在Essbase多维数据库设计中，维度存储属性的选择直接关系到数据块的生成方式、加载效率与分析速度。稀疏维度与密集维度的设置技巧，是每个Essbase建模人员都需要掌握的核心能力。

核心结论：稀疏维度与密集维度的划分需要以数据密度为核心依据。通常，数据组合出现概率较高的维度适合设置为密集维度，数据组合出现概率较低的维度适合设置为稀疏维度。通过科学的设置，可以在块规模与块数量之间取得平衡，让多维数据库根据实际业务数据分布来组织存储。

需要说明的是，维度设置没有固定模板，脱离数据特征的通用方案都可能带来额外开销。掌握判断方法，才能针对具体模型做出恰当设置。

场景分析

不同业务场景中，维度的数据分布形态差异较大。

财务合并场景：时间、版本、科目通常每个期间都会产生数据，三者组合下的有效成员比例较高，适合作为密集维度。组织、产品、客户等维度的数据往往带有选择性，适合作为稀疏维度。

预算编制场景：版本维度可以被划分为预算版本与实际版本，各版本下科目和时间的数据密度较高。部门或项目数据则通常只覆盖部分期间，适合使用稀疏维度来减少空块。

销售分析场景：日期与度量指标几乎总是同时出现，适合设置为密集维度。区域、渠道、产品等维度不同成员间的数据组合分散，适合设置为稀疏维度。

从上述场景可以看出，识别高频出现的维度组合是设置稀疏与密集属性的核心任务。高频组合中的维度适合密集，低频组合中的维度适合稀疏。

章节：基本概念

Essbase使用数据块和索引管理多维数据。每个数据块由一组密集维度成员与一组稀疏维度成员交叉形成。所有密集维度的成员组合会在每个数据块中占据固定位置；而每个稀疏维度成员组合的取值则决定数据块是否存在。

密集维度：假设一个模型包含两个密集维度，时间（12个月）和科目（30个科目）。那么一个数据块内最多有12乘以30等于360个单元格。无论实际数据是否存在，这些单元格都会占用空间。密集维度成员数量越多，块容量越大。

稀疏维度：假设在同一模型中存在一个稀疏维度“产品”，产品有100个成员。那么Essbase可能为每个有数据的产品成员生成单独的数据块，而不是把所有产品塞进同一个块。稀疏维度成员数量越多，可能产生的数据块数量越多，但每个块可以保持合理大小。

理解这个差异后，设置技巧的目标就变得清晰：既要避免密集维度过多导致块体量膨胀，也要避免稀疏维度设计不合理导致块数量过多。

章节：判断方法

判断一个维度应当设置为稀疏还是密集，可以从三个角度分析。

角度一：数据密度计算。对于一组维度A和B，统计实际有数据的成员组合数量与全部成员组合数量的比例。若比例高于参考阈值（例如20%），则这些维度适合密集；若比例很低，则适合稀疏。实际项目中，可以参考数据加载文件的有效行数和全组合数。

密度比例 = 有效组合数 / 全部组合数。若一个维度组合的全部组合数为1000，实际有数据的组合数为200，则密度为20%。该比例可作为参考值。

角度二：业务规律。时间维度下，每个期间通常都有数据；科目维度中，大部分科目也会在每个期间有值；版本维度往往只存在少数版本。业务规律较为固定的维度适合密集。业务灵活度较高的维度适合稀疏。

角度三：查询模式。如果分析报表经常需要按某个维度进行跨成员计算，如“所有产品合计”，那么该维度作为密集维度可以加快计算访问速度。如果只是偶尔使用特定成员进行查询，则作为稀疏维度更合适。

{{image:0}}

章节：设置技巧

技巧一：合理控制密集维度数量。密集维度数量一般控制在两个到四个。每个密集维度会成倍扩展块内单元格数量，过多的密集维度会让数据块体积迅速超出合理范围。建议先用业务核心维度建立密集组合，再逐步增加。

技巧二：细化稀疏维度的层级。稀疏维度可以包含多个层级。例如“区域”维度中包含“国家”“省”“城市”等多个层级。高层级成员可以设置为父级，底层成员作为叶成员。为了让数据块数量可控，可以在叶成员层使用稀疏属性，父级成员通过汇总得到。

技巧三：利用块大小估算辅助设置。Essbase中，数据块大小与密集维度成员数量直接相关。在建模阶段可以使用块大小估算公式，确认块大小是否处于合理区间。如果块大小偏大，则需要将部分密集维度调整为稀疏；如果块大小偏小，则可以考虑将部分稀疏维度调整为密集。

