三个案例带你理解维度建模

一、 零售行业销售分析案例

• 业务场景
  • 一家大型连锁零售企业希望通过数据分析来优化商品销售策略。该企业拥有众多门店，销售多种品类的商品，并且有详细的销售记录，包括销售时间、销售金额、购买的商品、顾客信息等。
• 维度建模过程
  • 确定事实表：以销售事实表为核心，包含销售金额、销售数量等可度量的事实。每一条记录代表一次销售交易，例如，一笔交易的销售金额为100元，销售数量为2件商品，这些数据会记录在销售事实表中。
  • 构建维度表：
    • 时间维度：包括日期、星期、月份、季度和年份等属性。通过日期关联销售事实表，可以分析不同时间段的销售情况，如发现周末的销售额通常比工作日高，或者某些节日期间特定商品的销售高峰。
    • 商品维度：包含商品名称、商品类别、品牌、价格等属性。这有助于分析不同商品的销售表现，例如，发现某一品牌的电子产品在特定季度的销售增长迅速，或者某种食品在夏季的销量更高。
    • 店铺维度：有店铺名称、店铺位置（城市、商圈等）、店铺面积等属性。可以用于比较不同店铺的销售业绩，比如分析位于市中心商圈的店铺销售额是否高于郊区店铺。
    • 顾客维度：包括顾客姓名、年龄、性别、会员等级等属性。这使得企业能够了解不同顾客群体的购买行为，例如，发现会员顾客的平均购买金额高于非会员顾客。
• 应用效果
  • 通过维度建模，企业可以进行多维度的销售分析。例如，分析某一特定商品在某个城市的各个店铺在不同季度的销售情况，或者分析不同年龄段的顾客在不同时间段购买不同品牌商品的趋势。这些分析结果帮助企业调整商品陈列、制定促销活动、优化店铺布局等，从而提高销售业绩。

二、 电信行业用户行为分析案例

• 业务场景
  • 电信运营商想要深入了解用户的行为，包括通话、短信、数据流量使用等情况，以便提供更精准的服务和套餐推荐。
• 维度建模过程
  • 确定事实表：构建用户通信事实表，其中包含通话时长、短信条数、数据流量使用量等事实。每一条记录代表用户的一次通信行为，例如，一次通话的时长为10分钟，使用的数据流量为100MB，这些数据会记录在事实表中。
  • 构建维度表：
    • 用户维度：包括用户姓名、年龄、性别、套餐类型、入网时间等属性。通过这个维度可以分析不同用户群体的通信行为，比如发现年轻用户使用的数据流量普遍高于年长用户。
    • 时间维度：包含日期、小时、星期等属性。这有助于分析用户在不同时间的通信行为，例如，发现晚上7 - 9点是通话和数据流量使用的高峰时段。
    • 业务类型维度：有通话业务、短信业务、数据业务等属性，并且可以进一步细分，如通话业务分为本地通话、长途通话等。这样可以分析不同业务类型的使用情况，比如发现数据业务的使用增长迅速，而短信业务的使用在逐渐减少。
    • 终端设备维度：包含手机品牌、型号、操作系统等属性。通过这个维度可以了解不同终端设备用户的通信行为差异，例如，发现使用某品牌高端手机的用户数据流量使用量较大。
• 应用效果
  • 利用维度建模后的数据分析，电信运营商可以根据用户行为制定个性化的套餐。例如，对于数据流量使用量大的用户推荐大流量套餐，针对经常在特定时间段通话的用户提供通话优惠套餐。同时，还可以优化网络资源配置，根据不同业务类型和时间的使用高峰来分配带宽等资源。

三、 金融行业信贷风险评估案例

• 业务场景
  • 银行需要评估信贷业务的风险，以便合理地发放贷款和控制坏账率。银行有大量的信贷数据，包括贷款申请信息、贷款发放记录、还款记录以及借款人信息等。
• 维度建模过程
  • 确定事实表：构建信贷事实表，其中包含贷款金额、已还款金额、逾期金额等事实。每一条记录代表一笔贷款业务的相关事实，例如，一笔贷款的金额为50万元，已还款30万元，逾期金额为2万元，这些数据会记录在事实表中。
  • 构建维度表：
    • 借款人维度：包括借款人姓名、年龄、职业、收入、信用评分等属性。通过这个维度可以分析不同借款人特征对信贷风险的影响，比如发现收入不稳定的借款人逾期风险较高。
    • 贷款产品维度：包含贷款产品类型（如个人住房贷款、个人消费贷款等）、贷款期限、利率等属性。这有助于分析不同贷款产品的风险特征，例如，发现个人信用贷款的逾期率高于住房贷款。
    • 时间维度：有贷款发放日期、还款日期、逾期日期等属性。通过时间维度可以分析信贷风险随时间的变化情况，例如，发现贷款发放后的前6个月是逾期风险较高的时期。
    • 抵押物维度（如果有）：包含抵押物类型（如房产、车辆等）、抵押物评估价值等属性。对于有抵押物的贷款，这个维度可以分析抵押物对信贷风险的保障程度，例如，发现房产抵押物的贷款逾期回收率高于车辆抵押物。
• 应用效果
  • 银行可以利用维度建模后的数据分析来进行信贷风险评估。例如，在发放贷款前，根据借款人维度和贷款产品维度的信息，对新的贷款申请进行风险预测。在贷款发放后，通过时间维度和还款情况的分析，及时发现高风险贷款并采取催收或风险控制措施，从而降低坏账率。