Quando desenhas um modelo de dados para Business Intelligence, uma decisão aparece cedo: organizar as tabelas em star schema (esquema em estrela) ou snowflake (floco de neve)? A escolha afeta o desempenho, a simplicidade e a facilidade de uso dos teus relatórios. Vamos clarificar.
O ponto de partida: factos e dimensões
Ambos os modelos assentam na mesma base: uma tabela de factos (as métricas — vendas, quantidades, valores) rodeada por tabelas de dimensões (o contexto — cliente, produto, tempo, região). A diferença está em como se organizam essas dimensões.
Star schema: dimensões planas à volta do facto
No esquema em estrela, cada dimensão é uma única tabela ligada diretamente ao facto. É simples de entender (parece uma estrela), rápido de consultar porque exige menos junções, e é o formato que ferramentas como o Power BI preferem. Em troca, aceita alguma redundância nos dados das dimensões.
Snowflake: dimensões normalizadas em vários níveis
No floco de neve, as dimensões são divididas em várias tabelas relacionadas (por exemplo, Produto → Categoria → Departamento). Reduz a redundância e poupa espaço, mas cria mais junções, torna as consultas mais lentas e o modelo mais difícil de navegar para quem constrói relatórios.
Qual escolher?
- Star schema: melhor desempenho, mais simples, ideal para relatórios e para o Power BI. É a recomendação por defeito.
- Snowflake: útil quando as dimensões são enormes ou muito partilhadas e a poupança de espaço/consistência compensa a complexidade.
A regra prática
Para a maioria dos projetos de BI, começa por um star schema. É mais rápido, mais legível e alinha-se com o motor do Power BI, que está otimizado para este desenho. Só passa a normalizar (snowflake) quando tiveres um motivo concreto — dimensões gigantescas ou requisitos de consistência que o justifiquem. Simplicidade primeiro; complexidade só quando compensa. Como está desenhado o teu modelo atual?
