近期，喜乐君为某大型金融机构交付《模型思维：业务数据分析认知课》全天内训。一天四场，主线只有一条：先把「模型」从技术图纸还原成沟通工具——用数字化四阶段定位企业现在在哪，用「业务—数据—分析」三层框架把三方的说法对齐，再用三类数据模型回答「该建什么表」，最后用 AI 把整套方法论现场跑通一遍。
课程对象是数据部门与业务分析岗，四场按这个顺序推进：
- 上午（一）｜认知与定位：从企业数字化四个阶段，讲到「业务—数据—分析」三层框架（本文第一～三节）
- 上午（二）｜三类数据模型：面向记录、面向分析、面向自动化（第四节）
- 下午（一）｜分析方法论：从数据地图到指标体系（第五节前半）
- 下午（二）｜问题与图形 + AI 实践：指标的本质、从问题到图形，以及 AI 全流程演示（第五节后半、第六节）
📌 要点
- 模型首先是沟通工具，其次才是技术图纸：抽象不出层次的模型，往往是一锅粥，很难走向实践
- 先定位，再动手：用四阶段判断「我们在哪」，再用三层框架统一语言，避免一上来就扎进某张表
- 三类模型对应三类问题：面向记录「只记录、不创造」，面向分析「关联而不合并」，面向自动化「固化的是经验」
- AI 是乘数，不是新增的一层：它把「经验固化」的环节自动化，把人解放到提出好问题上
一、为什么先讲认知：数据模型是沟通工具
课程开篇先回答一个问题：什么是模型？常言道「一千个读者眼中有一千个哈姆雷特」——同一个会场里坐着五十个人，对「模型」的理解大概率就有五十种。理解不统一，后面的所有讨论都会变成各说各话。
这里引用数据建模专家 Steve Hoberman 的观点：数据模型本质上是沟通工具，是连接业务人员与技术人员的桥梁。
为了把这件事讲透，课程用「盖房子」作比：业主先画一张手绘草图，再出概念效果图，然后是分层布局图，最后才是施工布线图。这四张图恰好对应数据模型的四个阶次——超高阶、高阶、逻辑模型与物理模型。
由此得到课程的第一条判断：不能抽象为多个层次的模型，往往是一锅粥，难以走向实践。很多人一上来就想「直接盖房子」，跳过草图与效果图，返工几乎是必然的。
二、看历史：企业数字化的四个阶段
要理解今天的数据架构，先要看清它一路是怎么走过来的。课程用「一家餐厅的发展」作比：从夫妻店（又做菜、又收银、又记账，全凭个人经验），到前厅后厨分工、收银电子化，再到连锁经营引入中央厨房。规模每上一个台阶，做法就得跟着变一次。
企业的数字化同理，每一代数据架构都是业务复杂度的投影：
- 阶段一 · 信息化起步：业务在线，业务过程第一次被完整记录，典型架构是 APPs + BI
- 阶段二 · 数据仓库登场：交易与分析独立，数据仓库承载历史与主题，典型架构是 APPs/ODBs + DW
- 阶段三 · 存储与分析分离：数据集市把存储与分析分开，ETL 一体化，典型架构是 APPs/ODBs + DW + DM/BI
- 阶段四 · AI 全面赋能：AI 是乘数，不是新增的一层，典型架构是 (APPs + DW + BI) × AI
值得留意的是阶段三：当分析需求开始爆发，逻辑指标不可物化（指标随问题组合，永远算不尽）、探索不可穷尽（可视化的组合无法预先做完）成为主要矛盾，这才倒逼出「逻辑模型」这一层——在性能与灵活之间取平衡。
三、知当下：「业务—数据—分析」三层框架
定位清楚阶段之后，课程给出一个静态框架，用来安放日常讨论。三个层面自下而上逐级抽象，每一层都是上一层讨论的前提：
- 业务层：业务对象构成业务过程，业务规则确保业务过程正常运转。一个业务过程可以用 5W2H 精确计量——What（做什么）、Why（为什么）、Who / Whom（谁）、When（何时）、Where（何地）、How（怎么做）、How much（多少）
- 数据层：列是字段，行是记录——一张表就是一个业务过程的投影。它记录的是业务事实，本身不创造任何东西
- 分析层：一层层向上抽象的进阶之路——指标构成问题，问题组合成仪表板，仪表板支撑持续的验证与探索
四、看未来：三类数据模型各解决什么问题
顺着「业务—数据—分析」这条链路，数据模型可以清晰地分成三类，分别解决不同环节的问题：
- 面向记录的数据存储模型：事实表与属性表，只记录，不创造。一次业务事件对应数据表的一行，业务对象落在某一列
- 面向分析的数据关系模型：从单表到多表，关联而不合并。物化宽表以空间换时间、性能最高但写死且延迟；逻辑模型按需计算、灵活但对性能有要求——取舍就在性能与灵活之间
- 面向自动化的算法模型：固化的是经验。算法不是分析的第三层，而是分析结论向业务现场的一次回归，把规律写成可执行的业务规则（分数、标签、排序、方案）
五、方法论：从数据地图到「问题与图形」
下午的课程转入方法论。第一步是建立全局理解——画数据地图（Data Map）：从业务层到数据层再到分析层逐层展开，看清数据的「来龙去脉」，避免一上来就扎进某张表。
关于指标，课程强调两点：指标不真实（它不在明细表里，而在明细表之上，是对业务的抽象与概括），因此指标不能简单物化——一旦物化，就只能回答预先想好的问题，失去组合的灵活性。（这条判断的完整推演，见 《指标平台到底有没有用？》 。）
关于分析方法：分析的本质是分组聚合，问题的经典结构是「指定数据范围 + 完成分组聚合」，也就是维度 + 度量。从问题到图形，排序、时间趋势、占比分析、交叉表构成日常主力；到分布分析是转折点——「三图一表」（三图＝排序、时间趋势、占比；一表＝交叉表）基本可以覆盖大部分日常需求。
六、AI 现场实践：把方法论完整跑通一遍
课程最后回到 AI。现场演示了用 AI 工具把一条业务需求自动转成数据文件、再生成可视化页面的完整链路，并分享了 AI 辅助开发的实际案例（效率工具、企业预算系统等）。
这里想传递的判断是：AI 不是替代分析，而是把「经验固化」的环节自动化。它可以承担整理、生成、批量输出的活儿，把人解放到更关键的地方——提出一个好问题。
结语
这门课真正想解决的，不是教会某个工具，而是让业务、数据、技术三方在讨论时说的是同一件事：先有分层的认知，再有可落地的表与指标，最后才是分析与自动化。
课程面向企业数据部门、BI 团队与业务分析岗，可按半天、一天或系列工作坊的形式定制，内容深浅随受训对象调整。如需了解企业内训方案，欢迎 预约咨询 。
相关阅读
- 喜乐君·数据分析夏令营 第 7 期：数据模型——从单表到多表 ：把物理合并与逻辑合并彻底拆开讲
- 喜乐君·数据分析夏令营 第 2 期：问题的结构与维度度量 ：问题的统一结构，就是「范围 + 维度 + 度量」
- 指标平台到底有没有用？ ：指标为什么不能被简单物化
- 【喜乐君书摘】9.3 让交叉表更高效 ：「三图一表」的出处
作者：xilejun · v1.1 · 2026-09-22
No comments yet