数据模型构建

当业务体量到了一定程度，业务模型有了一定的稳定度，数仓的构建就显得尤为重要，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，其中数据模型的构建当然是核心的核心了。

那作为数据产品这样一个角色，应该如何搬砖呢？

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

如有线上线下的零售行业，可拆分销售模型、商品模型、会员模型、流量模型、营销模型、配送模型等等，其中配送需用到销售主题的数据、会员需用到流量和销售主题的数据、商品需用到销售主题的数据等等，主题间会有一定的依附关系，但在其所属的主题域内，又可作为最基础的数据

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。好吧！未来，未来是什么呢？要死好多脑细胞的样纸！

那我们如何可以做好呢？

有些方法是可以让这个结果更完美：

• 常用报表，整理已经产生过的所有报表需求，记住是所有哦所有哦所有哦！
• 临时数据，整理已经产生过的所有临时需求，记住是所有哦所有哦所有哦！
• 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，记住是所有哦所有哦所有哦！

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。

BUT，如何完整的系统性的梳理呢？

哈哈哈

可从两个角度

• 维度，整理出所有可能用到的维度，以及维度的枚举值，如日期、时段、省、市、门店、渠道
• 度量值，整理出所有可能用的度量值，注意，此处的度量值是指最细粒度的值，不是二次计算衍生的数据指标哦！！如原始度量值是销售额，二次衍生的销售额同比增长；如原始度量值是订单ID，二次衍生是成交单量；如原始是毛利额，衍生指标是毛利同比增长和毛利率

看，是不是发现其实也没那么难的了！

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，整个数据价值就大打折扣

要做好，有几个难点

• 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，多到抓狂，一个数据指标，需要用到A表、B表、C表、...还有什么表！！
• 乱：表之间的关联关系，是的，这个可以有很多莫名其妙的关系！！
• 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，那我们到底应该宠幸哪个呢？他们各自都有啥特色呢？

OMG，好南哦！！怎么能介个样子呢！！

好吧，那我们怎么可以做好呢？不好意思，没有捷径没有捷径没有捷径，只有死磕到底！！

BUT怎么磕才能更好呢？小编我一般用这几个办法，仅供参考哈

• 搬起小板凳，把对应专题的数据开发搞定，带着TA一起奔向业务开发，围绕在TA周围，随时随地沟通，此时只能开启产品的厚脸皮和诚恳乖乖模式
• 疑问处，确认确认再确认！

当然了，上面两步的前提是我们自己得做足功课先，把业务的场景逻辑弄清楚，把需求和场景的结合弄的门清，有了这样的金盾护体，在和开发的哥哥姐姐们沟通时，就不容易被diss了，甚至可能会产生更强的信任哦，咦，这个产品挺靠谱的吗，就配合的会更好的了！！

你们都懂的，哈哈哈哈！！

04 数据验证

好了，终于来到这一步了，不好意思，关于这个，之前耗费了我万千心血掉了无数根头发，终于打造好的一篇"干货十足"的长文，欢迎移步阅读了，《如何做好数据测试呢？》不好意思，一不小心做了一次老文推广，哈哈哈哈！

好了，以上都是本人总结的关于数据模型构建过程中，数据产品可以如何开工的心得，很多细节是都可以做的更完美，一文表达不了完整，如有兴趣，可后台留言，找我进一步沟通交流哦。。欢迎欢迎

笔芯笔芯！

End.

爱数据网专栏作者：芒果数

作者简介：零售业的数据从业者，负责过团队，做过从0到1的数据产品，深入业务团队数据工作，完成了数据职业闭环

个人微信公众号：芒果数（ID：DataMama2020）

爱数据网专栏作者原创文章，如转载请微信公号后台与作者联系