企业大数据平台解决哪些需求？

一、企业大数据平台解决哪些需求？

企业大数据平台主要解决需求有:疫情期间大家出行通信行程轨迹、股票选股分析、气象分析等应用。

二、大数据平台功能需求

在当今数字化时代，大数据平台功能需求正日益成为企业关注的焦点。随着数据规模的不断扩大和数据分析的重要性日益凸显，企业急需建立强大的大数据平台来支撑业务发展和决策制定。而一个成功的大数据平台，必须具备一系列关键功能需求，以确保数据的高效管理、分析和利用。

数据采集与存储

大数据平台的首要功能需求之一是数据的采集和存储。企业需要能够从各个数据源（包括内部系统、外部数据源等）中高效地采集数据，并将数据存储在可靠且可扩展的存储系统中。这意味着平台必须支持多种数据格式和类型的数据存储，并能够实现数据的高速写入和读取。

数据处理与分析

另一个重要的大数据平台功能需求是数据处理与分析能力。平台应该具备强大的数据处理引擎，能够支持复杂的数据处理任务，包括数据清洗、转换、计算等。同时，平台还应该提供丰富的分析工具和算法，帮助企业从海量数据中挖掘出有价值的信息和洞察。

数据安全与隐私保护

在构建大数据平台时，数据安全和隐私保护是至关重要的功能需求之一。平台必须具备严格的数据访问控制机制，确保只有经授权的用户才能访问特定数据。此外，平台还应该采取有效的加密措施，保护数据在传输和存储过程中的安全性。同时，平台需要遵循相关法律法规，保护用户数据的隐私。

实时数据处理

随着业务的发展和竞争的加剧，实时数据处理功能也成为大数据平台的重要需求之一。企业需要能够实时监控和分析数据，及时发现并响应各种业务事件。因此，大数据平台必须具备实时数据处理和流式计算的能力，以满足企业对实时性的需求。

自动化运维与监控

为了保证大数据平台的稳定性和可靠性，自动化运维与监控功能也是不可或缺的一部分。平台应该具备自动化的部署和配置能力，能够快速适应业务需求的变化。同时，平台还需要强大的监控和报警系统，及时发现并解决潜在的问题，确保平台的正常运行。

扩展性与灵活性

随着业务规模和数据量的增长，大数据平台必须具备良好的扩展性和灵活性。平台应该能够水平扩展，以支持更多的数据和用户同时访问。此外，平台还应该具备灵活的架构和接口，能够与现有的系统和工具无缝集成，为企业提供定制化的解决方案。

成本效益与ROI

最后，成本效益与ROI（投资回报率）也是企业考虑的重要因素之一。建设和维护一个强大的大数据平台需要投入大量资金和人力资源，因此平台的成本效益至关重要。企业需要全面评估平台的投资回报率，确保平台能够为业务带来持续的商业价值和竞争优势。

总的来说，大数据平台功能需求涵盖了数据采集与存储、数据处理与分析、数据安全与隐私保护、实时数据处理、自动化运维与监控、扩展性与灵活性以及成本效益与ROI等方面。只有构建一个功能强大、稳定可靠、灵活扩展的大数据平台，企业才能真正实现数据驱动的商业转型，提升竞争力并取得长期成功。

三、需求侧电力大数据平台

需求侧电力大数据平台：实现能源效率的重要工具

电力行业的发展正日益依赖于数据的支持和应用。在能源领域，需求侧电力大数据平台成为实现能源效率、提升运营效能的重要工具。通过对需求侧数据的收集、分析和应用，能够帮助企业更好地了解电力使用情况，优化能源配置，降低能耗成本，提高供电可靠性，实现可持续发展。

需求侧数据的收集与分析

需求侧电力大数据平台通过接入各类传感器、智能仪表等设备，实时采集能源使用数据，涵盖电力负荷、能效指标、设备运行状态等信息。这些数据经过清洗、加工、分析处理后，能够生成详细的能源消耗情况报告、能耗预测分析、异常监测预警等，为企业能源管理决策提供科学依据。

