在BigQuery中采用嵌套时间序列是否合适？多品类商品时序分析场景

方案一：带时间分区、以category+product为聚类键的普通表 #

• 适配Looker常规操作：Looker对扁平化表结构支持最好，直接把time、category、product、sales拖进可视化面板，就能自动生成所有商品×品类的时序线，无需额外处理嵌套数据
• 查询性能更优：时间分区能让按时间范围筛选的查询只扫描对应分区的数据，category+product作为聚类键，可减少筛选特定品类/商品时的数据扫描量，在Looker里频繁切换筛选条件时响应更快
• 维护成本低：增量数据直接追加到对应分区即可，无需重新聚合计算，日常更新更省心
• 小缺点：category和product字段会随每条时间记录重复存储，但当前数据仓库存储成本极低，基本可忽略

方案二：嵌套结构表（通过ARRAY_AGG生成时序数组） #

• 存储更紧凑：每个category+product组合仅存一条记录，时序数据嵌套在数组里，减少了重复字段的存储量
• 劣势更突出：
  • Looker对嵌套数组支持有限，要做时序图必须先把数组展开为单条记录，需在LookML中编写自定义逻辑或SQL处理，增加了模型复杂度
  • 交互式查询效率低：在Looker中筛选特定时间范围时，必须先展开整个数组再过滤，无法利用分区表优势，查询速度会变慢
  • 更新麻烦：有增量数据时，要么全量重新聚合生成数组，要么编写复杂逻辑合并新旧数组，日常维护成本高

总结下来，优先选择方案一的普通分区聚类表。它完全贴合Looker的可视化工作流，能快速实现多品类多商品时序趋势查看需求，查询和维护都更省心。除非数据更新极少且对存储成本极其敏感，否则不建议选方案二。

内容的提问来源于stack exchange，提问作者Khanetor