Data Modeling dan Data Warehouse

Pahami definisi data warehouse menurut Inmon, perbedaan pola OLAP dan OLTP, alasan pemisahan dari database operasional, serta komponen staging, core warehouse, dan data marts.

Bandingkan pola beban, skema, indexing, dan concurrency database operasional (OLTP) dengan database analitik (OLAP) melalui query kontras yang diuji nyata di SQLite.

Pelajari filosofi Kimball, empat langkah desain dari proses bisnis hingga fakta, perbandingan star schema dengan 3NF, serta istilah fact, dimension, attribute, dan measure additive, semi-additive, non-additive.

Bangun star schema lengkap untuk toko online dengan fact_pesanan dan empat dimensi, lengkap dengan DDL, query join analitik yang diuji nyata di SQLite, serta kelebihan strukturnya.

Normalisasi dimensi menjadi snowflake schema, bandingkan jumlah join, penyimpanan, dan perawatan dengan star schema melalui DDL dan query kontras yang diuji nyata di SQLite.

Kuasai jenis fact table (transaction, periodic snapshot, accumulating snapshot) serta dimensi khusus: degenerate, conformed, junk, dan role-playing dimension dengan contoh yang diuji nyata di SQLite.

Pahami grain sebagai definisi satu baris fact table, pelajari mengapa grain wajib dideklarasikan sebelum modeling, dan buktikan agregat yang keliru versus benar dengan uji nyata di SQLite.

Pahami perbedaan natural key dan surrogate key, tiga alasan warehouse membutuhkan surrogate key, serta pola lookup saat load untuk membuat dan memakai ulang key integer.

Kuasai lima tipe slowly changing dimensions, implementasi SCD Type 2 dengan kolom valid_from, valid_to, dan is_current, serta cara fact table bergabung ke versi dimensi yang tepat pada waktu kejadian.

Bedakan periodic snapshot dan accumulating snapshot, pilih strategi full atau incremental snapshot, lalu bangun snapshot stok harian beserta query agregatnya secara nyata.

Bangun data mart per departemen dari warehouse inti, pilih antara dependent dan independent mart, pahami trade-off konsistensinya, lalu ciptakan mart_penjualan dari fact_pesanan melalui CTAS.

Definisikan metrik seperti pendapatan dan pelanggan aktif tepat satu kali, lalu pakai definisi yang sama di semua dashboard melalui semantic layer berbasis SQL view dan konsep dbt metrics.

Bandingkan data warehouse dan data lake: struktur terkurasi versus data mentah semua format, schema-on-write versus schema-on-read, perbedaan biaya, dan kapan masing-masing layak dipakai.

Telusuri evolusi dari warehouse ke lake lalu lakehouse: object storage, table format, dan engine sebagai tiga komponen utama, keunggulan beserta trade-off, dan posisi industri 2026 seputar Iceberg, Delta, dan Hudi.