当前位置： 首页 > article >正文

数据仓库中的指标体系模型介绍

article 2025/1/5 6:09:54

数据仓库中的指标体系介绍

文章目录

  • 数据仓库中的指标体系介绍
  • 前言
  • 什么是指标体系
  • 指标体系设计有哪些模型?
    • 1. 指标分层模型
    • 2. 维度模型
    • 3. 指标树模型
    • 4. KPI（关键绩效指标）模型
    • 5. 主题域模型
    • 6.平衡计分卡（BSC）模型
    • 7.数据指标框架模型（Metrics Framework）
    • 8.时间序列模型
    • 9.分层分级指标模型
    • 10. Objective-Strategy-Metrics（OSM）模型
    • 11. UJM 模型（User Journey Metrics 模型）
  • 总结

前言

数据仓库的指标体系（或指标体系设计）通常属于 数据建模阶段 的一部分。具体来说，它属于数据仓库构建的以下步骤：

需求分析阶段–>指标体系设计–>数据建模阶段–>数据加载与计算–>数据展示与分析

什么是指标体系

指标体系

在这里插入图片描述

指标体系设计有哪些模型?

我基于 Oracle 11g 数据库中 SCOTT 用户 的表（如 EMP、DEPT、SALGRADE 等），针对每种指标体系拆解模型举的具体实例：

1. 指标分层模型

应用场景： 构建企业组织中的分层指标体系。
案例：
战略层： 提升公司总薪资水平（如平均薪资增长 10%）。
战术层： 按部门分析各部门平均薪资的增长（DEPT 表中的部门）。
运营层： 按员工分析个人薪资的增长（EMP 表中的员工薪资）

-- 查询战略层（全公司平均薪资）
SELECT AVG(SAL) AS AVG_SAL FROM EMP;

-- 查询战术层（按部门分层）
SELECT DNAME, AVG(SAL) AS AVG_SAL FROM EMP E JOIN DEPT D ON E.DEPTNO = D.DEPTNO GROUP BY DNAME;

-- 查询运营层（每位员工的薪资）
SELECT EMPNO, ENAME, SAL FROM EMP;

2. 维度模型

应用场景： 通过事实表和维度表分析员工薪资。
案例：
事实表： EMP 表中的薪资（SAL）。
维度表：
部门维度：DEPT 表（部门编号、部门名称、部门位置）。
时间维度：假设有 HIREDATE（入职时间）。

-- 部门维度分析：按部门统计薪资总和
SELECT D.DNAME, SUM(E.SAL) AS TOTAL_SAL 
FROM EMP E 
JOIN DEPT D ON E.DEPTNO = D.DEPTNO 
GROUP BY D.DNAME;

-- 时间维度分析：按年份统计薪资总和
SELECT TO_CHAR(HIREDATE, 'YYYY') AS YEAR, SUM(SAL) AS TOTAL_SAL 
FROM EMP 
GROUP BY TO_CHAR(HIREDATE, 'YYYY');

3. 指标树模型

应用场景： 分解总薪资指标。
案例：
顶层指标： 全公司薪资总额。
中间层： 部门薪资总额。
底层指标： 员工个人薪资。

-- 顶层指标
SELECT SUM(SAL) AS TOTAL_SAL FROM EMP;

-- 中间层指标
SELECT DNAME, SUM(SAL) AS DEPT_TOTAL_SAL 
FROM EMP E JOIN DEPT D ON E.DEPTNO = D.DEPTNO 
GROUP BY DNAME;

-- 底层指标
SELECT EMPNO, ENAME, SAL FROM EMP;

4. KPI（关键绩效指标）模型

应用场景： 绩效考核中使用的核心指标。
案例：
目标： 提升员工工作效率。
KPI：
员工平均薪资。
工资高于 3000 的员工占比。

-- KPI 1: 员工平均薪资
SELECT AVG(SAL) AS AVG_SAL FROM EMP;

-- KPI 2: 工资高于 3000 的员工占比
SELECT ROUND(COUNT(CASE WHEN SAL > 3000 THEN 1 END) * 100 / COUNT(*), 2) AS PERCENTAGE 
FROM EMP;

5. 主题域模型

应用场景： 按主题域分类管理指标。
案例：
薪资域： 薪资总额、平均薪资。
部门域： 每个部门的员工人数、部门平均薪资。
时间域： 员工入职年份分布。

-- 薪资域：总薪资、平均薪资
SELECT SUM(SAL) AS TOTAL_SAL, AVG(SAL) AS AVG_SAL FROM EMP;

-- 部门域：每部门员工人数和平均薪资
SELECT DNAME, COUNT(*) AS EMP_COUNT, AVG(SAL) AS AVG_SAL 
FROM EMP E JOIN DEPT D ON E.DEPTNO = D.DEPTNO 
GROUP BY DNAME;

-- 时间域：按入职年份统计员工人数
SELECT TO_CHAR(HIREDATE, 'YYYY') AS YEAR, COUNT(*) AS EMP_COUNT 
FROM EMP 
GROUP BY TO_CHAR(HIREDATE, 'YYYY');

6.平衡计分卡（BSC）模型

应用场景： 全面衡量企业运营的多个维度。
案例：
财务视角： 全公司薪资总额。
客户视角： 每部门员工人数（部门为“客户”）。
内部流程视角： 员工工龄分布。
学习与成长视角： 员工平均奖金（COMM 字段）。

-- 财务视角：薪资总额
SELECT SUM(SAL) AS TOTAL_SAL FROM EMP;

-- 客户视角：每部门员工人数
SELECT DNAME, COUNT(*) AS EMP_COUNT 
FROM EMP E JOIN DEPT D ON E.DEPTNO = D.DEPTNO 
GROUP BY DNAME;

-- 内部流程视角：员工工龄分布
SELECT FLOOR(MONTHS_BETWEEN(SYSDATE, HIREDATE)/12) AS YEARS_OF_SERVICE, COUNT(*) AS EMP_COUNT 
FROM EMP 
GROUP BY FLOOR(MONTHS_BETWEEN(SYSDATE, HIREDATE)/12);

-- 学习与成长视角：员工平均奖金
SELECT AVG(COMM) AS AVG_COMM FROM EMP WHERE COMM IS NOT NULL;

7.数据指标框架模型（Metrics Framework）

应用场景： 指标从基础到聚合的层级。
案例：
原子指标： 每个员工的薪资。
衍生指标： 平均薪资。
聚合指标： 全公司薪资总额。

-- 原子指标
SELECT EMPNO, ENAME, SAL FROM EMP;

-- 衍生指标
SELECT AVG(SAL) AS AVG_SAL FROM EMP;

-- 聚合指标
SELECT SUM(SAL) AS TOTAL_SAL FROM EMP;

8.时间序列模型

应用场景： 按时间分析员工薪资的变化。
案例：
按年份统计入职员工的薪资总额和平均薪资。

SELECT TO_CHAR(HIREDATE, 'YYYY') AS YEAR, SUM(SAL) AS TOTAL_SAL, AVG(SAL) AS AVG_SAL 
FROM EMP 
GROUP BY TO_CHAR(HIREDATE, 'YYYY');

9.分层分级指标模型

应用场景： 按组织层级分解指标。
案例：
公司总薪资目标分为各部门目标，再分为员工目标

-- 公司总薪资
SELECT SUM(SAL) AS TOTAL_SAL FROM EMP;

-- 部门薪资
SELECT DNAME, SUM(SAL) AS DEPT_TOTAL_SAL 
FROM EMP E JOIN DEPT D ON E.DEPTNO = D.DEPTNO 
GROUP BY DNAME;

-- 员工薪资
SELECT EMPNO, ENAME, SAL FROM EMP;

10. Objective-Strategy-Metrics（OSM）模型

应用场景： 提升员工收入。
案例：
Objective（目标）： 提高公司员工平均薪资。
Strategy（战略）： 提高每部门的平均薪资。
Metrics（指标）： 员工平均薪资、部门平均薪资

-- 公司平均薪资
SELECT AVG(SAL) AS AVG_SAL FROM EMP;

-- 部门平均薪资
SELECT DNAME, AVG(SAL) AS DEPT_AVG_SAL 
FROM EMP E JOIN DEPT D ON E.DEPTNO = D.DEPTNO 
GROUP BY DNAME;

11. UJM 模型（User Journey Metrics 模型）

应用场景： 员工招聘和发展过程的分析。
案例：
旅程阶段：
吸引： 招聘的候选人数。
转化： 入职员工人数。
留存： 员工工作年限。
扩展： 员工晋升比例。

-- 吸引阶段：假设有招聘数据表
SELECT COUNT(*) AS CANDIDATE_COUNT FROM CANDIDATES;

-- 转化阶段：入职人数
SELECT COUNT(*) AS HIRED_COUNT FROM EMP;

-- 留存阶段：按工龄统计员工人数
SELECT FLOOR(MONTHS_BETWEEN(SYSDATE, HIREDATE)/12) AS YEARS_OF_SERVICE, COUNT(*) AS EMP_COUNT 
FROM EMP 
GROUP BY FLOOR(MONTHS_BETWEEN(SYSDATE, HIREDATE)/12);

-- 扩展阶段：晋升员工人数占比（假设 `JOB` 字段中有 "MANAGER" 表示晋升）
SELECT ROUND(COUNT(CASE WHEN JOB = 'MANAGER' THEN 1 END) * 100 / COUNT(*), 2) AS PROMOTION_RATE 
FROM EMP;

总结

一、模型使用场景

模型名称主要使用场景
1. 指标分层模型适用于多层次管理场景，如公司战略目标、部门目标、运营目标逐级分解的场景。
2. 维度模型数据仓库或 BI 分析中，用于从多维角度（如时间、部门、员工）分析数据。
3. 指标树模型指标的层级分解与依赖分析，如总收入拆解为部门收入和区域收入。
4. KPI 模型关键绩效指标监控场景，如企业绩效考核或某项目的核心指标监控。
5. 主题域模型适合大型企业按业务主题划分指标体系，如财务、销售、客户、运营等。
6. 平衡计分卡（BSC）模型战略管理和全面绩效评估，如从财务、客户、流程、学习等多个视角评估企业绩效。
7. 数据指标框架模型复杂数据体系的指标标准化和全生命周期管理，用于企业建立统一的指标管理平台。
8. 时间序列模型动态分析指标随时间变化的趋势，适用于业务监控、预警系统、趋势预测场景。
9. 分层分级指标模型适按企业组织架构进行指标分层，如总部到区域分部到门店逐级分解指标。
10. Objective-Strategy-Metrics（OSM）模型从目标、战略、指标三个层次设计方案，适用于目标导向的战略管理场景。
11. UJM 模型用户行为分析场景，如互联网产品用户生命周期（吸引 → 转化 → 留存 → 扩展）相关指标分析。

