Kurumsal veri ambarında yıldız şema: fact grain, dimension ve SCD Type 2
Power BI modelinin güvenilirliği görselden önce başlar. Fact tablosunun satır seviyesini, boyut ilişkilerini ve tarihsel değişimi doğru tanımlayın.
Önce fact tablosunun grain seviyesini yazın
Bir fact tablosundaki her satırın neyi temsil ettiğini tek cümleyle tanımlayın. Sipariş satırı, günlük stok bakiyesi ve makine sensör ölçümü farklı grain seviyeleridir. Bunları aynı tabloda birleştirmek toplamları ve oranları bozar. Grain kararı, hangi anahtarların tutulacağını, hangi ölçülerin toplanabileceğini ve raporda hangi ayrıntı seviyesine inilebileceğini belirler.
Fact ve dimension sorumlulukları
Fact tabloları satış miktarı, tutar, üretim adedi veya enerji tüketimi gibi olay ölçülerini taşır. Dimension tabloları müşteri, ürün, tesis, vardiya ve takvim gibi bağlamı açıklar. Yıldız şemada boyutlar fact tablosuna anlaşılır ilişkilerle bağlanır. Modelin merkezine her kaynağın ham tablosunu koymak yerine, analitik soruyu yanıtlayan iş süreçlerini ve ölçüleri tasarlayın.
SCD Type 1 ve Type 2 farkı
Müşterinin şehir bilgisini düzeltmek istiyorsanız Type 1 ile eski değeri değiştirmek yeterli olabilir. Müşterinin hangi tarihlerde hangi bölgede bulunduğunu analiz edecekseniz Type 2 gerekir. Type 2 modelinde her sürüm için surrogate key, geçerlilik başlangıcı, bitişi ve aktif kayıt göstergesi tutulur. Fact kaydı olayın gerçekleştiği tarihte geçerli olan dimension sürümüne bağlanmalıdır.
Takvim ve ilişki tasarımı
Takvim tablosu gün, hafta, ay, mali dönem ve tatil gibi iş takvimlerini tutarlı hâle getirir. Tarih alanını yalnızca metin olarak bırakmak, zaman zekâsı ölçülerini zorlaştırır. İlişkilerde mümkün olduğunca anlaşılır tek yönlü filtre akışı kurun; çift yönlü filtreyi yalnızca model gerekçesi varsa kullanın. Birden fazla tarih alanı varsa aktif ve pasif ilişki kararlarını belgeleyin.
Semantik modelde ölçü sözlüğü
Net satış, brüt kâr, hurda oranı veya OEE gibi metriklerin tek bir iş tanımı olmalıdır. Aynı ölçünün farklı raporlarda farklı DAX formülleriyle hesaplanması kurumsal güveni zedeler. Ölçü sahibi, formül, para birimi, zaman penceresi, filtre varsayımları ve güvenlik kuralı birlikte yayımlanmalıdır. Modeli örnek toplamlarla, filtre kombinasyonlarıyla ve dönemsel karşılaştırmalarla test edin.
Model çıktısını kaynak ve ölçümle sınayın
Yapay zekâ uygulamalarında akıcı bir yanıtın doğru bir yanıt olduğunu varsaymak ciddi tasarım hatasına yol açabilir. Modelin hangi veriye eriştiği, aldığı yetkiler, kullandığı araçlar, başarısızlık durumunda nasıl davrandığı ve kendi belirsizliğini nasıl ifade ettiği önceden tanımlanmalıdır. Değerlendirme için yalnızca kolay sorular değil, güncel olmayan belge, yetkisiz istek, boş arama sonucu ve çelişkili kaynak gibi örnekler de hazırlanmalıdır. Kaynak bağlantıları ve sürüm bilgisi saklanarak yanıtın nereden geldiği gerektiğinde yeniden denetlenebilmelidir.
Üretimde maliyet, veri gizliliği ve geri dönüş
Model seçimi tek başına sistem performansını belirlemez. Bağlam uzunluğu, arama adımı, önbellek, araç çağrısı, hata tekrarları ve kullanıcı yükü toplam maliyeti etkiler. Hassas bilgileri dış hizmetlere gereksiz göndermeyin; loglarda kimlik ve özel verilerin ne kadar tutulacağını açıkça sınırlandırın. Yanlış otomatik kararların geri alınabildiği, insan incelemesine devredildiği ve etkisinin ölçülebildiği bir akış kurmak önemlidir. Yeni modeli canlıya almadan önce belirlenmiş test setiyle önceki sürüme göre fayda ve hata farkını ölçün.
Yorumlar
Henüz yorum yok. İlk katkıyı sen yapabilirsin.
Yorum etkileşimini dene · örnek görünüm
Aşağıdaki iki konuşma yalnızca arayüz testidir; gerçek ziyaretçi yorumu değildir. Beğenme ve yanıt verme bu cihazda denenir, veritabanına kaydedilmez. Gerçek yorumunuzu aşağıdaki yorum formundan gönderebilirsiniz.
Bu çözümün gerçek kullanımda hangi adımlarda avantaj sağladığını görmek isterim.
Örnek bir test senaryosu paylaşılması teknik değerlendirmeyi güçlendirir.
✎ Yorum yaz