2.1.2　数据层：数据管理与数据仓库

在企业的数据分析体系中，数据是承上启下的关键，一方面存储、整理来自运营过程的数据，另一方面为分析提供数据模型、数据管理、数据服务。相比业务流程和分析体系，数据层也是最需要技术的部分，传统上一直属于IT人员的领地。随着敏捷分析技术、低代码技术等的发展，与分析紧密结合的部分工作也在向业务部门扩展。

就笔者目前的项目经验和认知，数据层中主要包括如下几个主题。

·　来自数据库或本地数据的数据底表（Base Table）。

·　通过数据合并技术构建的数据宽表（Wide Table）。

·　根据业务需要预先构建的数据模型（Data Model）。

在不同的工具中，数据表的形式有较大的差异，比如，SQL中的表（Table）、视图（View）、物化视图（Materialized View）等概念，Tableau中的单表连接（Connection）、多表连接（Join）、多表关系（Relationship）、多表临时混合（Blend）等，都需要熟练掌握工具及其对应的技术逻辑。

本书第4章会详细介绍相关内容。

在企业数字化转型和可视化分析的过程中，数据层是普遍制约性要素。究其原因，其一是负责数据的信息部门通常难以理解敏捷分析的业务逻辑，无法快速响应业务的灵活需求；其二是缺乏宏观的数据规划，导致数据的一致性、准确性、安全性和性能随着业务扩展快速下降，最终制约了业务分析。企业应在数据方面加强跨部门合作和沟通，稳定、强大的数据底座是大数据分析的坚定基石，脆弱的基础则可以轻易葬送敏捷分析的未来。

从广义的角度看，甚至可以把可视化展现视为数据层的一部分。可视化的背后是交叉表（Cross Table），它来自数据表的聚合和计算。鉴于可视化分析属于业务部门的职责，可以独立于数据仓库而存在，因此本书把BI和数据独立介绍，这不影响二者的整体性。

在Kimball的相关知识体系中，数据仓库是和BI是作为整体阐述的——书中简称为DW/BI（见本章参考资料［3］）。在本书第11章简要介绍数据管理、数据仓库之后，笔者会旗帜鲜明地强调如下的建议：

视Tableau为数据仓库/商业智能平台（DW/BI Platform）。