需求侧电力大数据平台的应用价值

• 能源效率提升：通过需求侧电力大数据平台的分析，企业可以发现潜在的能源浪费问题，调整能源使用策略，优化设备运行模式，从而提升能源利用效率，降低不必要的能耗。

• 运营成本降低：根据需求侧数据的分析结果，企业可以合理制定能源采购计划、设备维护计划，降低耗能设备运行成本，提高管理效率，降低企业生产经营成本。

• 供电可靠性增强：通过需求侧电力大数据平台的实时监测和异常预警功能，企业可以迅速发现设备故障、漏电等问题，及时采取措施，确保供电稳定，降低停电事故发生概率，保障生产正常运行。

需求侧电力大数据平台的未来发展

随着人工智能、大数据分析、云计算等技术的不断发展，需求侧电力大数据平台将在未来迎来更广阔的应用前景。未来的平台将具备更强的自学习、智能优化功能，能够实现更精准、高效的能源管理，为企业节能降耗、可持续发展提供更有力的支持。

四、电子元器件采购平台的需求大吗？

11月3日《全球电子元器件分销商卓越表现奖》颁奖典礼已圆满落幕，ASPENCORE隆重揭晓了所有奖项，拍明芯城连续第七年蝉联“杰出电子商务平台”，集团COO刘端蓉女士上台领取了奖项。

拍明芯城COO 刘端蓉

拍明芯城作为一家电子元器件电商平台，汇聚全球原厂、代理商、目录分销商、电商、方案商、终端工厂、硬件开发者等客户，为全球元器件分销通路商提供掘金铲。我们一直致力于为客户提供优质高效的服务。此次再度荣膺杰出电子商务平台，这份荣誉离不开行业媒体的认可以及客户的支持与信赖。我们将一如既往地致力于打造一个更加便捷、高效、可靠的电子元器件交易平台，帮助客户高效达成交易。

拍明芯城荣膺杰出电子商务平台

同期为期2天的“国际集成电路展览会”上，拍明芯城在 1F02 展位，以最高昂的热情及专业的姿态迎接了每一个新老客户，赠出了数百份随手礼。

拍明芯城 1F02 展位

“IIC 2023”已圆满落幕，今年的活动以“创新求变，坚定向前”为主题，汇聚国内外电子产业领袖、管理人员、设计精英及决策者，共同探讨和交流集成电路行业的新风向、新潮流、新趋势，为行业带来更多灵感与启发，为全球科技企业分享发展机遇筑造桥梁和纽带。

IIC 2023

全球分销与供应链领袖峰会则以“产业聚势，价值链进阶”为主题，共同探讨错综复杂的时代洪流下，为迎接产业下一波上行周期如何厉兵秣马、执锐披坚。位处行业调整期内，周边不确定性因素仍在。电子产业前行因此需要供应链凝聚活力，顺势而为。藉由上下游与跨应用企业间的精诚协作、携手并进，达成价值链的有效进阶，获得全行业的新突破与发展，是分销与供应链在后新冠时代构建第二条增长曲线的必由之路。

2023全球分销与供应链领袖峰会现场

2023年度全球电子元器件分销商卓越表现奖揭晓

“全球电子元器件分销商卓越表现奖”旨在表彰对分销和供应链行业创新与发展做出重要贡献的人士和公司。(各类别奖项得奖者排名不分先后)

分析师推荐奖 (各类别奖项得奖者排名不分先后)

关于 ASPENCORE

AspenCore 是电子工程领域中全球领先的技术媒体机构，其重要的使命是为电子工程师、技术人员、采购和管理人员提供最高质量的内容，以激发他们的创造力，从而促进整个电子行业市场的发展。同时，AspenCore 极具公信力的媒体渠道为技术供应商接触技术决策者提供了绝佳平台。

关于全球电子元器件分销商卓越表现奖全球电子元器件分销商卓越表现奖（Global Electronic Component Distributor Awards）创办于 2001 年，22年来备受业界推崇，此奖项旨在表彰支持电子产业发展的卓越品牌分销商。评选结果深受电子制造商信赖，是他们挑选分销商合作伙伴的重要参考。同时将表彰对电子创新与发展做出重要贡献的人士，展现其优秀的管理能力魅力以及不凡表现。由 ASPENCORE 全球资深编辑组成的评审委员会以及来自亚、美、欧洲的网站用户群共同评选出得奖者。

