← Tất cả các tuần · Phase 1: Nền tảng dữ liệu · khoảng 240 phút

Tuần 2: Grain và cách tổ chức dữ liệu

Bản nháp, đang chờ duyệt nội dung

Cách học tuần này: đây là tuần quan trọng nhất của Phase 1. Sai grain là lỗi phổ biến nhất trong báo cáo thực tế, và nó âm thầm làm sai mọi con số phía sau.

Bài 2.1. Grain: một dòng là gì? [7]

Sếp hỏi: “Năm nay mình có bao nhiêu đơn hàng?”. Bạn mở file bán hàng, thấy 3,039 dòng và trả lời 3,039 đơn. Nhưng mỗi dòng của file này là một sản phẩm trong một đơn, không phải một đơn. Con số đúng nhỏ hơn nhiều. Lỗi này gọi là sai grain.

• Grain (độ hạt) trả lời câu: một dòng trong bảng đại diện cho cái gì? Một đơn, một sản phẩm trong đơn, một khách hàng trong một ngày…
• Sai grain dẫn tới đếm trùng và tổng sai.
• Cách kiểm tra: tìm tổ hợp cột mà mỗi dòng có một giá trị riêng (gọi là khoá). Nếu số dòng bằng số tổ hợp khoá duy nhất, bạn đã tìm đúng grain.

Ví dụ 3 dòng sau có grain “một sản phẩm trong một đơn”:

3 dòng nhưng chỉ 2 đơn. Muốn đếm đơn, phải đếm Order ID khác nhau, không đếm dòng.

Bài 2.2. Measure, dimension, roll-up và drill-down [7]

• Measure (chỉ tiêu đo lường): con số để cộng, lấy trung bình. Ví dụ Sales, Profit, Quantity.
• Dimension (chiều phân tích): thuộc tính để chia nhóm, lọc. Ví dụ Region, Category, Order Date.

Một báo cáo luôn có dạng measure theo dimension: “Sales theo Region”, “Profit theo tháng và Category”.

• Roll-up là gộp từ chi tiết lên tổng: từ 3 dòng trên → tổng Sales = 350.
• Drill-down là đi từ tổng xuống chi tiết để tìm nguyên nhân: tổng 350 → Furniture 300, Office Supplies 50.

Khi sếp hỏi “vì sao doanh thu giảm?”, việc đầu tiên thường là drill-down theo từng dimension (vùng, sản phẩm, kênh) để khoanh vùng chỗ giảm.

Bài 2.3. Fact, dimension, khoá chính và khoá ngoại [6]

Trong hệ thống thật, dữ liệu không nằm trong một bảng to mà được tách thành nhiều bảng nối với nhau.

• Fact table (bảng sự kiện): mỗi dòng là một sự kiện xảy ra, chứa các measure. Ví dụ mỗi dòng sản phẩm được bán.
• Dimension table (bảng mô tả): mỗi dòng mô tả một đối tượng. Ví dụ mỗi khách hàng, mỗi sản phẩm.
• Khoá chính (primary key, PK): cột định danh duy nhất mỗi dòng của một bảng. Ví dụ Product ID trong bảng sản phẩm.
• Khoá ngoại (foreign key, FK): cột trong bảng này trỏ tới khoá chính của bảng khác. Ví dụ Product ID trong bảng giao dịch trỏ tới bảng sản phẩm.

Bài 2.4. Star schema [6]

Star schema là cách tổ chức phổ biến nhất cho phân tích: một fact table ở giữa, các dimension table xung quanh như cánh sao.

Đọc sơ đồ: mỗi dòng của FactSales là một sản phẩm được bán. Muốn biết Segment của khách, nối qua Customer ID sang DimCustomer. Muốn “Sales theo Category”, nối qua Product ID sang DimProduct rồi nhóm theo Category.

Bài 2.5. Normalization và denormalization [7]

• Normalization (chuẩn hoá): tách bảng để mỗi thông tin chỉ lưu ở một chỗ. Đổi Segment của một khách thì chỉ sửa 1 dòng trong DimCustomer, không sợ chỗ sửa chỗ quên dẫn tới bất nhất.
• Denormalization (phi chuẩn hoá): gộp bảng lại thành một bảng rộng để đọc và phân tích nhanh, chấp nhận thông tin bị lặp. File Superstore bạn đang dùng chính là một bảng đã denormalize.

Thực hành Python [6]

Dữ liệu là bản giả lập theo cấu trúc Superstore. Bấm ▶ Chạy: lần đầu Python cần 10–20 giây để khởi động, những lần sau chạy ngay.

1. Đọc dữ liệu

Bấm ▶ Chạy. Lần đầu Python cần 10–20 giây để khởi động, những lần sau chạy ngay.

2. Tìm grain

Hoàn thành code để đếm số đơn hàng thật, rồi bấm ✓ Kiểm tra.

3. Kiểm tra khoá

4. Lọc và sắp xếp

5. Tách bảng dimension

Luyện tập tình huống

Ôn bằng thẻ ghi nhớ

15 thẻ ôn lại các khái niệm của tuần. Thẻ “chưa nhớ” sẽ quay lại cuối lượt.

Tóm tắt tuần

• Trước khi đếm hay cộng, hỏi: một dòng là gì?
• Báo cáo = measure theo dimension. Roll-up để thấy tổng, drill-down để tìm nguyên nhân.
• Star schema: fact ở giữa chứa measure, dimension xung quanh chứa mô tả, nối bằng khoá.
• Normalization tránh bất nhất; denormalization đọc nhanh. Khoá dimension bị trùng sẽ gây fan-out.