面试中的数据模型设计问题该怎么回答？

面试中关于数据模型设计是一个很常见的问题，这个问题很宽泛、看起来很简单，但是想回答好并不容易。

这篇文章很短，我们就简单聊一下这个问题。

问题本身

模型设计本身是一个开放性的问题，什么意思呢？这个问题并没有100%对的标准答案。

当然各种社区有很多关于模型设计的方法论、规范性质的文章可以参考，但是这些理论不足以支持你拿到一个面试官满意的评价。

这个问题到底该怎么回答？

下面这个思路供大家参考。

先说核心基础内容

在做数仓建模、模型设计时，首先我们要表达出来整体的建设思路，这个建设思路必须包含下面这几个内容：

1. 模型的分层

2. 数据域的划分和业务过程

3. 开发命名规范

可以在这些内容的基础上进行扩展，你可以把某个核心业务场景带入进来，告诉面试官你在真实场景中是如何做的。

例如你可以在某个场景中按照不同的模型设计方法做对比，然后告诉面试官你们最终的选择和原因。

有真实的业务场景帮你做背书，比「虚空」描述来的更加可信和有说服力。

再强调建设思路

建设思路这部分，我非常建议大家可以从模型设计的一些基本原则入手。分别在维度层、明细层、汇总层以及可能有的数据集市做描述，例如：

维度层

可以强调你们在维度层建设的时候的一些基本原则，例如不做跨域关联、不做基于业务过程的二次加工，核心原则是保障维度表的质量和时效等。

明细层

在明细层你可以表达，明细层是维度建模的核心。在明细层的设计中会包含业务过程、维度属性以及通用的业务逻辑封装，尽量多的冗余维度属性和事实字段，提升覆盖度和易用性。

汇总层

在汇总层可以表达重点关注，指标的计算口径统一、提升复用性，并且汇总层还会承担指标的标准化沉淀。核心原则是减少重复加工，沉淀某个业务粒度下的业务过程指标。

另外如果你们还有关于数据集市的建设，可以表达你们的考量是什么？例如易用性？可扩展性？冗余各种跨域关联计算的高度汇总指标？等等。

这些内容都是建设思路的表达，最好结合具体的真实的业务过程来跟面试官交流，并且在表达过程中要有自己的思考。这么做的优点是什么？缺点又是什么？

最后概括设计原则

可以总结一下模型设计的一些原则，例如可以从下面内容来表达：高内聚、低耦合，公共逻辑抽象，扩展性，成本考量等。

上面的内容最好结合实际的业务场景表达，并且可以针对性的在某个点进行展开，例如可以通过数据冗余降低数据的查询和更新成本等。

总之

这个问题是一个宽泛、无标准答案的问题。

如果你实在不知道如何下手，可以参考我上面的思路。或者结合自己掌握的关于建模的其他理论、实践新增或者减少。

「言之有物」 和 「思路清晰」 是回答好这个问题的关键。

300万字！全网最全大数据学习面试社区等你来！

如果这个文章对你有帮助，不要忘记 「在看」 「点赞」 「收藏」 三连啊喂！

全网首发|大数据专家级技能模型与学习指南(胜天半子篇)

互联网最坏的时代可能真的来了

我在B站读大学，大数据专业

我们在学习Flink的时候，到底在学习什么？

193篇文章暴揍Flink，这个合集你需要关注一下

Flink生产环境TOP难题与优化，阿里巴巴藏经阁YYDS

Flink CDC我吃定了耶稣也留不住他！| Flink CDC线上问题小盘点

我们在学习Spark的时候，到底在学习什么？

在所有Spark模块中，我愿称SparkSQL为最强！

硬刚Hive | 4万字基础调优面试小总结

数据治理方法论和实践小百科全书

标签体系下的用户画像建设小指南

4万字长文 | ClickHouse基础&实践&调优全视角解析

【面试&个人成长】社招和校招的经验之谈

大数据方向另一个十年开启 |《硬刚系列》第一版完结

我写过的关于成长/面试/职场进阶的文章

当我们在学习Hive的时候在学习什么？「硬刚Hive续集」