关于拍明芯城

拍明芯城（纳斯达克股票代码：IZM），快速撮合的元器件交易平台，一站式元器件供采和综合供应链服务平台，聚焦中小微电子行业客户需求，提供电子产业互联网综合服务，包括撮合服务、配单服务、寄售代购、报关报检、软件定制、智能仓储、智慧物流、融资撮合等深度垂直服务。

拍明芯城云集全球元器件现货信息，以“多快好省”的思维发展平台，吸引了全球原厂、代理商、目录分销商、电商、方案商、终端工厂、硬件开发者等群体注册和使用。拍明芯城始终秉持严格的标准，对商家资质和货品质量进行深度审核，以此提供零差价撮合服务，为各类客户带去低门槛高便捷度的交易体验；拍明芯城提供可靠的订单执行服务，始终以标准化流程执行每一笔供求匹配达成的交易，有效保证交易的真实性与可追溯性，增强了客户对平台的信任；拍明芯城提供专业的SaaS型管理软件，以及可定制化的综合供应链服务，帮助客户轻松实现企业内外部供应链协同和数据化管理，进而提升效率、降低成本，让每一笔交易都更加透明、可靠。

五、数据需求分析包括什么？

数据需求分析

1

、写出系统的任务和特点

2

、要实现的功能模块和作用

3、

系统结构图

4

、采用的数据库

5

、开发运行环境

"需求分析"，是指对要解决的问题进行详细的分析，弄清楚问题的要求，包括需要输入什么数据，要得到什么结果，最后应输出什么。在软件工程当中的"需求分析"就是确定要计算机"做什么"，要达到什么样的效果。

六、数据安全需求的特点？

有三个最基本的特性：可用性、完整性和机密性。

可用性是指数据随时能够获取、随时可用，不会由于硬件故障等问题，导致数据无法读取。

完整性是指数据在整个交易过程中没有遭受恶意篡改和非授权的访问，保障数据是最原本的样子。

机密性指的是数据全程加密，不会遭受窃听，也不会被未授权的人访问到，数据是安全的。我们通常讲的信息安全保护，保护的就是数据的这三个最基本的特性。

七、数据需求分析怎么写？

数据需求分析就写当时的一个数据分析的一些情况，然后表明了一种怎样的观点？

八、大数据平台需求说明书

大数据平台需求说明书是指企业或机构在使用大数据平台时，为了明确项目目标、功能需求、技术架构等方面的要求和规范，编写的详细文档。在大数据时代，企业对数据的处理和分析需求越来越迫切，因此制定一份完善的需求说明书至关重要。

需求分析

在编写大数据平台需求说明书时，需认真进行需求分析，充分了解业务现状和未来发展方向。首先需要明确项目的背景和目的，然后详细列出各方面的功能需求、性能要求、安全需求等。需求分析阶段是制定需求说明书的基础，决定了项目的方向和关键要点。

内容结构

大数据平台需求说明书通常包括项目背景、需求概述、功能需求、非功能需求、系统架构、数据安全、数据处理流程、接口需求等内容。每个部分都需要详细描述，确保开发团队能够准确理解需求，并按照需求说明书的要求进行开发和测试。

编写要点

在编写大数据平台需求说明书时，需注意以下要点：

• 清晰明了：文字简洁清晰，条理性强，避免使用含糊不清或歧义性的语言表达。
• 全面细致：涵盖需求的各个方面，避免遗漏重要信息，确保每个需求都得到充分描述。
• 可验证性：需求要能够被验证，能够量化或具体描述，便于后续测试团队的验证和确认。
• 参考标准：在编写需求说明书时，可以参考相应的标准和模板，确保需求的完整性和准确性。

实施流程

制定大数据平台需求说明书的实施流程一般包括以下几个步骤：

1. 确定编写团队：确定编写需求说明书的团队成员，分工明确，明确责任和权限。
2. 需求收集：收集业务部门和技术部门的需求，进行需求调研。
3. 需求整理：整理需求，确保需求准确完整。
4. 编写说明书：按照规范和模板，编写详细的需求说明书。
5. 审批确认：由相关部门或领导审批确认需求说明书。