二、模型的相同点

  • 目标明确性：

所有模型都以解决某一明确的业务问题为核心，如绩效提升、趋势分析、用户行为优化等。
例如：KPI 模型、OSM 模型、分层模型等都围绕目标进行分解或监控。

  • 数据指标化：

各模型都强调通过定量化指标（如薪资总额、留存率）来衡量目标和执行效果。
数据是模型的基础，通过清晰的指标定义和逻辑支持分析与评估。

  • 逻辑层次性：

多数模型具备层次性结构，比如指标分层模型、指标树模型、OSM 模型都强调指标的上下级关系。

  • 可监控与评估：

模型通过定义具体的衡量标准，便于对业务的执行过程进行持续监控与优化。

三、模型名称 特点（差异点）

模型名称特点（差异点）
1. 指标分层模型强调从战略层到运营层的指标逐级分解，适用于多层级的企业管理场景，特别是需要明确责任和目标的场景。
2. 维度模型侧重于从多个分析维度（如时间、部门、区域等）对数据进行统计分析，是数据仓库和 BI 分析的重要工具。
3. 指标树模型强调指标的分解路径和层级依赖关系，适合复杂业务场景中逐级分解目标和追溯来源。
4. KPI 模型聚焦于核心绩效指标，强调关键目标的少量指标监控，适用于简单、直接的目标评估场景。
5. 主题域模型按业务主题划分指标，适合大型企业或复杂组织按功能划分数据分析指标（如销售、财务等领域）。
6. 平衡计分卡（BSC）模型从多个视角（财务、客户、流程、学习）衡量目标完成情况，适用于全面绩效评估，适用场景较广但设计复杂度较高。
7. 数据指标框架模型强调指标的全生命周期管理（定义、使用、更新、维护），适合数据治理和标准化管理。
8. 时间序列模型侧重分析指标随时间的变化趋势，适合业务动态监控和预测，突出指标的时间维度。
9. 分层分级指标模型从组织架构分层和分级角度设计指标，适合跨层级、多级分支的企业环境。
10. OSM 模型从目标到战略再到指标逐层设计，逻辑递进清晰，适合目标导向型的企业战略管理场景。
11. UJM 模型基于用户旅程设计指标，突出用户行为分析和生命周期价值（如互联网行业中的用户留存和转化场景）。

四、总结

  • 相同点：

这些模型的核心思想都是为了更好地管理和分析数据，以支持业务目标的达成。
它们都通过指标的设计和分析，为业务提供决策支持。

  • 不同点：

视角不同：

如 平衡计分卡模型 是从多个维度综合评估，维度模型 则强调多维度数据的分析。 UJM 模型 从用户行为出发，而 分层模型
则更注重企业内部目标分解。

适用场景不同： 时间序列模型 适合时间动态监控场景，而 指标树模型 适合分解复杂指标。

复杂度不同： 简单模型如 KPI 模型 适合直接监控核心目标； 复杂模型如 数据指标框架模型 和 OSM 模型
需要全面的设计和较高的实现成本。

使用建议：

单独使用： 对于小型业务，建议采用如 KPI 模型 或 分层模型 等简单的模型。
结合使用： 对于复杂场景，可以结合多个模型使用，如用OSM 模型 制定战略目标，结合 KPI 模型 和 时间序列模型 监控关键指标，辅以 维度模型 和 指标树模型 支持多维分析。


http://www.kler.cn/a/463094.html

相关文章：

  • mysql 忘记root密码 无密码登录系统 配置文件怎么改？
  • 浏览器选中文字样式
  • P5289 [十二省联考 2019] 皮配 做题记录
  • 生态碳汇涡度相关监测与通量数据分析实践技术应用
  • 谷歌广告关键词出价根据什么来判断？
  • AI 自动化编程对编程教育的影响
  • nginx学习之路-windows系统安装nginx
  • 自学记录：学习HarmonyOS Location Kit构建智能定位服务
  • 【开源免费】基于SpringBoot+Vue.JS精准扶贫管理系统（JAVA毕业设计）
  • windows文件夹自定义右键调用powershell完成7zip加密打包
  • Mediatek Android13 ROM定制
  • springboot525基于MVC框架自习室管理和预约系统设计与实现(论文+源码)_kaic
  • Redis集成到SpingBoot 的数据结构常见操作
  • Facebook广告无法投放？查看原因与解决方案
  • ChatGPT实战100例 - (22) 影刀需求大师
  • 开源存储详解-分布式存储与ceph
  • 千里马2024年终总结-android framework实战
  • 电商数据API接口的智能化与自动化发展探索
  • C#联合体
  • 【手搓一个脚本语言】五、用C语言抽象语法树AST解析简单的表达式字符串（括号）
  • Adobe Illustrator 中裁剪图像的最快方案
  • 使用策略模式时的一个生效问题
  • 4.微服务灰度发布落地实践(消息队列增强)
  • NestJS 性能优化：从应用到部署的最佳实践
  • FPGA的FIFO
  • 数据挖掘——认识数据