关于Kimball维度建模中Behavior Tag Time Series概念的技术咨询

场景：电商平台客户月度行为标签 #

假设你是电商数据仓库开发人员，平台每月会基于用户过去30天的浏览、下单、收藏行为，通过聚类分析生成文本型行为标签，常见标签比如：

• 价格敏感型：频繁浏览优惠券、仅购买促销商品
• 潮流追逐者：优先下单新品、关注网红同款
• 囤货达人：一次性采购大量日用品、定期补货
• 佛系浏览者：仅偶尔打开APP，无固定消费规律

标签时间序列的生成 #

每个用户每月会得到1个专属标签，随着时间推移，就形成了该用户的行为标签时间序列。比如用户ID为U00123的标签序列：

2024-01: 价格敏感型
2024-02: 价格敏感型
2024-03: 潮流追逐者
2024-04: 囤货达人

数据仓库中的存储设计（位置化建模） #

按照书中的建议，我们会把这个序列拆成位置属性存储在客户维度表中，同时可选存储完整的标签序列字符串，示例表结构如下：

为什么采用位置化设计？ #

因为我们的核心查询需求大多是基于标签的条件筛选，而非数值计算：

• 例1：筛选2024年2-4月连续3个月都是价格敏感型的用户

  SELECT 客户ID
  FROM 客户维度表
  WHERE 标签_202402 = '价格敏感型'
    AND 标签_202403 = '价格敏感型'
    AND 标签_202404 = '价格敏感型';
  

• 例2：筛选2024年1月是佛系浏览者，之后转为价格敏感型的用户

  SELECT 客户ID
  FROM 客户维度表
  WHERE 标签_202401 = '佛系浏览者'
    AND 标签_202402 = '价格敏感型';
  

如果仅把标签序列存在单个字符串字段中，查询时需要做字符串分割、正则匹配，效率会大幅降低，尤其不适合高并发查询场景。位置化设计让每个时间点的标签成为独立字段，能直接用等值条件快速筛选。

补充说明 #

• 当时间跨度变长时，可以按季度/年度分组扩展字段，比如标签_2024Q1_1（2024年第一季度第一个月），避免字段数量过多。
• 完整标签序列字符串主要用于回溯历史完整路径，或导出给业务人员做人工分析，并非核心查询字段。

内容的提问来源于stack exchange，提问作者cloudscomputes