为BI开个好头—数据模型构建概要

BI的 数据模型抽象过程，是对业务过程的再梳理，将线性的数据流，改造成多视角的立体数据。

那么有了数据模型的强大支持，数据分析才有了足够发挥空间，数据分析之后就是BI的应用。在数据分析阶段，用户可以介入很少，就是提出分析的方向，由分析人员根据分析方向自由发挥，在BI应用阶段，则需要用户全程加入。

传统的数据模型中，都是以常规的维度和事实来描述事务，这种模式下，BI应用要分析得更加深入，往往需要BI分析人员将DW的原始数据抽取出来（经过清洗整合的数据还是比业务源数据好得多），然后自己再加工处理。这样既增加了数据分析的难度，也增加了成本和风险。 

观察一下多少BI分析是这样操作的，你就应该知道数据模型是否需要改进，反正我是这样判断的，如果有满足不了分析的数据模型，我就会考虑模型再造，既是对公司BI的负责，也是自己的提高。我想包括很多XX牛项目，也存在这样的情况吧，只不过如果分工很细的话，数据仓库的数据模型再造较难推进，随着当前企业多业务交错融入，好的数据模型越来越难以设计。

如果对数据模型再造，来改进BI的现状，就要再深入理解业务，可能需要抽象出新视角、新的维度，以及新的指标，来辅助数据分析更加深入透彻。

例如我在构造电子商务数据模型的时候，不会依据电子商务5大数据源来构建数据模型，而是依据电子商务业务本身来划分专题、专题之间的相互关系等，构思出了客户访问生命周期模型、客户订单生命周期模型、客户生命周期模型、商品生命周期模型四大类，而且四大模型之间的影响关系也非常清晰，从这四大模型之中，完全看不到任何业务数据源的影子。

而在实体商企业中，商品生命周期模型，可以作为企业级生命周期的一部分，作为数据集市构建，这样避免重复开发，也能满足电商的特殊性。作为品牌商经营，这几大模型就足够了，不过如果作为零售代理商或电商平台商，还需要有商品竞争对比模型，而品牌商有自主定价权，这类分析重要性没那么大，主要在渠道特点的分析上。

如果我们的数据模型是根据业务系统的表结构来构建，那就只相当于有个物理模型，因为业务系统的业务数据都是线性的，无法直接拿来有效地分析，完全没理清楚，从分析角度，需要哪些数据信息。例如电商业务系统会至少有订单信息、付款、物流数据，也有点击流日志数据、外部网站爬取数据、客服数据，然后还有企业方计划数据。 像这些看似独自的数据，包含了业务运营的相关的全过程，以及相关影响信息，所以数据模型就需要按照上述专题进行描述。因为这样的描述，可以衍生新的维度、指标，将业务描述清晰，从而将静态的业务数据，在BI数据模型中，演变成可以多层次、多视角动态分析的立体模型。

另外说一个项目开发问题，正因为我的数据建模未太多依赖数据源表结构，BI的导入也非常快，数据模型实现建好，拿到数据就可以顺利导入，数据分析也随即展开，BI应用也逐步和用户讨论。