缓慢变化维度类型1

对于变化的维度属性，类型1的处理方式是数据架构师可用的最简单且最具破坏性的策略。当源系统中维度属性发生变化时，此方法会用新值覆盖维度表中对应的属性。不保留任何历史数据。记录只反映最新状态，这相当于声称旧值从未存在过。

这种方法主要用于更正数据错误（例如拼写错误），或管理对业务分析而言历史准确性不重要的属性。虽然它易于实施且存储效率高，但在部署前，您必须了解它在分析报告中产生的特定副作用。

更新机制

当ETL管道检测到源记录发生变化时，系统使用自然键定位维度表中对应的行。然后更新已更改的特定列。代理键保持不变，保持与事实表的引用完整性。

设想一个场景，维度表中定义了一个客户“Acme Corp”。该客户最初被分配到“东部”销售区域。如果销售组织重组并将Acme Corp移至“西部”区域，类型1更新会简单地将该客户行中的字符串“East”更改为“West”。

下图说明了类型1更新期间维度行的状态转换。

类型1更新机制中，原始值永久丢失并被新值替代。

实现逻辑

从工程角度看，类型1通常通过SQL中的MERGE语句或UPDATE命令来实现。其逻辑是将传入的暂存数据与现有目标维度进行比较。

如果我们将维度属性集表示为 $A = \{a_1, a_2, ..., a_n\}$，将传入的新状态表示为 $A'$，则操作确保对于任何行 $r$：

$r[a_i] \leftarrow A'[a_i]$

这种等式赋值无论行何时创建都会发生。在Snowflake或BigQuery等现代云数据仓库中，标准的MERGE模式可以高效地处理这种情况：

MERGE INTO dim_customer AS target
USING stg_customer_updates AS source
ON target.customer_id = source.customer_id
WHEN MATCHED AND target.territory != source.territory THEN
  UPDATE SET target.territory = source.territory;

请注意，我们只在值不同时才进行更新。这可以避免不必要的写入操作，因为在依赖微分区的列式存储中，这些操作会产生开销。

对历史报告的影响

SCD 类型1的主要权衡是历史数据的改写。由于属性是原地修改的，任何链接到该维度行的事实表记录都会立即与新值关联。即使对于几年前发生的交易也是如此。

以上述示例为例：

1. 2022年，Acme Corp（东部）购买了价值1,000美元的商品。
2. 2022年运行的报告显示“东部”区域收入为1,000美元。
3. 2023年，Acme Corp迁至“西部”。类型1更新执行。
4. 2023年运行的关于2022年业绩的报告现在显示“西部”区域收入为1,000美元。

这种现象违反了报告不可变原则。基于维度属性的聚合会随时间发生变化。如果 $R$ 是特定区域 $T$ 的总收入，计算方式如下：

$R_T = \sum_{i=1}^{n} (p_i \times q_i) \text{ 其中 } Territory(d_i) = T$

当 $Territory(d_i)$ 通过类型1更改时，项 $(p_i \times q_i)$ 将从旧区域的总和转移到新区域。历史期间的总收入数字每次生成报告时都会变化。

适用场景

尽管会破坏历史数据，SCD 类型1仍然是特定属性的正确设计选择。您应该在以下情况下采用此模式：

1. 数据修正： 变化是为了更正错误（例如将拼写错误的姓名从“Jonh”更正为“John”）。我们希望历史数据反映“John”，因为“Jonh”从未真实存在过。
2. 不相关的历史数据： 业务不需要跟踪特定列的历史数据。例如，如果客户更改了电子邮件地址，市场部门可能只关注当前有效的电子邮件地址以确保联系得上。他们不需要根据旧的电子邮件域名分析销售业绩。
3. 性能优化： 维度表非常庞大（数百万行）且变化迅速，但这些变化在分析上并不重要。为每次微小更新维护历史数据（类型2）会使表膨胀并降低查询性能。

通过明确选择类型1，您优先考虑当前数据的准确性和存储效率，而不是历史数据的保留。在下一节中，我们将介绍类型2，类型2通过对行进行版本管理而非覆盖来解决历史一致性问题。