Snowflake schema
Concept
スノーフレークスキーマは、ディメンションテーブルをさらに関連するテーブル(例えば製品カテゴリとサブカテゴリ)に正規化する次元データモデルです。スタースキーマのように各ディメンションがファクトテーブルに直接接続するのではなく、このように分割されます。
よく一緒に取り上げられるテーマ
Snowflake schemaに関するエピソードでは、スター スキーマ、DAX、Power Queryもよく取り上げられます。
Description
スノーフレークスキーマは、ディメンションテーブルをさらに関連するテーブルに正規化した次元データモデルです。スタースキーマでは、各ディメンションが1つのフラットなテーブルとしてファクトテーブルに直接接続しますが、スノーフレークスキーマではディメンションが複数の連結されたテーブルに分割されます。典型的な例は製品ディメンションで、製品、製品カテゴリ、サブカテゴリのテーブルに分けられ、それらが連鎖的に結合されます。この名称は、正規化されたディメンションを中央のファクトテーブルの周囲に描いたときにできる、枝分かれした形状に由来します。
このモデルは分析やビジネスインテリジェンスで使われ、測定可能な事象を保持するファクトテーブルと、それらの事象の文脈を説明するディメンションテーブルにデータを整理します。スノーフレーク型は、ディメンション側に正規化を適用したものです。M365.FMのエピソードによると、この正規化がスタースキーマとの違いを生みます。スタースキーマではファクトテーブルが各ディメンションテーブルに直接リンクし、ディメンションテーブルは非正規化されています。
エピソードで取り上げられる主なトレードオフは、クエリのシンプルさと、ストレージやガバナンス上の利点との間にあります。エピソード「Build a Power BI Star Schema for Faster Reports」は両設計を比較し、結合が少なくて済むためスタースキーマはクエリ性能が高速である一方、スノーフレークスキーマは追加の結合のために遅くなると述べています。同じ比較では、スタースキーマではDAX計算が単純化され、スノーフレークスキーマでは複雑になること、そして追加の結合によるパフォーマンスのオーバーヘッドによってレポートの応答性が低下しうることも述べられています。この比較では、スタースキーマは直感的で応答性の高いPower BIダッシュボードの選択肢として提示されています。
エピソード「Optimize Microsoft Fabric Lakehouse Performance」は、この選択を速度、ストレージ、チューニングの観点から、レイクハウスやウェアハウスのワークロードに位置づけています。スタースキーマは、非正規化されたディメンションテーブルを持つ中央のファクトテーブルであり、速度に最適化され、BIダッシュボード、レポートクエリ、読み取り中心のワークロードに適すると説明しています。スノーフレークスキーマは、正規化されたディメンションテーブルを持ち、結合のためにクエリが複雑になるとされています。このエピソードは、大規模データセット、ストレージの最適化、データガバナンスを、スノーフレークスキーマがより適している状況として挙げる一方で、クエリを遅くしうることも指摘しています。
エピソード「From Raw Data to Real Business Impact: Mastering Power BI and Microsoft Fabric with Thummalacherla Krishnakanth」は、この比較を企業レポーティングの広い視点の中に位置づけています。対談では、ファクトテーブルとディメンションテーブル、Power Queryによる変換、データ品質、リレーションシップ設計、クロスフィルターの方向、拡張可能なセマンティックモデルとあわせて、スタースキーマとスノーフレークスキーマを扱っています。エピソードは、適切に設計されたデータモデルがパフォーマンスを向上させ、DAX開発を単純化し、組織の成長に伴ってもレポートの保守性を保つと述べており、スノーフレークとスタースキーマのどちらを選ぶかという判断はこの文脈の中で行われます。
実際には、両設計の選択は優先事項によって決まります。高速でシンプルなクエリと分かりやすいDAXメジャーが最も重要な場合、たとえば読み取り中心のPower BIレポーティングでは、エピソードはスタースキーマを指し示します。大規模なディメンションの冗長性の削減、ストレージの節約、ガバナンスのサポートがより重要な場合は、それに伴う追加の結合や複雑なクエリを受け入れたうえで、スノーフレークスキーマが正当化されることがあります。利用可能な情報はこれらの比較に限られるため、スノーフレークスキーマを構築するための具体的なツール操作はここでは扱いません。
Overview compiled with AI from M365.FM episodes and the facts on this page. You can improve it with the edit button below.
| Type | Concept |
|---|---|
| Wikipedia | Snowflake schema – Wikipedia en.wikipedia.org |
Frequently asked questions
Questions marked with AI were written with AI from the facts on this page.
スノーフレークスキーマとスタースキーマの違いは何ですか? (AI)
スタースキーマではファクトテーブルが非正規化されたディメンションテーブルに直接リンクするのに対し、スノーフレークスキーマではディメンションテーブルが製品カテゴリやサブカテゴリなどの関連テーブルに正規化されます。
Power BIではスノーフレークスキーマはスタースキーマより遅いですか? (AI)
M365.FMのエピソード「Build a Power BI Star Schema for Faster Reports」によると、スノーフレークスキーマは追加の結合が必要になるため遅く、DAX計算が複雑になり、レポートの応答性が低下することがあります。
スノーフレークスキーマが適切な選択となるのはどのような場合ですか? (AI)
エピソード「Optimize Microsoft Fabric Lakehouse Performance」は、大規模データセット、ストレージの最適化、データガバナンスを、結合の複雑さが増すにもかかわらずスノーフレークスキーマが最も適している場合として挙げています。
Community wiki
Short info above, community knowledge below: add practical tips, examples or corrections. New contributions are reviewed first; trusted members publish directly.
Experts and companies for this topic
Nobody has listed this topic yet. Add it to your profile.
Sources
- Snowflake schema – Wikipedia en.wikipedia.org
Maintained by Mirko Peters (Microsoft MVP) · Last updated: