做数据仓库的时候，我们不仅仅只是为了做数据存储和方便为前端提供快捷的查询。很多同学对于数据仓库的理解就是：
建立数据仓库的目的就是配合前端产品业务的需求，对外提供大数据量的存储（解决mysql存储的局限）及提供快速的查询（利用宽表提供快速查询，减少关联）。
其实从技术上来说，上诉的说法一点也没错。但是对于老板来说，对于产品经理来说，对于架构师来说，数仓不能仅限于上诉的需求。因为如果只考虑上诉的需求的话，那么一般是不需要花大成本去建立大数据团队，也不需要做数仓了，只需要从技术上利用部分大数据组件的优势来完成任务即可对吧？
对于老板来说，对于产品经理来说，对于架构师来说，既然要建立数据仓库，既然是花了大成本，那么我们就需要从数据仓库里面去提取业务价值。那么这个价值如何提升了，这里的恶化就要提到我们的指标建设了。
指标建设
在数据仓库里面指标建设是一个非常重要的事情，他非常考验我们对于业务的熟悉程度，对于数据的敏感度，对于数据维度的整理能力。
对于指标来说，我们一般把指标分为3个层级，也就是：
一级指标 二级指标 三级指标
这些指标相关的介绍如下：
1）一级指标
一级指标一般是整体业务层面的指标，也就是全公司，全业务线都认可和衡量业绩的核心指标。这种指标一般直接来源于：产品的需要，运营部门的需求，市场销售的需求，财务部门的需求等等。
2）二级指标
二级指标一般主要是针对一级指标的拆解，也就是一般细化的一些指标，这种指标一般也是部门领导人所关心的指标。
3）三级指标
三级指标指的是：业务执行成眠的指标，他是以二级指标为目标进行的拆解，一般主要以子流程或者细分个体的方式定义，这种指标一般也用于对于问题分析的指标。
当然如果再细化的话，可以看到还可以再增加4级指标，5级指标。
既然上面提到了拆解，那么我们就来介绍下常用的拆解办法。常用的拆解方法是：
1、漏斗法。例如：一级指标=a*b*c*d 2、公式法。例如：一级指标=a1*a2+b1*b2+c1*c2+d1*d2 3、维度拆解法，这个主要是根据不同的细分维度来进行拆解。
下面我们还是以商城GMV为例来演示一下，主要是以维度拆解法来演示GMV的指标维度。
1）GMV的一级指标示例
这里GMV的一级指标的话，其实主要就是GMV的计算公式，即：
购买人数*商品客单价
2）GMV的一级指标示例
接下来，再进行拆分定义二级指标，二级指标就是在一级指标的基础上进行拆分，这里我们对于购买人数的拆分，大家试想一下：购买人数，那么这个人肯定满足如下的情况：
活跃用户 查看到了商品 点击过商品 查看了商品详情页面 点击了加入购物车 生成了订单 支付了订单 等等
结合上面的情况的话，我们的二级指标是不是可以演化为：
活跃用户数 *商品详情触达率*加购率*订单提交率*支付成功率*客单价
这样子我们细分了。是不是指标更多了，而且所有的指标都没有浪费的。
3）GMV的一级指标示例
接下来，再进行拆分定义三级指标，三级指标主要是在二级指标的基础上进行的拆分。我们再细化一下，活跃用户数，我们是不是可以拆分为：
1、新活跃用户人数 2、老活跃用户人数
最后行程的三级指标是不是可以演化为：
(新活跃用户数+老活跃用户数)*商品详情触达率*加购率*订单提交率*支付成功率*客单价
以上的指标就拆分示例就完成了。
又回到最开始，我们通过指标拆分的示例，可以看到这里的用户触发率，用户加购率，订单提交率等这些指标，我们都可以提交挖掘出新的业务，新的产品潜力增长点。下面举个例子：
1、假如用户的活跃率比较高，那么我们是不是可以多给用户推荐一些产品（精准推荐+新品推荐）。 2、假如用户的活跃率不高，我们是不是可以给用户精准推荐一些产品。 3、假如用户的支付成功率比较高，我们是不是可以在他完成支付的时候，给他多推荐一些同类高性价比的商品。 4、等等
这里的数据仓库出现的新增长潜力其实是非常大的，他既能促进公司的产品业务增长，也能同时对于技术相关的规划做更精细化的布局。迎合企业的高速发展要求。
还没有评论，来说两句吧...