优缺点分析

大数据平台需求说明书的编写具有一定的优缺点：

• 优点：明确需求，减少沟通误解，提高开发效率，便于后期维护和升级。
• 缺点：可能存在需求变更频繁、编写工作量大、更新维护困难等问题。

总结

编写一份完善的大数据平台需求说明书对于项目的顺利开展和成功完成至关重要。只有通过充分的需求分析和详细的文档编写，才能确保开发团队明白任务目标，提高开发效率，降低开发风险。因此，在项目启动阶段务必重视需求说明书的编写工作，为整个项目的顺利实施打下坚实基础。

九、58大数据平台怎么样？

58大数据平台是58同城公司打造的大数据平台，数据内容丰富，可信度高，非常不错。

十、数据运营如何梳理数据埋点需求？

数据分析数据治理入门分享-转载渭河数分星球嘉宾SpaceLion的文章（四年互联网大厂数据科学经验），未经许可不能转载

1、前言

看到这个标题可能有的同学会有疑惑，为什么我作为数据分析师还需要去管数据治理的活，这个不是会有专门的同学去做吗？

确实，在很多大厂，数据开发和数据分析职能都是分开的，数分的同学一开始拿到的表就是已经清洗过的宽表，BI看板搭建就是写几条sql配置一下，日志埋点的工作都会交给产品来完成。但是很多中小公司是不具备这种条件的，尤其是很多初期的创业公司，在产品架构尚未完善，团队分工不够明确的情况下，很多时候日志埋点，数据清洗的工作都会落到数据分析同学的身上。

在择业的时候，遇到这种分工尚未明确的项目，可能有一部分同学就直接放弃了，有的同学可能会说：我想专精数据分析，不想在数据治理上花时间，我找一个分工明确的团队就行了，如果职能分工不明确，说明这个项目的老板不懂数据等等诸如此类的。当然这也是没问题的，人的精力是有限的，追求知识的深度那必定会导致广度的不足。

不过从我个人的角度来看的话，这样可能就会使我个人的择业范围受限，只能选择一些数据建设相对较好的团队。另一方面，如果能够懂得一些数据治理的方法，那么在一些场景下也能够给数据分析工作带来一些便利性，包括能够让数据分析人员更好地定义口径，在复杂的统计任务中通过埋点和数仓来解决问题等。例如，一个刚刚搭建起来没多久的电商APP，想要分析用户点击下单之前上一个页面来自于哪里，假设我只在应用层面解决，那我可能需要把用户的点击事件按照时间排序，再进行清洗计算，费时费力。但是这个时候如果我通过埋点解决这个问题，让程序在用户的点击事件日志上加入一个refer字段，记录了上一个页面的url，这样无论是统计分析，还是搭建后续的BI能力，都能够快速解决

因此本篇随笔的目的就是分享一些本人在数据治理方面的入门经验，希望能给到一些完全没接触过数据治理的同学一些帮助。

2、数据治理链路以及数分同学参与的环节

国际数据管理协会DAMA对数据管理的主题分类可以分为以下几种类型：数据治理、数据架构、数据建模和设计、数据存储和操作、数据安全、数据集成和互操作、文件和内容管理、参考数据和主数据、数据仓库和商务智能、元数据、数据质量。而对于这些工作的从层次划分，网上有各种不同的概念，毕竟不同的公司架构不太一样，我们在这里引用《大数据之路：阿里巴巴大数据实践》书中的数据体系。整个架构分为四个层次：数据采集层，数据计算层，数据服务层，数据应用层。

1、数据采集层：包括日志收集，数据库，数据同步；

2、数据计算层：包括离线数据计算，数据仓库，实时数据

3、数据服务层：基本上就到了我们比较熟悉的环节，包括数分同学平时能拿到进行分析的mysql数据源，hive数据源，数仓的cube等等，数分同学的大部分工作，可能就是拿着这些数据源去做数据应用层的东西，不管是统计分析还是数据建模。

4、数据应用层：这里就是到了一些应用层的数据，对线上产品的，对内部系统的等等

在整条链路中，一些纯技术向的，涉及线上开发的内容是不用数分的同学参与的，一般数分的同学可能参与的环节主要在日志埋点和数仓设计两部分，参与的深度视实际需求会有灵活的变化。

3、日志埋点

3.1 数分同学参与日志埋点工作的优势

在日志收集环节，数据分析师可能会参与到日志埋点工作当中，有些尚没有实际工作经验的同学可能不太清楚，线上产出的原始数据都是json或者双逗号分割等不同类型的的字符串，其中定义了每一个字段的key-value，需要经过清洗才能够变成我们常用的数据表格式。那么一般数据分析师要做的就是配合产品运营，定义清楚每一条日志的上报机制，以及对应的key-value含义。

有的同学会讲这个东西不是应该产品自己来搞吗？没错一个基础能力强的产品确实是能够承担埋点的工作，并且产品功能是他设计的，他比谁都更清楚功能上线之后他想要知道哪些信息，对应所需要埋哪些点。但是有的时候一些产品虽然懂得功能设计和交互，但是却不太懂数据，他们想要的可能是一个抽象的概念，比如功能上线之后他想知道用户的活跃，用户的漏斗转化，此时如果没有专门的数分同学参与，那么产品估计就会去找开发，开发可能更了解底层架构，但是不了解业务，如果没有定义清楚日志上报机制和含义，那么可能就会出现这样一种情况：

产品上了一个促销活动的页面希望知道用户的PV，以及页面带来的GMV，开发随便埋了一个服务端日志，只要用户发送了访问页面请求就记录一条，结果数分同学统计出来发现PV量巨大，但是GMV少的可怜，于是产品疯狂优化交互，但是GMV依旧没有什么提升。最后经过多方排查发现，原因是由于前端页面加载问题导致很多用户虽然请求了链接，但是页面素材却加载不出来，而PV统计的是服务端日志，也许后面的转化其实还可以，但数据口径的差异导致了整个问题的误判。

以上这个例子是我编的，但是参考了一些工作当中踩过的坑点，我们可以发现在产品或者技术自身能力不够强的时候，把埋点全权交给他们就容易出现数据统计口径不明确的问题。而反过来看，数据埋点也是要为业务服务的，最好是通过需求和数据指标反推需要什么埋点，这就决定了数据分析的同学在这个环节当中有着很大的参与空间，其意义在于：

1、明确埋点机制对应的数据指标口径，避免业务分析的偏差。

2、帮助数分同学了解底层架构，拓展业务分析当中的思路。

3、数分同学可以自主增加便于分析的日志埋点，提升效率。

3.2 日志埋点的经验分享

埋点的方法根据每个公司使用的数据服务不同也有很大差异，我个人将埋点方法分为两类：全埋点，代码埋点。代码埋点又分为前端和服务端埋点。

全埋点就是部署了一些sdk，能够把APP的所有行为全部记录下来，然后由分析人员自定义关键事件，直接圈选分析。使用这种方法一般是接入了一些外部的数据服务供应商的系统，比如神策之类的，优点是你想怎么定义都行，无需重新开发，缺点就是这么多数据占用空间大不能存太久，也只适合一些轻量级的项目分析，我自己是没用过这种方法。

代码埋点顾名思义就是需要让开发把一些关键事件信息的返回写到代码里面去，需要预先定义好在什么场景下，返回一些什么字段，这个就是我们最常用的一种方式。

前端埋点主要是在APP客户端，或者网页页面当中，触发了一些关键素材时返回日志，比如页面加载，素材图片的加载，按钮的点击之类的。这类埋点上报会受到页面改版，网络等问题的影响，会有一些误差；服务端埋点指的是成功请求了一个服务器接口时返回日志，这种日志通常是最准确的，比如下单，播放视频等，请求成功了就是成功了，不受前端改版等问题的影响。

设计埋点的时候我一般遵循这几个步骤：

第一步肯定是要跟产品运营对齐，看一遍产品文档，新功能页面做了什么改动，新增改动了什么功能，是否需要添加前端或服务端埋点；然后再明确这个功能上线之后要看哪些核心的数据，分别需要在前端和服务端埋一些什么内容，确保功能上线能够统计到对应的数据。输出好需要哪些字段之后，需要跟开发对齐，在什么情况下上报，字段都能不能上报，可能有些字段是记录不了的要怎么处理，这些明确了之后才能进入开发。

