基于 Dataphin 进行主题式查询的小窍门

导读：之前给大家介绍了 Dataphin 的主题式数据查询的相关内容，今天就通过一个案例给大家带来一些基于Dataphin 提供的逻辑 SQL 进行主题式查询使用上的小窍门，希望能帮助大家更好的使用 Dataphin 进行主题式查询。

背景：某企业周年庆推出了一些营销活动，老板想查看一下各个门店的在这次活动中的营销效果如何，刚刚学会使用Dataphin的小D接到了这个任务，信心满满。整个过程分为数据准备、分析思路构建和执行（执行前进行基本的数据探查式分析）。
一、数据准备：
基于Dataphin的规范建模功能小D建立了如下图所示的逻辑模型，以活动为中心，同时关联了参与活动的相关门店信息。这样，所有需要分析的活动相关的数据基本上都已经在这个“活动事实表”中可以获取到了。

二、分析思路构建：
营销效果的分析，目的是客观呈现门店的情况，同时发现其中的问题。因此采用了总、分、对比及专项问题探索的方式进行分析。
1、总：对活动总体情况进行分析，宏观了解活动总体体量；
2、分：拆解至地域（省份、城市）、渠道（门店）、时间（各月份），进行细项的了解和查看；
3、对比：分析中常见的方式是横向对比（如门店间、城市间等）、纵向对比（时间趋势、同环比）；
4、专项：定义潜在的问题专项，专题量化分析，如门店活动执行率优/劣、营收贡献度的情况；

三、执行：
在实际执行前，小D主要工作是进行数据的探查。这个时候就要发挥前面准备的数据逻辑表的威力啦！

几秒钟的功夫，想要的数据就已经获取到啦！小D心花怒放。
这里小编追加给一个小窍门哦！
考虑到逻辑表的字段很多，且是星型模型的，Dataphin 逻辑 SQL 对逻辑SQL的SELECT_进行了一定返回结果字段限制，即：SELECT_只会返回当前逻辑表主表的字段（当前例子中是活动事实表忠心部分的内容），不会返回引用表（当前例子中的活动维度表）的字段。
如果要查询引用表字段，可以通过这样方式：

2、接着，小D决定对活动执行率进行专项分析下：查询浙江省今年8月份，实际做活动产场次小于计划活动场次的门店情况：

这里小编再给一个窍门哦！
逻辑表通常是通过星型模型进行组织，所以使用中可以从一张逻辑表出发，通过引用关系访问其他多张表的字段。
比如小D想获取 dim_shop 维表中的店铺信息，通过关联查询语句 a.dim_shop.xxx 就可以直接查询得到。
要注意的是，引用逻辑表的访问，采用的是角色名而不是逻辑表名，dim_shop就是角色名。类比面向对象方法，一个对象有多个实例，在Dataphin中，逻辑表就相当于对象，角色则相当于实例。因为有可能多个字段引用了同一张逻辑表，而逻辑表含义(实例)其实已经不同了，因此需要通过角色来进行区分。比如：交易活动中，买家和卖家的基本信息都是来自会员表，那么会员表就会在这个逻辑模型中出现两次，一次角色为买家表、另一次角色为卖家表，其中涉及的字段都是一样的。
于是只用了几分钟，小D又完成了一个分析指标。还好之前认真看了用户指南，现在查询起来手到擒来，小D暗喜。

3、最后，小D 决定对活动销售金额贡献度专题分析下，查询 19 年 11 月上半月门店销售额大于1万所在的城市情况：

如果没有在Dataphin中建好的逻辑模型，小D需要执行如下 SQL语句获得结果：

这里小编再给一个窍门哦！
需要注意的是关于时间分区的使用：
如果查询语句中显式指定分区，Dataphin 会按照分区进行对齐查询这个逻辑表对应的各项数据的时间分区；
如果没有指定引用表分区（主表分区必须指定），将出现数据关联暴涨、数据倾斜等可能影响数据查询结果或查询时间的情况，所以我们提供了分区的默认指定（引用表默认分区规则：主表分区限定的最大值；如本例中，默认用了主表分区最大值’20191115’）。

对比下来，效率真是提升了不少呢，出错几率也大大降低了。
接下来，小D针对探索的数据情况，将进行系统性的数据查询和数据分析报告撰写啦！
最后小编再给一个窍门哦！
Dataphin的逻辑表打通阿里云BI工具Quick BI的功能即将上线，探查完数据后，分析可以到Quick BI中拖拉拽、可视化地完成，导出报告递交老板，效率杠杠滴！！

欢迎大家跟小D一起来体验Dataphin，在业务场景中使用上述小技巧，提升研发效率、探索数据价值哦~