1️⃣ Data Modeling Là Gì? 📐

Data Modeling = Quá trình thiết kế cấu trúc bảng, mối quan hệ và luồng dữ liệu để:

• 🧱 Lưu trữ dữ liệu khoa học, dễ truy vấn

• 📊 Hỗ trợ dashboard & phân tích nhanh

• 🧠 Làm nguồn chuẩn cho mô hình AI/ML

📌 Ba cấp độ modeling phổ biến:

2️⃣ Kiến Trúc Dữ Liệu (Data Architecture) 🧭

Data Architecture định hình cách dữ liệu di chuyển & biến đổi trong tổ chức:

[Data Sources]
    ↓
[Ingestion Layer] → [Staging] → [Data Warehouse / Lakehouse]
    ↓                                 ↓
 [Transformations]                [Data Marts / Models]
    ↓
[Dashboard / ML / APIs]

📌 Các tầng phổ biến:

• 🌊 Raw / Staging → dữ liệu thô từ nguồn

• 🧼 Processing / Cleaned → xử lý chuẩn hóa

• 🧠 Modeled / Data Mart → theo schema (Star, Snowflake) cho BI

• 📊 Serving Layer → dashboard, model, API

3️⃣ Star Schema – “Chuẩn Vàng” Cho BI 🌟

Star Schema gồm:

• 🧾 Fact Table: chứa số liệu giao dịch, thường rất lớn (Sales, Orders, Events…)

• 📌 Dimension Tables: chứa mô tả (Product, Customer, Date…)

         DimCustomer
              |
DimProduct — FactSales — DimDate
              |
          DimRegion

📌 Ưu điểm:

• Query nhanh, dễ hiểu

• Tối ưu cho BI tools (Power BI, Tableau…)

• Giảm join phức tạp

• Dễ incremental refresh

4️⃣ Snowflake Schema ❄️

Là biến thể của Star Schema, trong đó Dimension được chuẩn hóa thêm → giảm trùng lặp, tăng tính mở rộng.

📌 Dùng khi:

• Dimension quá lớn hoặc phức tạp

• Muốn giảm dung lượng lưu trữ

• Chấp nhận trade-off query phức hơn

5️⃣ Kim Tự Tháp Modeling 🏔️

1️⃣ Staging Layer – Load raw data → định danh rõ nguồn gốc
2️⃣ ODS / Intermediate – Làm sạch, chuẩn hóa
3️⃣ Core Models – Thiết kế fact & dimension
4️⃣ Data Marts / Semantic Layer – Tạo bảng phục vụ từng use case (Marketing, Finance, BI…)
5️⃣ Serving Layer – Dashboard, APIs, AI models

📌 dbt là công cụ rất phổ biến để quản lý mô hình này theo mô hình DAG + version control 👌

6️⃣ Best Practices Trong Data Modeling 🧠

• 📝 Naming convention chuẩn (snake_case, tiền tố rõ: dim_, fact_)

• 🔑 Chọn khóa chính – khóa ngoại rõ ràng để tránh join lỗi

• 🧠 Tách fact & dimension rõ → tránh bảng “all-in-one” rối rắm

• ⏳ Thêm cột thời gian hiệu lực (effective_date, valid_to) để hỗ trợ phân tích lịch sử

• 📂 Document schema & lineage → team mới vào hiểu ngay

7️⃣ Kiến Trúc Kho Dữ Liệu Phổ Biến 🏢

🟦 Data Warehouse (DWH) – như BigQuery, Snowflake, Redshift

• Tối ưu OLAP, query BI nhanh

• Phù hợp dữ liệu structured

🌊 Data Lake / Lakehouse – như S3 + Databricks, Delta Lake

• Lưu cả structured lẫn unstructured

• Dễ scale, linh hoạt cho ML

📌 Mô hình hiện đại thường dùng Lakehouse → linh hoạt + hỗ trợ cả BI & AI.

8️⃣ Case Study – Khi Data Model “Cứu” Dashboard 📊

Bối cảnh:
Công ty e-commerce build dashboard doanh thu → query 15 phút chưa ra 😵‍💫
Bảng 1.2 tỷ dòng, join 5 bảng không index, schema “rối như canh hẹ”.

Triển khai lại:

• Thiết kế lại theo star schema → tách fact_sales + dim_customer/product/date

• Dùng BigQuery partition theo order_date + cluster theo product_id

• Tạo data mart riêng cho dashboard marketing

Kết quả:

• Query từ 15 phút → còn 12 giây ⚡

• Dashboard tự động refresh hàng giờ

• Không còn bị “time out” trong họp 😎

9️⃣ Modeling Cho AI/ML 🧠🤖

Data model tốt không chỉ phục vụ dashboard — mà còn giúp:

• 🧱 Feature Store dễ dàng (dimension rõ ràng → join nhanh)

• 🔄 Retraining pipelines ổn định (dữ liệu không đổi schema lung tung)

• 📈 Time travel / incremental training dễ dàng nhờ cột thời gian chuẩn

• 🚀 Triển khai production model nhanh vì data đã chuẩn hóa

📝 Kết Luận

Data Modeling & Architecture là nền tảng kỹ thuật giúp hệ thống Data:

• 🧭 Rõ ràng, logic, dễ mở rộng

• ⚡ Chạy nhanh, ít lỗi

• 📊 Phục vụ tốt cho cả BI & AI

• 🧠 Giữ cho “vũ trụ dữ liệu” của tổ chức không bị hỗn loạn theo thời gian

👉 Làm chủ module này = bạn đã bước sang cấp độ “Data Architect mindset” 🫡🏗️

📞 Hotline: 0352.433.233
🌐 mcivietnam.com
📺 youtube.com/@HocVienMCI
👥 facebook.com/groups/dataaivn