数据产品小lee

看一些数据领域的文章，说到为什么做数据仓库、数据仓库要分层，我们经常会看到一些结论：因为有ABCD…等等理由，比如降低开发成本、减少重复计算等等好处然后，多数人就记住了ABCD。但是，每每被问起来，为什么，有什么案例，你是怎么理解的，就被问住，傻眼了。

看完了这么多，感觉很复杂，是吧？化繁为简。先抛开修饰词、业务域、数据域，只关注指标和维度。我建议你从SQL（结构化查询语言）的角度去重新理解指标管理。为什么数据产品经理要懂点技术，我认为核心是要懂点SQL。因为懂了SQL，才能从SQL（物理模型语言）的角度去理解这些一切一切。其实SQL也不用掌握太深，只要看懂最简单的代码就够了。我们看看下面这段语句，其含义是：统计2023年12月12号当天不同支付类型的订单数量。假如我们的支付方式有两种：wechat和alipay，那么最终的表格会如下：dt。

数仓避坑指南-搞懂维度模型

相对于信息爆炸的世界，语言所能表达出来的内容就像是沧海一粟，书到用时方恨少，尽力表达就好~

业务过程，是人为选定的

维度模型的灵魂，是维度

数仓分层，要结合业务需要

理解元数据，才能做数据产品

有了名字，那一般还会给名称做详细的注解，也就是「定义」。可能你在其他书里看过 CDP 定义，或许你深表赞同，或许你持保留意见。单地从概念、名词角度进行区分，也始终都只是在抽象的世界里绕来绕去。以前刚做数据仓库时，时常背诵其特点：它是面向主题的，集成的、稳定的、时变的数据集合，面向数据分析，用以支持管理决策。而经历了多个数据仓库实战项目后，这些定义反倒记不得了，需要专门翻资料才能列齐，但这些定义已经溶解在了更加具象化的案例中了。然后归纳总结，形成自己的理解。

与其叫做原子指标，不如叫做词根指标

粒度，是数据仓库的关键

数据指标，是数据产品必须要掌握的

数字、数据、元数据、数据模型、数据标准，这些概念必须要区分清楚

在企业花了上百万的成本实操，我才明白指标管理是这样的

互联网人可能对埋点不陌生，干啥事都要埋点。而对于非互联网的朋友，我还得介绍一下。用「行为记录/跟踪」来解释，可能更好理解。小红书不是有人这么起标题嘛：请大数据把这条推送给所有的集美们，我不允许你们不知道 xxx。嗯，大数据已经成了年轻人的梗。梗是梗，我就问一句：大数据凭啥给你推？ta凭啥就能知道谁喜欢啥，谁需要啥？因为埋点了！因为对用户的行为进行了记录和跟踪，发现了用户的喜好和潜在需求！