维度建模回顾：建模流程

目标：掌握维度建模的建模流程

实施

step1-需求调研：业务调研和数据调研

- 了解整个业务实现的过程
- 收集所有数据使用人员对于数据的需求
- 整理所有数据来源

step2-划分主题域：面向业务将业务划分主题域及主题

- 用户域、店铺域
- 商品域、交易域、
- 客服域、信用风控域、采购分销域

step3-构建维度总线矩阵：明确每个业务主题对应的维度关系

step4-明确指标统计：明确所有原生指标与衍生指标

原生指标：基于某一业务事件行为下的度量，是业务定义中不可再拆分的指标，如支付总金额

衍生指标：基于原子指标添加了维度：近7天的支付总金额等

step5-定义事实与维度规范

- 命名规范、类型规范、设计规范等

step6-代码开发

- 实现具体的代码开发

- 只要知道指标的计算方式，基于维度分组计算指标

维度建模回顾：维度设计

目标：掌握维度建模中维度的设计

实施

功能：基于组合维度来更加**细化我们的指标**，来更加精确的发现问题
- 指标如果不基于组合维度进行分析得到，指标的结果是没有意义的
实现：开发中维度就是指标聚合时的**分组字段**
特点
- 数据量小
- 很少发生变化
采集方式：全量
常见维度
- 时间维度：年、季度、月、周、天、小时
- 地区维度：国家、省份、城市
- 平台维度：网站、APP、小程序、H5
- 操作系统维度：Windows、Mac OS、Android、Linux、IOS
- ……

维度建模回顾：维度模型

目标：掌握维度设计的常用模型

路径

- step1：雪花模型
- step2：星型模型
- step3：星座模型

实施

雪花模型

- 设计：部分维度通过其他维度间接关联事实表
- 优点：避免数据的冗余
- 缺点：关联层次比较多，数据大的情况下，底层层层Join，查询数据性能降低

星型模型

- 设计：所有维度表直接关联事实表
- 优点：每次查询时候，直接获取对应的数据结果，不用关联其他的维度子表，可以提高性能
- 缺点：数据冗余度相比雪花模型较高

星座模型

- 星座模型：基于星型模型的演变，多个事实共同使用一个维度表

一站制造业务主题划分

目标：掌握一站制造的主题域及主题的划分
实施
来源
- 主题域划分：业务或者部门划分
- 业务：客户域、广告域、运营域……
- 部门：运维域、财务域、销售域……
- 数据需求来划分主题
- 运营域：访问分析报表、转化分析报表、用户属性分析报表、订单分析报表
- ==**服务域**==
- 安装主题：安装方式、支付费用、安装类型
- 工单主题：派工方式、工单总数、派工类型、完工总数、
- 维修主题：支付费用、零部件费用、故障类型
- 派单主题：派单数、派单平均值、派单响应时间
- 费用主题：差旅费、安装费、报销人员统计
- 回访主题：回访人员数、回访工单状态
- 油站主题：油站总数量、油站新增数量
- **客户域**
- 客户主题：安装数量、维修数量、巡检数量、回访数量
- **仓储域**
- 保内良品核销主题：核销数量、配件金额
- 保内不良品核销主题：核销配件数、核销配件金额
- 送修主题：送修申请、送修物料数量、送修类型
- 调拨主题：调拨状态、调拨数量、调拨设备类型
- 消耗品核销：核销总数、核销设备类型
- **服务商域**
- 工单主题：派工方式、工单总数、工单类型、客户类型
- 服务商油站主题：油站数量、油站新增数量
- **运营域**
- 运营主题：服务人员工时、维修站分析、平均工单、网点分布
- **市场域**
- 市场主题：工单统计、完工明细、订单统计

一站制造业务维度设计

目标：掌握一站制造业务维度设计

实施

- ==**日期时间维度**==
- 年维度、季度维度、月维度、周维度、日维度
- 日环比、周环比、月环比、日同比、周同比、月同比
- 环比：同一个周期内的比较
- 同比：上个个周期的比较
- ==**行政地区维度**==
- 地区级别：国家维度、省份维度、城市维度、县区维度、乡镇维度
- ==**服务网点维度**==
- 网点名称、网点编号、省份、城市、县区、所属机构
- ==**油站维度**==
- 油站类型、油站名称、油站编号、客户编号、客户名称、省份、城市、县区、油站状态、所属公司
- ==**组织机构维度**==
- 人员编号、人员名称、岗位编号、岗位名称、部门编号、部门名称
- **服务类型维度**
- 类型编号、类型名称
- **设备维度**
- 设备类型、设备编号、设备名称、油枪数量、泵类型、软件类型
- **故障类型维度**
- 一级故障编号、一级故障名称、二级故障编号、二级故障名称
- **物流公司维度**
- 物流公司编号、物流公司名称
- ……