Lezione 1Oggetti negozio e location: Store_ID, Store_Name, Region, Country, ChannelDefinisci oggetti dimensione negozio e location per analisi retail. Impara a modellare identificativi negozio, nomi, regioni, paesi e canali, e come questi attributi supportino reporting geografico e per canale.
Store_ID as the store business keyStore_Name standards and cleansingRegion and country hierarchiesChannel classification and mappingLocation attributes for filteringLezione 2Chiavi, join e alias: tecniche per dimensioni conformate e multipli join alla stessa tabellaModella chiavi, join e alias per supportare dimensioni conformate. Impara a joinare dimensioni condivise a più fatti, evitare loop e usare alias tabelle per rappresentare ruoli o percorsi diversi nello schema universo.
Natural versus surrogate keys in designInner and outer join choicesCreating and using table aliasesResolving join loops with contextsValidating join paths with sample queriesLezione 3Oggetti universo principali: Sales_Revenue (sum), Units_Sold (sum), Gross_Margin (sum), Discount_Amount (sum)Progetta misure fatto vendite principali di cui gli utenti si fidano. Impara a modellare ricavi, unità, margine e sconti come misure additive, definisci comportamento aggregazione e documenta regole business dietro ogni metrica nell'universo.
Business definition of Sales_RevenueUnits_Sold measure and aggregation rulesGross_Margin calculation and validationDiscount_Amount sourcing and logicMeasure formatting and number scalingLezione 4Oggetti derivati e calcolati: variabili per Margin_Pct, Stock_Turnover, Days_of_Inventory, Slow_Mover_FlagCrea oggetti derivati e calcolati che incapsulano logica business. Impara a costruire percentuale margine, turnover stock, giorni inventario e flag slow mover mantenendo formule manutenibili e ben documentate.
Margin_Pct formula and rounding rulesStock_Turnover calculation optionsDays_of_Inventory business definitionSlow_Mover_Flag thresholds and logicValidating derived metrics with samplesLezione 5Oggetti universo aggiuntivi: Selling_Price (detail), Cost_of_Goods_Sold (detail), Stock_Level (snapshot), Stock_Value (calculated)Modella misure dettaglio e snapshot aggiuntive che arricchiscono l'analisi. Impara a esporre prezzo vendita, costo merci vendute, livello stock e valore stock, e comprendi quando usare oggetti dettaglio vs aggregati nei report.
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 objectsLezione 6Gestione multipli fact tables: tipi join, contesti e alias per prevenire fan traps e chasm trapsGestisci più tabelle fatto in modo sicuro in un universo. Impara strategie join, contesti e alias per evitare trappole fan e chasm, assicurando che report combinati vendite e stock restituiscano risultati accurati e non duplicati.
Identifying fan and chasm trap patternsJoin strategies for multiple fact tablesUsing contexts to isolate fact combinationsAliases to separate incompatible joinsTesting combined sales and stock queriesLezione 7Oggetti dimensione: Product_ID, SKU, Product_Category, Product_Subcategory, BrandProgetta oggetti dimensione prodotto robusti per analisi. Impara a esporre ID, SKU, categorie, sottocategorie e brand, gestisci attributi slowly changing e assicurati rollup prodotto consistenti tra tutte le tabelle fatto.
Product_ID as primary business keySKU granularity and uniquenessProduct_Category hierarchy designProduct_Subcategory relationshipsBrand attributes and reporting useLezione 8Evitare conteggi doppi: definizione grano chiaro, uso contesti aggregate-aware, spiegazione misure semi-additiveComprendi come prevenire conteggi doppi nei report aggregati. Impara a definire grano fatto chiaro, usare oggetti e contesti aggregate-aware e gestire correttamente misure semi-additive come stock e bilanci nel tempo.
Defining a clear and consistent fact grainAggregate-aware measures and objectsDesigning and using universe contextsSemi-additive measures across timeTesting reports for hidden double countingLezione 9Oggetti tempo: Calendar_Date, Fiscal_Year, Fiscal_Period, Week, Month_To_Date_FlagProgetta oggetti dimensione tempo per analisi periodo flessibile. Impara a esporre date calendario, anni fiscali, periodi fiscali, settimane e flag come month-to-date, abilitando filtri e confronti tempo-based consistenti.
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 periodsLezione 10Grano fatto e modellazione: definizione fact vendite transaction-level vs fact snapshot stock, implicazioni granoDefinisci e documenta grano fatto per ogni tabella. Impara la differenza tra fatti vendite transaction-level e fatti snapshot stock, e come scelte grano influenzino aggregazioni, percorsi drill e performance report.
Transaction-level sales fact definitionStock snapshot fact grain and timingGrain alignment across related factsImpact of grain on aggregationsDocumenting grain for report designersLezione 11Identifica aree soggetto: Sales fact, Stock fact, Product master, Store master, Calendar dimensionDefinisci aree soggetto business che guidano il design universo. Impara come dati vendite, stock, prodotto, negozio e calendario mappino a tabelle fatto e dimensione, e come questa separazione supporti reporting flessibile e consistente.
Sales fact subject area definitionStock fact subject area definitionProduct master as a conformed dimensionStore master and location coverageCalendar dimension business requirementsLezione 12Campi auditing e lineage: Data_Source, Load_Timestamp, Record_Status per troubleshooting e riconciliazioneIntroduci campi auditing e lineage nell'universo. Impara come Data_Source, Load_Timestamp e Record_Status supportino troubleshooting, riconciliazione e fiducia utente, e come esporli senza confondere gli utenti finali.
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