从零建立赋能业务的数据中心「逻辑框架」

转岗到业务公司新的数据团队，需要从零开始建立数据中心，时常让人无从下手。本文作者结合自身转岗经历，根据实践中的逻辑思路在文中详实举例，帮助数据分析师新人进一步学习数据库的应用，推荐迷茫中的数据分析师阅读学习～

数据中心整体的思路是基于现有的业务系统，接入数据后，将模型部署在前端，用于支持业务分析场景。

1. 项目目标

此次项目希望能与你分享 一个可以赋能业务的数据中心是如何从零开始构思设计 的，不过这并不是技术开发中数据仓库，而是 定位在用于数据分析工作的数据库 。

借此机会，也供刚接触SQL的朋友，有一个更贴近业务现实的实战案例。

2. 业务场景

为简化业务逻辑，此次案例是基于电商企业，涉及的业务部门有用户运营部门、及产品部门。

我经常说数据分析师的价值在于解决业务问题，那么此次的数据中心项目是在解决什么样的解决问题，以及是如何解决的？我们来按「以终为始」的思考逻辑来梳理一番。

一、从业务层面思考，需要解决哪些业务问题

数据分析师的价值在于赋能业务，所以「数据中心」建设的起点要从终点出发：业务需求。

1. 用户运营部门

随着电商市场的饱和，现在电商进入存量运营时期，要求品牌对存量用户进行精细化管理，并实现业务增长。因此用户运营部门的需求是用户价值的分层模型，可以帮助业务把精力集中在最高收益的人群。与用户运营部门沟通，明确 建立 RFM模型 对人群进行分层，并形成不同人群的营销策略。

2. 产品部门

产品部门的职能大体能分为两个方面：一个是需要前瞻市场的产品开发，另一个是“确保子弹供及”的库存管理。与产品部门沟通后，明确需求是要做 「新品分析」，根据新品的表现情况，调整生产及库存计划 。简单点说就是表现好的新品，就多生产/进货，反之则清仓处理。

二、从数据层面思考，需要解决哪样的数据问题

到这一步，已经明确了业务需求，接下来要建立能支撑业务发展的数据中心。

按数据处理流程，可以把数据中心分为：落地层、建模层、及数据层

1. 落地层

离业务最近，是业务看得见摸得着的数据应用，比如在线BI系统，业务可以直接登录看到需要的 报表 ；还可以是数据分析报告，业务从报告中获得直接的 洞察分析及建议 ；还可以是专项的数据分析项目，把通过分析形成的 策略方案 在业务场景下执行，直接实现增长。也就是说，在这一层，需要考虑 数据分析价值落地的具体形式。

2. 建模层

建模层和数据层都是业务部门不可感知的。 建模层是支撑价值落地的数据模型 ，比如在线BI系统中的报表，背后复杂的表间关系，需要 业务逻辑和表格模型支撑 ；数据分析报告背后的洞察分析，需要如 帕累托分析、关联算法等数据模型支撑。

3. 数据层

到这一层，就需要 关注最小颗粒度的数据 ，也就是 数据库层面的表格与字段 ，它们是建模层具体操作的要素。通俗地说，需要从不同数据源中接入业务数据，并通过同步更新、数据清洗等过程确保数据的完整性及准确性。

三、如何把业务需求转为数据问题

了解完数据赋能的三个层次，回过头来看看如何把业务需求转为数据问题。

1. 用户运营

（1）落地层

业务部门都有KPI指标，在运营工作中，需要定期回顾运营成效及执行下一阶段的运营策略。对业务来说，运营策略的落地需要借助触达工具：发短信。因此， 「RFM模型」的落地 不能只是给出算法模型报告，而是 要以报表的形式，对存量用户进行分群的同时，搭配策略分析工具，并提供用户信息下载

根据业务场景，确定可以通过 PowerBI在线报表 的形式，为用户运营部门提供在线人群分层报表，并交叉零售行业常用的 「人货场模型」及「指标拆解」作为策略分析工具。

（2）建模层

明确了落地的形式后，需要对背后的 「RFM模型」和「人货场模型」及「指标拆解」进行数据层面的定义。

• 对于「RFM模型」来说，需要明确分层逻辑，具体包括行为周期、R/F/M的阈值计算。
• 对于「人货场模型」来说，在RFM模型已解决「人」层面的分析，需要进一步补充：「货」通过「产品结构分析」解决，「场」通过「活动周期分析」解决。
• 对于「指标拆解」来说，因为最终是交付给用户运营部门，所以需要尽量从用户的角度来拆解销售额，比如销售额 = 新客销售 + 老客销售，这样就符合业务关注的新客指标及老客指标。

（3）数据层

明确了需要开发的数据模型，需要对更细颗粒度的数据库表格及字段进行设计。

• 模型围绕着用户订单数据进行，所以至少需要订单表，包括下单时间、购买商品、购买金额、商品件数等字段。
• 另外，落地层提到用户运营侧的落地需要结合触达工具，所以还需要用户表，提供会员昵称、手机号、地址等字段。

2. 产品部门

（1）落地层

对于企业来说，产品策略背后的影响因素多且复杂，比如市场培育、公司战略等。也就是说，对于数据部门来说，做的新品分析或许更多只是辅助工作，供产品部门参考新品表现。此外，与产品部门沟通业务流程时，他们还提及日常还会用数据部门提供的表格做二次分析。

根据此业务场景，确定可以通过 Metabase平台 的形式做在线报表，业务部门能在平台上下载数据的同时，也可以在线做透视分析。

此场景其实为了介绍Metabase平台设计的，该工具在解决业务们自助取数，及简单BI报表方面很实用。可以先通过官网了解：www.metabase.com。后面会有具体的教程出来。

（2）建模层

明确了以报表形式提供新品分析后，需要考虑新品分析背后的表格模型，可以结合 「存销分析」 来实现，即分析新品的销售与库存之前的相关指标，体现新品表现。

（3）数据层

销售及库存相关的指标分析，需要用到订单表、库存表，除了用户运营提及的订单字段外，还需要货品批次号、数量等库存字段。

至此，我们完成了从业务需求出发，到落地层、建模层及数据层的倒推， 形成了数据赋能业务的整体框架：

（后续会丰富此框架）

四、从执行层面思考，把框架落地

接下来，需要逆着第二步的思考逻辑，形成执行计划。

1. 数据层

1. 建立数据库模型：从业务模型、概念模型到物理模型。
2. 新建数据库，并从数据源（业务系统）接入存量数据。
3. 通过存储过程同步增量数据，实现数据动态更新。
4. SQL SERVER代理完成定时任务：执行ETL、定期备份。

2. 建模层

1. RFM模型在用户运营中的落地。
2. 如何进行新品分析。

3. 落地层

1. RFM模型在PowerBI的部署落地
2. Metabase的安装及应用案例：存销分析

接下来会按照上述计划，逐步实现数据中心的落地。

 

本文由 @饼干哥哥 原创发布于人人都是产品经理。未经作者许可，禁止转载。

题图来自Unsplash，基于CC0协议。