基于某生鲜APP业务的数据仓库搭建过程（一）

大客户分析：

• 大客户来源？
• 大客户订单规模（100人、200人）？
• 大客户单位性质、行业分布？（国企、私企、互联网）
• 大客户地域分布？
• 大客户购买频率？
• 大客户复购率？

购物车分析：

• 购物车产品数量？
• 购物车产品分类？
• 购物车商品关联度？
• 购物车转为订单的比率？

售后分析：

• 售后渠道接单量分布？
• 售后类型（物流、商品质量、支付问题）？
• 售后回复效率、时间？
• 售后满意度？
• 售后处理方式（退款？赔偿？发送优惠券？）分布？

供应链分析：

• 哪些供应商的产品比较受欢迎？
• 哪些供应商产品比较全？
• 哪些供应商的配货速度比较快？
• 各品类商品供应商配货时间集中度是什么时候？
• 供应商的分布？

微仓分析：

• 微仓的分布？
• 微仓的规模？
• 哪些微仓效益比较好？
• 哪些微仓评价比较好？
• 微仓配货分拣时间分布？
• 微仓收入是怎么样的分布？
• 微仓面积与产品囤货量分析？

2.3 抽取公共维度，构建数据集市

确定细分的分析主题后，需要对上述所有的主题进行切片，抽取公共维度。公共维度的抽取非常重要，如果没有维度的切片，那么所有分析数据只能从业务源数据中抽取，这样会极大降低数据的处理速度，甚至会导致计算系统的崩溃。这一步也为接下来的数据建模提供基础。

以用户分析为例，与用户有关的维度有下单时间、下单日期、所在地区、购买的产品、用户订单、支付方式、折扣方式、年龄、购买频率、售后等等。

以此类推，逐个分析每一个主题，然后抽取公共维度，构建总线矩阵表，如下所示：

2.4 根据常用建模方法，设计维度表和事实表

一般来说，数据仓库由维度表和事实表2种表组成，保存度量值的详细值或事实的表称为“事实表”；用来描述事物维度和属性的表称为维度表。一般来说，一个事实数据表都要和一个或多个维度表相关联。

在这一步骤中，我们需要把OLTP模型中的数据转化为关系模型。建模方法常用的有星形模型、雪花模型。

以下订单事实表为例，基于星型模型将OLTP中的数据转化为关系模型，定义层次结构，在这一步基本完成物理数据库的设计。

如下图所示：

3. 配置数据源

OLTP中的数据类型非常多，来源也很多。既有结构化数据，也有半结构化、非结构化数据；既有mysql、oracle等关系型数据数据，也有日志文件、ngix服务器、埋点数据，甚至还有DOC文件数据。

在这一步就需要梳理所有数据来源，包括来源总数、数据类型、存储方式、数据量级、更新频度、增量量级等等。

另外需要注意到，结构化数据可以直接通过ETL方式进行提取；结构化和半结构化数据则需要通过一定的算法处理后再入库。

未完待续……

本文素材来自互联网

（编辑：源码网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!