Ваш вопрос предполагает, что написание SQL-запросов не моделирование данных. Это не правильно.
В то время как базовые структуры баз данных SQL (например, таблицы и представления) предопределены, и то, что вы создаете из этих структур, полностью соответствует вашей структуре запросов.
Это одна из сильных сторон (если хотите) SQL: она позволяет вам менять свою точку зрения на данные и задавать разные вопросы.
Но вопросы, которые вы задаете, являются образцами вашего запроса и вашего мышления.
Вкратце: написание SQL - это моделирование ..
Во всяком случае, я понял, что вы имели в виду под вашим вопросом в смысле "modelling" == "using the HANA graphical modeller".
Ответ на ваш вопрос, конечно, " это зависит ".
Графическое моделирование является простым (для простых моделей), требует меньшего количества операций ввода, и эти модели можно легко представить инструментам отчетности и / или службам OData.
SQL, с другой стороны, является очень универсальным инструментом для многих задач обработки данных и может быстро привести к результатам даже в очень сложных сценариях.
Лично я обычно вначале играю в SQL и использую графические модели только в том случае, если хочу использовать в них определенные функции (например, функции анонимизации в HANA 2 недоступны в SQL).
Возвращаясь к вашему примеру: если вы хотите повторно использовать таблицы измерений (особенно когда это на самом деле не простые таблицы, а завершенные конструкции соединения самостоятельно), я бы, вероятно, сначала воспользовался подходом графического моделирования, чтобы установить «куб» -структуре.
Запросы к этой структуре куба будут записываться как SQL.
Наконец, производительность выполнения должна быть очень аналогичной в большинстве случаев. Я бы использовал любой инструмент, который, по моему мнению, лучше всего подходит для конкретной задачи моделирования, прежде чем выбрать его из-за «лучшей производительности». Причина этого заключается в том, что полное понимание вашей модели данных (как схемы, так и вашего запроса) является наилучшим вариантом для повышения производительности после того, как вы установили, что результаты верны.