Das Snowflake-Schema ist eine Erweiterung des Star-Schemas für Data Warehouses. Während beim Star-Schema jede Dimensionstabelle direkt an die zentrale Faktentabelle angeschlossen ist, werden die Dimensionen beim Snowflake-Schema weiter normalisiert: Sie zerfallen in mehrere zusammenhängende Sub-Dimensionen. Im Diagramm entsteht so eine schneeflockenartige Form, die dem Schema seinen Namen gibt.
Vorteile
- Weniger Redundanz: Jede Information wird nur einmal gespeichert – das spart Speicherplatz und erleichtert die Pflege, etwa bei tiefen Hierarchien (Produkt → Kategorie → Abteilung).
- Konsistenz: Änderungen an einer Dimensionsebene wirken an einer zentralen Stelle.
Nachteile
- Komplexere Abfragen: Auswertungen benötigen mehr Joins über mehrere Ebenen – das kostet Query-Performance.
- Aufwändigere Modellierung: Für einfache Auswertungen reicht meist das flache Star-Schema; die dimensionale Modellierung nach Kimball empfiehlt es als Standard.
Der Normalisierungsgedanke entspricht dem Vorgehen in OLTP-Systemen; die Daten selbst gelangen über ETL- oder ELT-Prozesse in das Warehouse. Auch die Datenbank-Normalisierung ist hierfür die konzeptionelle Grundlage.
Hinweis: Nicht zu verwechseln mit Snowflake, dem Cloud-Data-Warehouse-Anbieter – dieser Artikel beschreibt das Schema-Muster.
Verwandte Grundlagen: OLTP, ELT, Star-Schema, Data Mart.