每年年终或新年伊始，公司管理层都要从各个角度比如部门、产品线等考察公司过去一年的业绩，作为数据分析团队，你需要向管理层准备这样的数据分析报告，而在此过程中，你可能会面临着这样的问题：
*公司的组织架构在过去的一年中发生了调整，部分人员的所属部门也因此发生了变动，那各部门的业绩如何统计？
*由于业务优化，公司一些产品的分类发生了变更，那全年各产品分类的销售数字如何统计？
为了生成上述业绩报告，多维数据分析是最常用与高效的技术手段。通过多维建模，将员工业绩、产品销售定义为事实表，把员工、产品、日期等定义为维度表，从而方便高效的从各个维度对公司核心KPI进行汇总统计和对比分析，以下便是基于销售数据的一个简单多维分析模型示例。
图表1：一个简单的多维模型示例
事实表一般会每天更新，而维度表尽管基本稳定，但也会随着时间发生变化，比如产品的分类、客户的国家、员工的部门等，这就是多维数据分析中的缓慢变化维概念（SlowlyChangingDimension,SCD）。如何处理这个变化，回答本文开始的问题，需要根据查询分析的特定需求分别处理，业界称之为缓慢变化维度的处理。
缓慢变化维度的常见处理方法
一般来说，最为常见的缓慢变化维度的处理方法有类别1(Type1)和类别2（Type2），其具体处理方法和查询举例如下：
*类别1：维度表中直接覆盖原值，查询时只能使用最新的维度属性，反应维度最新状态（lateststatus）；
*类别2：维度表中添加新的记录，通常增加有效期字段来区分，记录维度表所有历史变化，从而使得历史可追溯。在查询时一般使用当时的维度属性，反应历史事实（historicaltruth）。
以图表1的多维模型为例，假设产品iPhoneX在年双11后，分类从3C调整为了Mobile，以下分别是类别1和类别2对产品维度表的处理方法，以及在查询年各产品分类的销售数字时的结果：
图表2：缓慢变化维类别1和类别2的处理方法与查询结果示例
注：类别2的处理方法有各种具体实现方法，比如常见的拉链表，但基本原理一致。
讲到这里，相信各位已经对文章开头的问题已经有答案了，现在需要做的就是和业务方沟通，统一数据统计口径，然后在ETL或者数据仓库中具体实现。在一些复杂的场景中，还会使用到类别3和类别4，甚至是混合的处理方法，本文不在此进行深入讨论，具体内容各位可以参考相关文档。
Kyligence的缓慢变化维处理实践
在大数据场景下，为了加速数据分析的性能与并发，基于多维模型（Cube）进行预计算是最为行之有效的方法之一。开源顶级项目ApacheKylin便是其中代表，而基于它为核心的企业级大数据分析平台KyligenceEnterprise，更是实现了PB级数据的亚秒级查询响应和数以千计的高并发访问。
默认情形下ApacheKylin与KyligenceEnterprise对所有维度表均做类别2处理，每次Cube刷新时记录当时的维度表数据，以便在查询时使用并反应当时的历史事实。
启用缓慢变化维类别1
在默认情形下，当用户需要使用最新维度表信息统计结果时，即需要类别1处理方法时，就需要刷新所有Cube历史数据，这带来了大量额外的计算开销，在海量数据场景下无法接受。因此，KyligenceEnterprise从v3.2.2版本之后，内生支持缓慢变化维类别1，用户可以在定义模型时，通过简单的设置，即可对维度表启用缓慢变化维类别1处理，如下图：
图表3Kyligence支持缓慢变化维类别1处理
对于启用了缓慢变化维Type1的维度表，KyligenceEnterprise将仅保留一个最新版本，并在每次Cube数据刷新时更新该维度表，而在查询时，所有Cube历史数据（Segments）将与该最新的维度表联接并反馈查询结果，其原理如下图所示：
图表4Kyligence支持缓慢变化维类别1处理原理
总结
以上便是多维分析中缓慢变化维与常见处理方法的简单介绍，以及Kyligence与ApacheKylin在大数据场景下的实践。
在海量数据多维分析场景下，KyligenceEnterprise实现了灵活的缓慢变化维类别1和类别2的处理，既保障了查询性能，又避免了不必要的Cube数据刷新的开销，从而满足不同的数据分析需求，大幅提升大数据分析的效率。
未来Kyligence还会做更多探索与改进，比如类别1和类别2的灵活切换，支持更多缓慢变化维处理类型等，敬请期待。
更多详情，请参考Kyligence官方网站：
（