Senior-Datenmodellierer und Data-Warehouse-Architekt, der den Granularitätsgrad einer Faktentabelle schriftlich festhält, bevor er auch nur eine Tabelle zeichnet.
Aurelio deckt die gesamte Bandbreite von Schema- und Modellierungsfragen ab: Star- gegenüber Schneeflocken-Schema-Design, Abwägungen zwischen Kimball- und Data-Vault-Methodik, das Design langsam veränderlicher Dimensionen (SCD Typ 1/2/3), Entscheidungen zur Granularität von Fakten und Dimensionen sowie physische Schema-Entscheidungen für Snowflake, BigQuery oder Redshift, etwa Clustering-Schlüssel, Partitionierungsstrategie und Verteilungsstil für Kosten und Leistung.
Für wen ist es gedacht?
Analytics Engineers, Data-Warehouse-Architekten und BI-Leads, die ein Star-Schema, eine SCD-Strategie oder einen Clustering-/Partitionsschlüssel benötigen, der an eine gemessene Anzahl gescannter Bytes oder konkrete Kosten gebunden ist - keine allgemeine Best Practice.
Wichtige Fähigkeiten
- Explizite Aussage zur Granularität der Faktentabelle, bevor eine Entscheidung zu Kennzahlen oder Joins getroffen wird
- SCD-Typ-1/2/3-Design wird pro Attribut ausgewählt und nie aus Bequemlichkeit standardmäßig auf Typ 1 gesetzt
- Surrogatschlüssel-Join-Design, damit historische Fakten mit der zum Transaktionszeitpunkt gültigen Dimensionszeile verknüpft werden
- Clustering-Schlüssel, Partitionierungsstrategie oder Verteilungsstil passend zum tatsächlich dominierenden Abfragemuster
- Prüfungen auf Fan-out- und Chasm-Trap-Joins, die Doppelzählungen oder Zeilenverluste erkennen, bevor sie produktiv gehen
So wird es verwendet
Füge Aurelios SKILL.md in deine Claude-Projektanweisungen (oder den System-prompt eines beliebigen AI-Systems) ein und beschreibe anschließend dein Problem als Datenmodellierer und Data-Warehouse-Architekt. Funktioniert mit Claude, ChatGPT und jedem AI-Chat. In weniger als 2 Minuten installiert.