间维度表含年、月、日、星期、季度；
- 客户维度表含客户ID、地域、年龄、消费等级；
- 产品维度表含产品ID、品类、规格、品牌，这些都是对对象的固定描述。
2、两个关键特性
- 必须有唯一主键标识符，这是和事实表联动的基础，该主键会作为事实表的外键，没有这个主键，二者无法建立有效关联；
- 大多带有层次结构，比如产品维度的品类-子品类-具体产品、地域维度的国家-省份-城市，这种结构能实现数据分析从粗到细的钻取，是分析灵活性的关键。
实操设计要点：设计时要兼顾扩展性，业务需求变化后，维度属性大概率需要增加，比如客户维度后续要加会员等级、消费偏好，提前预留设计空间，能避免后期大规模改表；同时属性要贴合分析需求，分析需要什么筛选维度，就设计对应的属性字段。
数据特征：数据量小、更新频率极低，甚至长期不更新。比如产品的基础属性、地域的层级信息，一旦确定就不会轻易变动，数仓中维度表的行数通常远少于事实表。
二、事实表
事实表是数仓中存储业务过程度量数据的核心表，所有数据分析的计算、汇总，都是基于事实表的数值展开，是数仓的核心分析载体。
1、核心存储内容：以业务过程的可度量数值为主，也就是那些可以被量化、可以被汇总的数字，搭配关联维度表的外键，无任何业务特征描述。
比如销售事实表的销售金额、销售数量、折扣金额，交易事实表的交易笔数、交易金额，这些数值均为整型或浮点型，支持汇总计算。
2、三大核心特性
-
- 数据量大，记录的是业务过程中每一个具体事件或交易，比如银行的交易事实表、电商的下单事实表，每天会产生数百万甚至上亿条记录；
- 度量值按可加性分类，直接影响分析操作，可加型（如销售金额，任意维度汇总均有意义）、半可加型（如库存，仅特定维度汇总有意义）、不可加型（如优惠率，需分解为原价和优惠金额等可加组件）；
- 更新频率高， 多为实时或近实时增量更新，业务过程发生即产生数据，和维度表的静态特征形成鲜明对比。
3、实操设计细节
-
- 外键绝对不能有空值，否则会违反参照完整性，导致关联查询出错；度量值空值建议用零值填充，避免SQL过滤、计算操作失效；
- 先声明粒度再设计表，粒度是事实表设计的第一步，比如按“每一笔订单项”“每一次交易”定义，粒度确定后，才能明确关联的维度和需要的度量值。
4、数据特征：字段少、行多，字段多为外键和度量值，一个销售事实表可能只有十几个字段，却有上亿条记录，和维度表“字段多、行少”形成明显区别。
5、事实表的三种类型
- 事务事实表，是最基础的事实表类型。每一行数据对应一个业务事件，事件发生了就写入一条记录，写入后不再修改。它的特点是数据稀疏，某一天如果没有业务发生，就没有数据。适合用来追踪明细流水，比如交易记录、操作日志、出入库记录。
周期快照事实表， 按固定时间间隔对业务状态进行采样。不管当天有没有业务发生，都会写入一行。数据稠密，比如每天对每个卖家的历史累计下单金额做一次快照，即使某个卖家当天没有任何交易，也会有一行记录保存他的当前状态。这种表适合做趋势分析和周期性报表。需要注意的是，快照事实表里的度量值大多是半可加型的。比如今天的库存数量加上昨天的库存数量，这个结果没有意义，不能简单地在时间维度上累加。
累积快照事实表， 用来记录一个业务对象完整生命周期内的状态变化。它的典型特征是一行数据包含多个时间字段，并且这行数据会随着业务推进不断被更新。这种表特别适合用来分析各业务节点之间的时间间隔，比如下单到支付的平均时长、支付到发货的平均时长，这类问题用事务事实表很难回答，但用累积快照事实表就很直接。
三、核心区别，一张表搞懂
四、两者如何关联使用
事实表和维度表并非独立存在，而是相互配合，共同构成数仓的星型、雪花模式，核心关联逻辑只有一个：维度表的主键 + 事实表的外键。
- 关联逻辑实操：比如销售事实表中会有客户ID、产品ID、时间ID这些外键，分别关联客户、产品、时间维度表的主键，通过这种关联，就能把销售的度量数值和对应的客户、产品、时间特征结合，实现多维度分析。
- 为何不能孤立设计？很多新手建表后发现无法分析，就是因为孤立设计导致粒度和属性不匹配。比如设计销售事实表时，确定了“订单项”粒度，就需要关联客户、产品、物流等维度表，而维度表的设计，也要贴合这个粒度的分析需求，比如需要按客户消费等级分析，客户维度表就必须有消费等级属性。
- 关联分析的本质：所有多维分析，都是“维度表筛选分组 + 事实表数值汇总”的过程。比如分析某季度华东地区美妆品类的销售总额，就是通过时间维度筛选季度、地域维度筛选华东、产品维度筛选美妆，再关联销售事实表汇总金额，你懂我意思吗？这是所有数仓分析的底层逻辑。
五、维度表和事实表的设计与维护
数仓的性能和分析效率，很大程度上取决于事实表和维度表的设计是否合理，前期多花时间打磨表结构，后期数据分析会轻松很多。
1、维度表设计&维护
- 合理分类组织属性，把常用的筛选、分组属性放在表里，避免冗余；
- 做好缓慢变化维处理，比如客户地域、消费等级变化时，要保留历史数据，避免数据分析出现偏差；
- 始终围绕事实表的分析需求设计，事实表需要什么维度，维度表就提供对应的属性。
2、事实表设计&维护
- 严格遵循设计原则，比如尽可能包含业务相关事实、同一表中不能有多种粒度、事实单位保持一致等；
- 关注数据一致性，跨事实表的相同度量，定义和命名必须一致，否则会导致分析结果混乱；
- 度量值处理要规范，不可加型事实必须分解为可加组件，空值按规则填充，外键杜绝空值。
最后
其实事实表和维度表的区分，本质上就是描述信息和度量信息的区分，把二者的边界划清、配合用好，数仓建设和数据分析的基础就立住了，后续的钻取、汇总、多维度分析，都会水到渠成。
