004-银行数据主题划分

前言

• 随着数据仓库中的表（模型）越来越多，我们需要考虑怎么管理这些模型，以更好的记住自己有哪些数据，从而当业务提出需求时，可以快速的知道自己是否能够支撑需求，以及定位到使用哪个模型去支持。
• 比如，当业务提出需求，希望知道有多少客户，有多少人签约了支付宝，客户总共有多少资产，近一个月内访问过支付宝的客户有多少人时，只需要：count(客户号)可知有多少客户，sum（case when 签约支付宝=1 then 1 else 0 end）可求有多少人签约支付宝，sum（资产）可知总资产，sum（case when 近一个月访问支付宝=1 then 1 else 0 end）可知有多少人访问支付宝。
• 在这个需求中，我们可以拆解出 “客户号、签约支付宝、资产、近一个月是否访问支付宝”4个明细字段字段。现在的问题是，假设我们已经有5个模型，这5个模型共计100个字段，那么上述的4个字段，是如何分配在这5个模型中的？是都集中在a模型中，还是分别处于abcd四个模型中。如果现在没有“近一个月是否访问支付宝”字段，需要新增，那我们是将其归入到已有的某个模型中，还是需要新建模型f ？背后的依据是什么。

正文

1 TeraData金融数据模型

Teradata FS-LDM金融数据模型是一个成熟的产品，包含十大主题：当事人、协议、产品、资产、事件、活动、地域、内部机构、渠道、财务。
网上关于Teradata FS-LDM的文章已经有很多，正如介绍所说，其是一个非常成熟的产品，在概念上更抽象、总览。若谈论到金融数据模型，不提及Teradata FS-LDM总归不太合适，但若以次作为理论并举例说明，就不是一两句话能讲完的了。因此，本文提及Teradata FS-LDM仅作为文章内容的完整性，对此关注的朋友，可自行前往其他链接查看，本文仅做简单理论介绍。

2 以客户为中心的-金融数据模型

设计数据模型时，要考虑主要问题有：1主题；2主键；3存储策略；4生命周期。在本文中，暂讨论以客户为中心的数据模型划分，即以客户号为主键。存储策略和生命周期，对主题划分影响不大，因此暂忽略不计。
在支撑业务人员的数据需求工作中，业务人员所需要字段经过维度变化，很容易变的繁多，为了便于数据核对、提高数据准确性，降低重复加工，提高开发效率，有必要对业务需求进行拆解，分析出底层明细字段，建立项目组自己的客户级明细字段模型。建立明细字段模型时，即需要考虑主题划分，根据主题，对字段进行归纳分类。划分主题需要考虑的目标有：1面对每次数据需求，尽可能总能通过固定的几个明细模型表中取得，以减少工作量。2： 口径一致、可解释，以提高数据质量
借鉴TeraData金融数据模型，划分出的主题可以是

主题划分说明：

• asse资产：资产是由过去的交易或事项形成的，客户现在所拥有的资金，是时点数据
• deal交易：交易对是一段时间内的交易记录，是时期数据
• visit访问：访问是对一段时间内的浏览、访问等行为轨迹的记录，是时期数据
• market营销：营销是对客户的营销活动记录，主要是时期数据
• basc基本：若一个指标，感觉放在资产、交易、访问、营销都不合适，那就放入基本信息。随着基本信息的内容越来越多，可以考虑将其中的一部分字段摘出，单独归纳为表，比如归纳出‘标签’或‘签约’主题
  客户的定期余额多少，属于资产类；客户首次购买定期产品时间、本年购买理财产品次数，属于交易类；

结语

理解数据仓库的主题分类，可以帮助我们更好的记忆、管理自己的表单

在整理自己部门的表单时，根据实际情况，可以划分出更符合自己所使用的数据类型的主题，如单独划分出“参数”类主题

---

读者若有疑问或感觉不妥之处，欢迎沟通交流： xiaojian625800335

欢迎转载，转载请注明出处。