作为数据应用场景的基石--数据模型，我们应该如何构建？

当业务体量到了一定程度，业务模型有了一定的稳定度，数据模型的构建就显得尤为重要。数据模型是保证数据口径统一、提升数据质量的核心，是后续快速高效迭代支持更复杂数据应用场景的基石。

那么，应该如何构建数据模型呢？

01 确定模型主题

业务由很多场景组合而成，数据模型的构建需根据业务场景进行主题分类，所以如何确定主题分类呢，可参考如下几个原则：

每个主题都是最底层的原始主题，即衍生的指标都是基于这些主题域的数据计算得来的；

企业经营的业务组成模块可作为参考；

主题之间有一定的交叉衔接关联，但是呢，又需各领风骚，各自独立； 

主题之间有依附关系，有些主题是基于更基础的主题衍生得来的。

02 基于确定的主题，梳理需求

需求梳理是核心，做好需求的梳理是很关键的，要做到以下几点：

已经发生的数据需求场景需全部囊括，记住是全部哦

未来可能会有哪些场景发生呢，亦需囊括。

那我们如何可以做好呢？ 可以参考以下几种做法：

常用报表，整理已经产生过的所有报表需求；

临时数据，整理已经产生过的所有临时需求；

SOP流程，SOP流程是梳理需求的灵魂，掌握这个，是所有工作的核心，但如何把这个利用好呢，有个小技巧，把流程中每个环节可能需要看数据的度量值、维度全都穷举出来。

基于以上三步，整理出全部需要看数据的场景，再进行完整的系统性的梳理。

03 数据计算规则

这个环节是最最最需要细心和耐心的，一旦错误，整个数据模型就大打折扣

要做好，有几个难点需要特别注意：

杂：业务系统复杂多源，比如有营销系统、库存系统、结算系统等等；

多：数据来源表很多很多；

像：同一个指标，如损耗，在A系统和B系统都有，听起来貌似都是我们要的，那我们到底应该用哪个呢？他们有何不同？

04 数据验证

数据质量是数据应用的核心基础，数据验证是非常重要的一环，若质量把控不够严格，后续所有的行为都可能有偏差甚至错误，所以做好数据验证很关键。

上面介绍了数据模型的构建思路，那么我们要怎么落地呢？其实现在有的BI产品就已经可以构建数据模型了，并不需要依赖数据仓库。例如由广州思迈特软件推出的Smartbi V10就集成了数据模型功能，它使分析人员具有数据再加工的能力，自由调配“数据原料”，并由里及外，以点带面，极大提升了数据分析的灵活性，像艺术创作一样自由分析。

申请试用