数据中台搭建方法论集合步骤：数据集中化存储在上篇文章中我们谈及了在数据中台建设前，必须要进行数据集中化存储，从而通过数据中台的建设，完成各业务线的改造。而具体来说，数据集中化存储就是在进行企业级维度的数据管理，在这其中会涉及如下三个子任务：各个业务产生的数据汇总；数据加工：统一采集、清洗、管理方法；（将各个业务线的数据清洗方法以模板形式配置在企业数据引擎中）；全局数据模型生成；数据源2数据源3数据源廿数据加载大数据清洗引擎Spark集群清洗算法1清洗算法2清洗算法3数据存储引擎存储组件3某数据清洗引擎运作原理）完成这三个任务，对应的我们也建立起了一个企业内部的数据自流转体系。名称相同t口桎不致/Ci口径管理■指标数据来源和计算逻辑不口径一致F名称不一致指标命名难以理步骤：数据集中加工在完成了数据集中化管理后，下一步要做的就是建立数据口径管理，实现统一集中计算，具体来说在数据中台中为了实现集中计算，要进行口径管理的一共包含如下4个维度：举个例子来说，在上篇文章（中台实战19）我们将数据集中化到了数据中台进行存储，但是此时来自各个业务线的数据并不能直接使用，因为不可避免的会出现各个数据名称不统一的情况。A业务线中会员数据名称:会员ID会员名祢金员『机1-亠次访问科间1例11小王18710385XXX1020年10月gFI14:59:50B业务线中会员数据名称:了段会员ID会员上滋站M间11小T13710SB5>IK2D2Q年1D月81114:59:50此时就需要将各个业务线的数据名称进行统一，这里我们通常会用软映射的方法将不同的业务线数据进行统一起来，也就是建立一张数据表进行字段映射管理，如下图所示。但是刚才说到的是对现有数据进行管理，对于新产生的数据我们需要进行归一化管理，以便能让数据进入数据中台时就能统一，此时我们就需要使用一套公司级数据载体进行管理：（1）建立唯一指标体系树2）建立统一数据事件我们来一个个看。步骤：数据指标体系这一步我们就开始去建设我们的指标体系，但是在以往的指标体系管理工具中，我们经常会面临到的一个问题是，不同人对数据指标体系有不同的需求。例如老板更关注的是顶层结果指标，如毛利，成本，盈亏平衡等，但是具体到运营同学身上，可能更关注的是昨日某事件的点击率，转化率这些过程指标。所以在建设数据中台时，我们要在公司内部建立起一套自上而下的指标体系，以此满足各层级不同需要。此处也相当于是我们把整个公司内部的指标进行了一个梳理。这里也就是我们数据中台中经常能见到的三级指标体系概念。I剽一级指标：公司战略层面指标.叵］二级指标：业务策略层面指标回三级指标：业务执行层面指标我们大体上将指标按使用角色分为三类：(1)一级指标：解决管理层的需求，如交易额，净利润，毛利等；(2)二级指标：解决执行层路线评价需求，如渠道A收益，链路转化路径长度等；(3)三级指标：解决执行层具体执行效果，如步骤转化率，广告位点击率等；需要注意的是，第三级指标一定要聚焦到用户的动作监控上，例如搜索框场景下，搜索成功率，注册填写页各步骤点击率/转化率，购物车加购时间，购物车等待时间，收藏次数等各个维度的用户行为。在数据中台中集成这三类数据将帮助我们快速搭建起一个完整的指标框架。步骤：数据指标管理当我们建立起了不同层级的数据指标体系后，接下来会遇到的一个问题，在我们指标越来越多后，经常会出现各个指标之间冲突以及难以理解和管理。例如A业务线存在指标7日渠道转化率，B业务线也存在7日渠道转化率，但是A,B两个业务线对于渠道转化率的定义是不同的。具体来看这两个业务线中的转化定义：•A业务线的渠道转化：指的是用户在网页端完成注册既称为该用户作为活跃用户；•B业务线的渠道转化：B业务线因为拥有APP客户端，所以运营定义当用户下载客户端并登录后再计算用户转化。此时我们可以学习并借用阿里带来的数据解决方案：OneData方法。OneData方法从本质上来说就是将指标定义进一步细化为两类：（1）原子指标：不可拆分的最小颗粒度指标，如活跃数/点击率等；（2）派生指标：在原子指标上增加若干维度修饰词组成派生指标。因此我们在公司内部定义唯一指标时，就可...
