数据仓库

数据仓库是在企业管理和决策中面向主题的、集成的、与时间相关的、不可修改的数据集合。

在电商场景中，有一个数据库专门存放订单的数据，另外一个数据库存放会员相关的数据。构建数据仓库，首先要把不同业务系统的数据同步到一个统一的数据仓库中，然后按照主题域方式组织数据。

• 主题域是业务过程中的一个高层次的抽象，像商品、交易、用户、流量都能作为一个主题域，可以把它理解为数据仓库的一个目录。
• 数据仓库中的数据一般是按照时间进行分区存放，一般会保留5年以上，每个时间分区内的数据都是追加写的方式，对于某条记录是不可更新的。

传统数据仓库无法支撑互联网时代的商业智能

进入互联网时代的两个最重要变化

• 数据规模前所未有，一个成功的互联网产品日活可以过亿，就像熟知的头条、抖音、快手、网易云音乐，每天产生几千亿的用户行为。传统数据仓库难于扩展，根本无法承载如此规模的海量数据。
• 数据类型变得异构化，互联网时代的数据除了来自业务数据库的结构化数据，还有来自APP、Web的前端埋点数据

数据埋点

数据埋点是一种常用的数据采集方法，方便产品/运营系统性地统计分析复杂的用户数据。我们在APP端所设置的自定义事件，就是通过数据埋点的方式，实现对用户行为的追踪，以及记录行为发生的具体细节。
通常情况下，我们会对一些关键节点、关键按钮进行监测，比如关键路径的转化率。还可以通过埋点统计业务数据。比如在电商类APP中，在提交订单环节，将用户购买的商品名称、类别、价格等明细数据进行上报，便于后续分析用户行为与洞察用户偏好。
主流的数据埋点方式：全埋点、可视化埋点、代码埋点、后端埋点。
全埋点：会自动采集所有的数据点位，土豪式的埋码方式；优点：几乎可以监测和分析用户在APP端的所有行为数据，并且可追溯；缺点：数据存储、计算、分析成本高昂，对用户在前端的加载也有影响。主流APP基本不会采取这种方式。
可视化埋点：通过点击交互，在产品页面上直接进行埋点。先分析，再圈选，是一种所见即所得的埋点方式；优点：跳过技术部署，集成简单，能够很快上手，能够监测产品前端用户交互数据；缺点：所采集的数据，属于前端浅层数据，而侧重属性的数据带不回来，比如对于新闻类APP，能监测到用户点击标题的行为的，但作者、细分标签、发布时间等数据无法采集，且无法进行数据追溯。
代码埋点：通过技术代码在APP接口中进行埋点，需产品、技术、运营的通力配合；优点：代码埋点可以采集到想要的所有数据（服务端、客户端），前期需要系统性规划，数据分析会更贴合业务场景，且数据维度更丰富和深入，适合精细化分析和用户行为洞察；缺点：前期工作量会稍大，包括埋点规划和技术实施，产品新增功能后，需要技术埋点并且发布APP后才能统计到数据。
后端埋点：通过导入工具或系统，将数据（通常是后端日志）直接进行上报。从经验上判断，后端采集适合结合深度业务数据的挖掘，而前端采集适合基于用户行为的产品运营；优点：