Leçon 1Objets magasin et localisation : Store_ID, Store_Name, Region, Country, ChannelDéfinissez les objets de dimension magasin et localisation pour l'analyse de détail. Apprenez à modéliser identifiants magasin, noms, régions, pays et canaux, et comment ces attributs soutiennent les rapports de performance géographique et canal.
Store_ID as the store business keyStore_Name standards and cleansingRegion and country hierarchiesChannel classification and mappingLocation attributes for filteringLeçon 2Clés, jointures et alias : techniques pour dimensions conformes et jointures multiples vers la même tableModélisez clés, jointures et alias pour supporter les dimensions conformes. Apprenez à joindre dimensions partagées à plusieurs faits, éviter les boucles et utiliser des alias de table pour représenter différents rôles ou chemins dans le schéma d'univers.
Natural versus surrogate keys in designInner and outer join choicesCreating and using table aliasesResolving join loops with contextsValidating join paths with sample queriesLeçon 3Objets d'univers principaux : Sales_Revenue (sum), Units_Sold (sum), Gross_Margin (sum), Discount_Amount (sum)Concevez les mesures de faits de vente principaux dont dépendent les utilisateurs. Apprenez à modéliser chiffre d'affaires, unités, marge et remises comme mesures additives, définir comportement d'agrégation et documenter règles métier derrière chaque métrique dans l'univers.
Business definition of Sales_RevenueUnits_Sold measure and aggregation rulesGross_Margin calculation and validationDiscount_Amount sourcing and logicMeasure formatting and number scalingLeçon 4Objets dérivés et calculés : variables pour Margin_Pct, Stock_Turnover, Days_of_Inventory, Slow_Mover_FlagCréez objets dérivés et calculés qui encapsulent la logique métier. Apprenez à construire pourcentage de marge, rotation des stocks, jours d'inventaire et indicateurs slow-mover tout en gardant les formules maintenables et bien documentées.
Margin_Pct formula and rounding rulesStock_Turnover calculation optionsDays_of_Inventory business definitionSlow_Mover_Flag thresholds and logicValidating derived metrics with samplesLeçon 5Objets d'univers supplémentaires : Selling_Price (detail), Cost_of_Goods_Sold (detail), Stock_Level (snapshot), Stock_Value (calculated)Modélisez mesures de détail et instantanés supplémentaires qui enrichissent l'analyse. Apprenez à exposer prix de vente, coût des biens vendus, niveau de stock et valeur de stock, et comprenez quand utiliser détail versus objets agrégés dans les rapports.
Selling_Price as a detail objectCost_of_Goods_Sold sourcing and rulesStock_Level as a snapshot measureStock_Value as a calculated measureChoosing detail versus aggregated objectsLeçon 6Gestion de plusieurs tables de faits : types de jointure, contextes et alias pour prévenir pièges en éventail et gouffreManipulez plusieurs tables de faits en toute sécurité dans un univers. Apprenez stratégies de jointure, contextes et alias pour éviter pièges en éventail et gouffre, assurant que rapports combinés ventes et stocks retournent résultats précis et non dupliqués.
Identifying fan and chasm trap patternsJoin strategies for multiple fact tablesUsing contexts to isolate fact combinationsAliases to separate incompatible joinsTesting combined sales and stock queriesLeçon 7Objets de dimension : Product_ID, SKU, Product_Category, Product_Subcategory, BrandConcevez objets de dimension produit robustes pour l'analyse. Apprenez à exposer IDs, SKUs, catégories, sous-catégories et marques, gérer attributs changeant lentement et assurer rollups produit cohérents sur toutes les tables de faits.
Product_ID as primary business keySKU granularity and uniquenessProduct_Category hierarchy designProduct_Subcategory relationshipsBrand attributes and reporting useLeçon 8Éviter le double comptage : définition grain clair, contextes aggregate-aware, explication mesures semi-additivesComprenez comment prévenir le double comptage dans les rapports agrégés. Apprenez à définir grain de fait clair, utiliser objets et contextes aggregate-aware, et gérer correctement mesures semi-additives comme stock et soldes sur le temps.
Defining a clear and consistent fact grainAggregate-aware measures and objectsDesigning and using universe contextsSemi-additive measures across timeTesting reports for hidden double countingLeçon 9Objets temps : Calendar_Date, Fiscal_Year, Fiscal_Period, Week, Month_To_Date_FlagConcevez objets de dimension temps pour analyse de période flexible. Apprenez à exposer dates calendrier, années fiscales, périodes fiscales, semaines et indicateurs comme mois à date, permettant filtres et comparaisons temporelles cohérentes.
Calendar_Date as the base time keyFiscal_Year and Fiscal_Period mappingWeek and month attributes for groupingMonth_To_Date_Flag logic and usageHandling holidays and special periodsLeçon 10Grain de fait et modélisation : définition fait ventes niveau transaction vs fait stock instantané, implications grainDéfinissez et documentez grain de fait pour chaque table. Apprenez la différence entre faits de vente au niveau transaction et faits instantanés stock, et comment choix de grain affectent agrégations, chemins de drill et performance des rapports.
Transaction-level sales fact definitionStock snapshot fact grain and timingGrain alignment across related factsImpact of grain on aggregationsDocumenting grain for report designersLeçon 11Identifier domaines sujets : fait ventes, fait stock, master produit, master magasin, dimension calendrierDéfinissez domaines métier qui guident conception d'univers. Apprenez comment données ventes, stock, produit, magasin et calendrier se mappent vers tables fait et dimension, et comment cette séparation supporte rapports flexibles et cohérents.
Sales fact subject area definitionStock fact subject area definitionProduct master as a conformed dimensionStore master and location coverageCalendar dimension business requirementsLeçon 12Champs d'audit et lignage : Data_Source, Load_Timestamp, Record_Status pour dépannage et réconciliationIntroduisez champs d'audit et lignage dans l'univers. Apprenez comment Data_Source, Load_Timestamp et Record_Status supportent dépannage, réconciliation et confiance utilisateur, et comment les exposer sans confondre utilisateurs finaux.
Purpose of Data_Source in reportingUsing Load_Timestamp for recency checksRecord_Status for active or deleted rowsDesigning audit objects for power usersReconciliation techniques using audit data