对于日志字段的设计，个人的经验是可以按照几个大类进行梳理：

维度	信息	备注
日志基础信息	日志唯一标识，日志id，事件id，事件类型等	用作日志的分区字段
页面信息	名称，title，模块，链接等	一般前端需要的较多
用户基础信息	用户id，设备信息（设备号，型号），操作系统（语言，版本），网络信息（ip等），应用信息（版本，包体信息）等等	有些敏感信息不一定能获取到，用户明文账号等信息注意加密
时间信息	日志上报时间，上传时间，更新时间，创建时间	如果是一次性的事件则记录上报时间即可，但是如果记录对象是可累积更新状态的，例如订单等，则需要记录不同状态的时间
业务关键信息	比如如果关注用户增长，就可以记录点击来源，渠道等信息，如果关注用户的停留消费，那可以记录时长，下单金额；如果是有用户跟另一个对象交互的日志，比如用户-物品，用户-视频，那就需要记录商品id，视频id等等	这块不是公共参数，可以根据业务的不同定义去定义
拓展字段	可以留出一个空的desc或者info字段，未来业务有新增需求的时候，可以在这个字段当中以json字符串的形式进行拓展

以这样的标准去写埋点文档，就有利于拉齐大家对埋点的认知，从而更高效，准确的沟通。核心的逻辑是从产品对UI的理解过渡到数据指标的设计然后到具体的开发环节，所以需要三方都要听得懂

最后成型的埋点文档应该长下面这样

日志基础信息	页面信息	具体字段	UI图
事件	事件类型	名称	模块	记录字段	记录值
首页浏览	page_view	首页	曝光	公共字段	包含用户id，设备号，时间页面id等	首页ui图
	游戏id	如果首页属于某个游戏或者某个商品

4、数据仓库

4.1数分同学参与数仓的优势

数据仓库一般跟数据存储，数据安全这些职能是绑定的，所以大部分工作会落到数据开发的同学身上。不过这种情况是在数据体系已经有一定沉淀的基础上，如果是从零到一的数据仓库搭建，数据分析同学的参与空间也是很大的。

数据开发的同学擅长将数据仓库设计的高效，可拓展，可维护，但是在服务层和应用层当中要结合业务进行设计，比如对于一个短视频产品，数开的同学能够做到让上数十亿条数据的用户-视频维度的事实表清洗任务时长缩短一半，但是到了服务层以上，需要定义一些“近30天用户活跃天数”，“近90天用户观看时长”的时候，数据开发的同学可能就会不知道怎么去设计能更加贴合业务了，此时就需要数分的同学参与进来。

4.2 数仓设计的经验分享

数据仓库一般分为：

1、ODS层（数据准备层）：包含业务的原始日志，是直接接入数据源的部分。

2、DWD层（数据明细层）：将DW层（DWD，DWM，DWS）与业务层（ODS）隔开的部分，在数据字段的定义上与ODS层保持相同的颗粒度，但是会把ODS层的原始JSON等字符串日志进行解析变成数据库表，同时会做一些空值填补等数据清洗操作。

3、DWM层（数据中间层）：在DWD的基础上做轻微的聚合，计算出相应的统计指标，例如假设对于一个短视频产品，DWD层记录的是，用户-创作者-作品-时长的维度数据，并且当一个用户多次观看同一个视频，可能会产生多条记录，那么在DWM层可能会根据业务需要把表聚合为用户-创作者-时长的维度数据，每一对用户-创作者的只会对应一条记录。

4、DWS层（数据服务层）：在DWM的基础上整合的主题数据表，例如上面说的用户-创作者-时长的中间表，可能会根据业务需要被聚合为用户主题表：用户-总时长-创作者人数....；创作者主题表：创作者-用户数-总时长......；这里的数据维度通常就已经是具有业务含义的数据指标了

5、ADS层（数据应用层）：这里主要是给提供给产品或者数据分析的表，比如BI展示的数据指标表，以及一些为了方便快速分析预聚合好的数据表，其数据指标自定义程度也会更高，比如”近90天观看视频数”等等。

