数据体系建设
分层
贴源数据层ODS(只做简单的整合，不做加工）
表设计
一般命名ODS_系统简称_业务表前缀
字段保持和业务一致
保留增量和全量两种表
对于半结构化的数据不要存储原来的数据，需要做结构化处理
标签体系层（面向对象的建模，对跨业务板块，跨数据与的特定的对象的数据进行整合）
应用数据层（主要是通过抽取下面的数据形成业务需求的特定数据）
建模方式
数据域划分
指标定义
维度表的设计
事实表的设计
标签
标签设计的注意事项：标签只有一条记录，一个取值
数据治理
数据标准分类
业务数据标准
参考数据和主数据标准
参考数据
将其他数据进行分类或目录整编的数据，可以理解为数据字典 ，如性别，国家等
主数据
组织中需要跨系统，跨部门共享的核心业务数据，如共享的客户，商品等
数据元标准
是用一组属性描述其定义和标识，表示和允许值的数据单元
指标数据标准
指标名称
指标解释
时间限定
指标数值
不同行业对于数据的需求
大金融（银行，保险，证券，互金）
业务强依赖于数据,对数据中台有真实的强需求<br>
基本都有自己的数仓和垂直数据应用，有完善的技术团队
自主可控，对于中台的服务商要求较高
公共安全
业务的专业性要求比较高，对于数据服务商的资质要求较高
对于数据要强需求，数据中台和数据治理可以提上日程
零售
处于统计分析向决策支撑阶段
一般都是多端多渠道，包含门店，APP，小程序，服务号，电商等渠道
对多渠道的数据整合具有较强的需求，需要数据中台的能力做支撑
大多看中短期收益，不注重建设完整的数据中台的能力
地产
业务迫切，市场从黄金期进入到白银期，增量市场有限
数据整合需求：多业态的发展，需要数据整合能力
信息化基础
业务配合：业务部门具有较强的话语权，数据中体需要加强技术部门话语权
工业制造：
具有较好的数据基础：5G，物联网等
场景清晰
采集困难：工控软件不开放数据
数据模型的建设
数据概念模型
面向用户的，面向客观世界的模型，主要用来描述客观世界的概念化结构
逻辑数据模型
已概念模型为基础，根据业务线，业务事项，业务流程，业务场景的需要，设计的面向业务的模型
物理数据模型
面向计算机底层的，描述数据在储存介质上的结构
