当业务体量到了肯定水平，业务模型有了肯定的稳定度，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对立、晋升数据品质的外围，是后续疾速高效迭代反对更简单数据利用场景的基石。
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，数据模型的构建需依据业务场景进行主题分类，所以如何确定主题分类呢，可参考如下几个准则：
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；
主题之间有肯定的穿插连接关联，然而呢，又需各领风骚，各自独立；
主题之间有附丽关系，有些主题是基于更根底的主题衍生得来的。
02 基于确定的主题，梳理需要
需要梳理是外围，做好需要的梳理是很要害的，要做到以下几点：
曾经产生的数据需要场景需全副囊括，记住是全副哦
将来可能会有哪些场景产生呢，亦需囊括。
那咱们如何能够做好呢？能够参考以下几种做法：
罕用报表，整顿曾经产生过的所有报表需要；
长期数据，整顿曾经产生过的所有长期需要；
SOP 流程，SOP 流程是梳理需要的灵魂，把握这个，是所有工作的外围，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须要看数据的度量值、维度全都穷举进去。
基于以上三步，整顿出全副须要看数据的场景，再进行残缺的系统性的梳理。
03 数据计算规定
这个环节是最最最须要仔细和急躁的，一旦谬误，整个数据模型就大打折扣
要做好，有几个难点须要特地留神：
杂：业务零碎简单多源，比方有营销零碎、库存零碎、结算零碎等等；
多：数据起源表很多很多；
像：同一个指标，如损耗，在 A 零碎和 B 零碎都有，听起来貌似都是咱们要的，那咱们到底应该用哪个呢？他们有何不同？
04 数据验证
数据品质是数据利用的外围根底，数据验证是十分重要的一环，若品质把控不够严格，后续所有的行为都可能有偏差甚至谬误，所以做好数据验证很要害。
下面介绍了数据模型的构建思路，那么咱们要怎么落地呢？其实当初有的 BI 产品就曾经能够构建数据模型了，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 就集成了数据模型性能，它使剖析人员具备数据再加工的能力，自在调配“数据原料”，并由里及外，以点带面，极大晋升了数据分析的灵活性，像艺术创作一样自在剖析。