模型没有对错之分，只有适合的业务场景之分。数据模型能够促进业务与技术进行有效沟通。只要基于数据进行决策及拓展业务边界，好的数据模型必不可少。那么，企业究竟该如何构建数据模型呢？

数据中台能解决什么问题？

我们用四个字总结：全、统、通、用。全：数据中台和数据仓库的区别，数据仓库是满足业务需求或业务主题的；而数据中台是一个大而全的概念，为企业提供战略性的数据中台服务。数据应收尽收，所有能沉淀到数据中台的数据都收集到数据中台，包括增量、全量、实时、离线的数据。

统：统一数据标准规范。从数据质量标准、安全标准、模型规范、开发规范统一起来形成数据资产。

通：打通人的身份ID、商品ID、媒介ID，消除数据孤岛。

用：体现在数据服务，用起来会有流共享、批共享及其他共享。总结起来：「全」是基础；「统和通」是途径；「用」是最终目的，最高境界是数据驱动业务创新和变革。

数据中台=方法论+实施+工具

数据中台能落地的关键点：强大的数据中台理论体系支撑+大数据实施流程体系、业务团队能力+大数据建设产品工具集。

One Data方法论

One Data = One Model + One ID + One Service

One Model：统一数据模型，规范指标、标签，消除二义性，将数据从成本中心变成利润中心。

One ID：实体ID的唯一性，数据打通后进行数据升维，将数据从孤立变为融通。

One Service：统一数据服务，数据从过去的复制到一次开发，多次复用。

数据模型选择思考

熟悉数据仓库的同学都了解两位大师，一位是数据仓库之父——Bill Inmon，他提倡的顶层设计是自顶向下的，采用三范式的设计，非常严谨可减少数据的冗余。

另一位是维度建模大师——Ralph Kimball，维度建模更简单，执行起来更容易上手。顶层设计思路是自底向上的，从业务出发，从概念模型到逻辑模型再到物理模型，提倡先有数据集市，各个小的数据集市可以组成数据仓库。

这里仅列举两种模型：星型模型与雪花模型。星型模型是维度建模中比较经典的模型，也是目前用的较普遍的模型，星型模型是所有维度表都直接连接到事实表上，整个图解就像星星一样。

雪花模型是对星型模型的扩展。通过三范式建模，数据冗余比较少，更加规范、严谨，更有利于保持数据的一致性。

通常情况下，为了让下游能更好理解业务，快速提供数据服务，我们会选择星型模型；而在维度信息变化非常频繁，或者数据存储成本非常高的情况下，我们可以采用雪花模型。归根到底，数据模型没有好坏之分，只有能否解决业务问题。

那泛零售企业该如何选择数据中台模型？

从顶层设计、建模理论、业务场景三个大方向考虑。

顶层设计：数据中台是大而全的概念，Inmon大师自顶向下的设计思路兼顾业务全局，比较符合数据中台理论。

建模理论：主要以维度建模为核心，结合多种建模百花齐放。

业务场景：如泛零售行业最主要的是，“人货场”，从“人”：组织、客户；“货”：商品、服务；“场”:渠道、门店、商场等；“行为”:订单、营销、工单等考虑。OneModel

普遍情况下，一个大的集团可能有好多个大的业务板块，比如地产、金融、电商等。而一般的小公司业务比较单一的话就只分一个业务板块。

数据域是面向业务分析，将业务过程或者维度进行抽象的集合。

业务过程是指企业的业务活动事件，如下单、支付、退款都是业务过程。

维度设计是维度建模的灵魂，也是数据中台模型设计的基础，维度设计的核⼼是构建⼀致性维度。而粒度可以认为是维度的组合，如卖家和买家结合起来可以理解为两个维度，一个粒度。数据模型最佳实践

好的数据模型最终都为业务而生。

具体来说，就是把业务抽象化，提炼成数据模型，再通过数据解决业务问题。

数据建模过程中有哪些常见问题？

数据域划分：可理解，全局考虑，数量适中。

业务过程：是一个逻辑的概念，需与度量关联。

一致性维度：做维度表的时候，有的公司有自己的主数据系统，但有些公司没有自己的主数据系统，需要将数据合并，因此诞生了桥接表，用逻辑的维度表，底层是多张表拼凑而成，且维度表每天都在变化。

明细事实表：分为多事实、单事实、无事实的事实表，很多人会误解为事实表一定要有度量值，但不一定，有的是行为的操作数据，甚至维度表和事实表之间可以相互转换，只有在粒度一致的情形下，才能将多个的事实进行合并。

数仓分层：从ODS-CDM-ADS。

了解维度和粒度之间的关系，粒度是维度的组合。

数据模型过程中，有何设计心得？

数据不丢失，是最重要的一点。在ODS层的设计就需体现，要长期保留数据。

数据不重复，为保证数据治理的准确性，重复的数据需要提前剔除。

模型能共享，数据集市中的模型共享容易做到，数据集市是满足业务需求的，但是数据中台的模型共享，明细事实表和维度表都需要用到，但是业务会不断进行迭代和创新，所以也可能避免不了要从原始数据中取的可能。

空间换时间，为了能更大程度进行共享，可以做冗余的设计。

任务能重跑，保证后期的运维能力。

业务是爸爸，所有不考虑业务的数据模型都是耍流氓。即使数据模型设计得再好，若业务模型不认可，不满足业务的数据模型都是无效的。数据模型最终都是为业务服务的。不管是黑猫白猫，在一定的设计思想里满足之后都是可以进行创新的。

数据模型的前沿畅想

新方向=产品化+行业化+智能化

模型产品化

盘点即上云：若对数据进行认真盘点，收集足够多的元数据，把表结构、字段类型、数据库类型，只要把元数据盘点完后一键导入，并可以一键生成头部任务，因此，数据开发人员只需要解决异常情况即可。

设计即开发：有了模型的设计，维度表、事实表、指标定义后，底层的代码是自动实现的，不必再担心SQL的优化、性能调优。

资产即服务：所有的数据进行模型设计后，所有的表都可以进行数据资产化，有了资产即有服务。

模型行业化

每个行业有明显的特点，如泛零售行业对人货场的分析比较固定，因此建的模型固定的部分是可以通用的。

模型智能化

模型设计越来越简单，容易上手，模型物理层的优化越来越智能，模型和智能应用结合，赋能业务。

作者简介：

天启，奇点云高级数据架构专家。原海尔集团数据架构师，原阿里巴巴政务团队数据架构师。

精通数据仓库建模理论及数据开发技术，具备零售、政务、医药、制造等多个领域数仓和数据中台建设经验及PB级数据仓库与数据中台建设经验。

创作场景

企业究竟该如何构建数据模型？