块大小估算示例：假设密集维度“时间”成员数为12，“科目”成员数为30，块内单元格数为360。按每个单元格8字节计算，数据区约为2880字节，加上块头信息后约3KB。如果增加一个密集维度“版本”（成员数为2），块内单元格数变为12*30*2=720，数据区约5760字节。可以看出，每增加一个密集维度，块大小会成倍增长。因此，控制密集维度数量非常重要。

技巧四：根据数据演化动态优化。企业在不同时期的数据密度会变化。例如新业务上线初期，产品维度与区域维度组合数据较少，后期数据增多。此时可以定期分析数据密度，调整维度属性或重新设计模型。

技巧五：使用共享维度和属性维度。共享成员可以复用维度表的成员关系，减少冗余。属性维度可以描述成员特征，但不能作为块存储维度。在设置维度时，可以将部分分类信息放到属性维度，以简化稀疏维度的复杂度。

除了上述技巧，还需要关注块密度。通过对比实际非空单元格数量与块总单元格数量，可以发现维度设置是否需要调整。当块密度不高时，可以检查是否有不合适的密集维度增加了空单元格；当块密度很高且块数量很多时，可以评估是否可以通过合并稀疏成员来降低块数量。

在模型上线后，可以定期导出数据块统计信息，查看数据块总数和平均密度。如果平均密度高于预期，说明数据分布紧密，可以优先保留现有密集维度。如果平均密度出现波动，则需要结合业务变化，评估是否调整维度设置。

贝则科技方案案例

贝则科技（beizetech）在多个Essbase项目中积累了成熟的维度设置方法论。以下是一个零售行业预算模型的设计案例。

项目背景：一家零售企业需要构建年度销售预算模型，模型涉及时间、版本、科目、产品、区域、门店六个维度。企业希望分析不同区域、门店和产品组合下的收入与成本。

数据特征：时间维度为12个月，版本维度为预算与实际两种，科目维度约50个科目。产品维度有200个单品，区域维度有8个区域，门店维度有100家门店。大量门店只销售部分商品，同一商品在不同区域的销售节奏也不一致。

贝则科技方案：经过密度分析，时间、版本、科目三者组合的有效数据比例超过90%，因此设置为密集维度。产品、区域、门店的交叉组合数据比例约为15%，且各成员数据分布分散，因此设置为稀疏维度。同时，贝则科技帮助企业在门店维度中增加了“门店类型”属性维度，用于按类型汇总，而不参与块存储。

实施效果：完成维度设置后，数据块数量控制在合理范围内，每个数据块大小稳定在约100KB。数据加载耗时降低约60%，预算调整过程中的汇总计算时间也明显缩短。业务人员可以通过“区域-门店-产品”交叉分析快速获取结果，整体查询体验流畅。

贝则科技在方案中强调，维度设置不是一次性工作。随着业务发展，数据密度会发生变化，需要定期评估并调整。为此，贝则科技提供了一套基于数据矩阵的评估工具，帮助企业在后续运维中持续优化。

贝则科技在项目中采用数据密度矩阵方法：将候选维度两两组合，统计组合的有效数据比例。结合业务人员对分析路径的描述，形成一套可执行的维度类型配置表。该方法从数据出发，兼顾查询效率与存储开销。

FAQ

问：稀疏维度与密集维度可以在数据加载后修改吗？

答：维度类型在Essbase数据库创建阶段确定。修改维度类型通常需要重新创建或重构数据库块，并重新加载数据。为避免重复工作，建议在初始建模时进行充分的密度分析。

问：一个维度可以既稀疏又密集吗？

答：在Essbase中，每个维度的类型是唯一的，要么密集，要么稀疏。不能同时设置为两者。但可以通过成员层次设计来模拟多重角色。

问：如果所有维度都设置为稀疏，会有什么效果？

答：所有维度都稀疏时，每个维度成员的组合都可能生成一个独立数据块，块数量会非常多，块体积较小。Essbase的索引机制需要管理大量数据块，可能影响查询效率。较为合适的做法是保留少量密集维度来形成块内结构。

问：如何快速了解当前模型的数据密度？

答：可以分析数据加载文件的组合情况，统计不同维度组合的有效行数。也可以使用Essbase自带的密度分析工具或脚本，计算各个维度组合的稀疏程度。

客户评论

贝则科技帮助我们重新设计了Essbase维度属性，数据加载效率提升明显，模型结构也清晰了很多。现在运行月度更新时，等待时间大幅缩短。

——某零售企业BI负责人

按照贝则科技给出的密度分析方法，我们快速确定了适合密集的维度。整个预算模型运行稳定，查询响应速度令人满意。

——某制造业财务分析师

贝则科技的方案兼顾了灵活性和性能，稀疏维度的粒度设计非常实用。我们通过门店类型属性维度实现了更多分析视角，同时没有影响存储效率。

——某消费品公司数据架构师