最早的数据仓库+报表场景下，主要是【经营分析】：

最底层，数据是【表】，进一步细分为【Fact】、【维度】（比如商品、交易），表强调的是数据的物理载体，方法论上也强调【数据模型】（包括概念模型、逻辑模型、物理模型），可以视作数据知识载体，数据建模引入了【维度建模】；因为应用场景主要报表场景，所以数据表往上一层，数据是【指标】，知识载体是【指标定义】，指标定义为保障唯一性、完整性，引入了【4W1H指标标准语言】，物理载体有【表】、【数据服务】2种，数据服务可以复用在各种数据产品、希望引入数据的erp系统，是最高效的消费方式，而表主要用于分析师日常分析，尤其是不借助分析工具的SQL环境，倒是灵活，但如何保证一致性是一个几乎无解的问题，比较好的建议，日常分析什么的，可以提供指标市场代码复用（非强制），但如果提交分析报告，尤其是长期的看板，一定是用标准的数据服务；再往上多问一个Why，为什么会有这些指标？会牵引出分析模型，背后是商业模型，黄金公式以及北极星指标，我们开始反思【分析模型是不是数据资产，如果是，那好坏的标准是什么，设计的方法论是什么】；再往上多问一个Why，如果所有的数据以产品的方式对外提供标准服务，那么【数据产品是不是数据资产，这类资产的分类结构、好坏标准，设计的方法论是什么】；

后来【精细化运营】场景进来后，逐步的增加策略，尤其是用增逻辑下的用户、商品策略，衍生出大量标签的需求：

【标签】是一种新的数据要素，同样的，标签的设计方法论是什么，比如用户标签，我们认为底层方法论是用户模型，包括生命周期模型、价值分层模型、兴趣圈层模型等，物理载体是【表】、【标签平台的标准服务】；精细化运营和标签进来后，整个数据资产设计方法论可能会从维度建模>>本体建模演化；

后续随着企业数字化转型，逐步实践和总结

未完待续......

版权声明：本文转载于今日头条，版权归作者所有，如果侵权，请联系本站编辑删除