通俗地说，数据仓库从下层往上层设计的过程就是一个不断group by的过程，从多条明细group by成一条，从N个维度group by成一两个维度如何选择维度，以及要group by出哪些指标，就是数据分析同学发挥作用的地方。一般ODS，DWD这两个维度可以不需要数分同学参与，数据开发的同学保证数仓的准确性和稳定性即可，但是到了DWM层数据分析的同学就可以适当参与进来。比如此时DWM层待聚合的维度有20个左右，包括用户id，创作者id，视频信息，用户的机型设备IP这些，那么数分的同学就可以结合平时的分析经验挑选需要聚合哪些维度，比如IP，机型，如果在分析当中并不是一个主要的维度，那么在DWM层当中就无需保留，那么假设数分的同学平时要经常统计“活跃设备数”这样的指标，那么设备ID就需要在DWM层保留下来。

设计数据仓库的过程这里介绍Kimball的维度建模步骤：

1、选择业务过程：这个步骤通俗地讲就是业务场景，比如在某个直播产品当中，我们定义一条用户的核心业务路径定义为观看直播-付费充值-礼物打赏，那么最初的事实表就需要确定是单一场景的观看直播行为表，还是观看直播-付费充值两个场景叠加的表。

2、声明粒度：确定主键，比如在上述的观看直播行为表中，我们选择用户作为粒度。

3、确认维度：根据关联分析的常用维度挑选字段，比如以用户为粒度的表中，我们通常会关注用户看了哪些主播，在什么渠道下看的，看的什么类型，那维度就需要包含主播id，渠道来源，直播品类，核心考量的就是业务相关性。

4、确认事实：也就是确定业务的度量指标，比如观看直播场景下，业务需要关注时长，PV，那么就需要在聚合的过程中把这两个指标计算出来。

如果按这个过程无限拓展，数仓的维度是可以拆出非常多的，常用的模式有：

模式	特点	维护难度	使用广泛度
星形模式	以事实表为中心，全部的维表直连在事实表上	低	高
雪花模式	维度表可以拥有其他的维度表	高	低
星座模式	基于多张事实表，共享维度信息	高	高

无论是哪种，其实核心都是要在存储空间和业务便捷性当中找到一个平衡点，维度表越多，分析的便利性就更强，但是同时增加了存储成本；维度设计的简单，数仓运行更高效，但是可能每次做稍微复杂的分析都要从最底层的表开始用起，降低分析效率。这一块工作是需要数据分析和数据开发的同学长期共建的，数分同学提供业务视角的建议，数开的同学提供技术上的方案，单一方我觉得都很难把这块做好。

5、数据治理-数据分析共同进化

其实分享了这么多，其实核心都是希望能够给数分的同学提供一些跳出数据分析框架解决问题的思路，如果能够了解一些数据治理的基础方法，在一些关键的节点上就可以寻求数据开发的帮助。例如你在分析用户路径的过程中发现了一个很关键的行为，比如用户在浏览3次以上商品详情页之后，购买率会提升10%，那么是不是可以设计对应的埋点，在每次用户曝光商品时，让开发同学记录当天已曝光该商品的次数，产品也可以直接读取这个数据做对应的干预策略；又例如某个视频产品的数仓以前只有简单的用户-创作者-视频维度的事实表，结果最近运营总是提需求看不同MCN机构的数据表现，那我们是不是可以给数仓的同学提需求增加对应的字段或者设计新的事实表和维度表，方便后续的BI能力搭建。

反过来说，数据开发的同学也能得到业务经验的反哺，我发现商品曝光次数是一个非常关键的行为，那么我在下次打其他埋点的时候，也可以建议产品加上这个数据；我发现业务方经常看A维度数据不看B维度的数据，那我也可以设计一些更加便捷的维度表给他们用。

整体来说，我觉得对于数据治理这项工作，数分和数开的同学是一个相辅相成，共同进化的合作关系，如果未来大家在做项目的时候，遇到了需要自己参与到数据治理工作当中的情况，希望本文可以给到大家一些启发。