

很多数据分析师能熟练地写SQL、做透视表、算描述性统计，但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素”“不同行业的数据模型选型有何差异”时，却常常语塞。其实，数据建模正是实现数据分析从“描述过去”跃迁至“预测未来、指导行动”的核心工具。从“数据描述”到“业务预判”，数据建模是那道必经的门槛。

”

引言：为什么数据建模是CDA分析师的核心技能？

小李是一名数据分析师，入职一家零售企业后，他做报表、写SQL、拉趋势图都驾轻就熟。一次业务汇报会上，营销总监问他：“下周的大促活动，预计销售额能达到多少？我们该把预算重点放在抖音还是小红书？”小李能回答“上个月抖音渠道贡献了30%的销售额”，却无法给出预测和建议。

旁边的资深分析师接过问题，打开一个预测模型，5分钟后给出了预估值和渠道预算分配建议。会后小李追问道：“你怎么做到的？”对方回答：“我只是做了一件事——数据建模。”

本文将从CDA认证的知识体系出发，系统拆解数据建模的核心概念、两大主流模型分支（关系数据模型与维度数据模型）、三大维度模型形式以及全流程实施路径，结合官方题库高频考点与实战案例，帮助你将数据建模从“抽象概念”变为“业务预判的利器”。

一、数据建模的核心认知：业务问题的“数据化求解框架”

1. 什么是数据建模？

数据建模是以业务需求为导向，通过梳理数据关系、构建数学模型，揭示数据背后业务规律的过程。数据建模的核心不是追求复杂的算法，而是“精准匹配业务问题与数据逻辑”，其本质是将模糊的业务需求转化为可量化、可求解的数学问题。

对分析师而言，数据建模并非高深莫测的“数学游戏”，而是实现“从数据到洞察、从洞察到决策”的核心桥梁。通过建模，CDA分析师可实现三大核心目标：

• 规律洞察：挖掘数据中隐藏的业务关联，例如用户消费行为与年龄、地域的关联规律
• 趋势预测：基于历史数据预判未来业务走势，例如预测下季度某产品的销量、预测用户流失概率
• 决策优化：为业务决策提供量化依据，例如通过建模确定最优促销预算分配方案

2. 数据建模的核心价值：从“描述过去”到“预判未来”

数据建模对分析师的价值，体现在能力跃迁的三个层级：

二、数据建模的两大主流分支：关系模型与维度模型

关系数据模型与维度数据模型的定义、差异、使用场景是数据建模领域的两个核心分支，分别服务于不同的分析目标和应用场景，两者各有侧重，但并非互斥关系。

1. 关系数据模型（Relational Model）

关系数据模型是以数据库表（关系）为数据结构、以SQL为操作语言的数据组织方式，核心是通过规范化消除数据冗余、保证数据一致性。其核心概念包括：

• 表（Relation） ：数据以二维表形式存储，由行（记录）和列（字段）组成
• 主键：唯一标识表中每一行的字段或字段组合
• 外键：指向另一个表主键的字段，用于建立表之间的关联关系
• 数据完整性约束：包括实体完整性（主键非空不重复）、参照完整性（外键值必须在被引用表中存在）和用户定义完整性

关系数据模型的核心价值在于**“数据的强一致性保障”**——适用于业务交易系统（OLTP）和需要严格控制数据质量的核心业务场景。在关系模型中，外键的主要作用是建立表与表之间的关联关系，这是考试中的基础考点。

2. 维度数据模型（Dimensional Model）

维度数据模型是为数据分析查询优化的表结构，核心是通过“事实表+维度表”减少表关联、提升查询性能。核心包括：

• 事实表：记录业务事件的度量数据，通常包含数值型的度量字段（如销售额、数量）以及关联维度表的外键
• 维度表：描述业务事件属性的数据，通常包含文本型的描述字段（如时间、地区、产品名称）

维度数据模型的核心价值在于**“数据分析的高查询性能”**——适用于数据仓库、BI报表和OLAP分析场景。

3. 关系模型与维度模型的选择

在实际数据架构中，关系数据模型通常作为ODS（操作型数据存储）层的载体，经过ETL处理后转换为维度数据模型，供前端分析和可视化使用。两者并非对立，而是数据流转不同阶段的适配模型。

三、维度模型的三驾马车：星型模型、雪花模型与星座模型

1. 星型模型——最核心、最常用的维度模型

星型模型（Star Schema） 由一个中心事实表和多个直接连接到该事实表的维度表组成。维度表主键结合成事实表主键，结构如同一个五角星——事实表是“星核”，维度表是向四周辐射的“星芒”。

核心优势：查询性能高，结构简单直观，易于业务人员理解和使用。适用于大多数数据仓库的初步设计，尤其适合维度数量适中（5—15个）、查询模式相对固定的业务场景。

2. 雪花模型——维度规范化后的复杂形态

雪花模型（Snowflake Schema） 是在星型模型基础上对维度表进行进一步规范化，将原本维度表中的属性拆分成多个相关的子表，形成更复杂的层级结构，形似雪花的“分支”。

核心特征：维度表存在“层级关系”。例如，原本的“产品维度表”可能被规范化为“产品大类表→产品子类表→产品表”三层结构，“地区维度表”可能被规范化为“国家表→省份表→城市表”三层结构。维度表通过间接方式连接到事实表，结构的复杂性和数据冗余程度随之降低。

适用场景：数据冗余较多、需要更高规范化程度的场景，例如维度属性存在明显的多层级关系。雪花模型节省存储空间，但查询时需要更多的表连接（JOIN），查询性能会有所下降。在考试中，如果E-R图展示的是维度表进一步规范化、拆分成了多个子表，则属于雪花模型。

3. 星座模型——多业务过程的复合形态

星座模型（Constellation Schema） 由多个事实表组成，这些事实表共享一个或多个维度表，适用于需要处理多个业务过程的复杂数据仓库场景。

核心特征：存在两个及以上事实表，多个事实表共享部分相同的维度表。例如，某电商平台同时分析“销售订单”和“流量日志”两个业务过程，两者共用渠道维度表和时间维度表。这种设计使得跨业务过程的分析（如渠道ROI、用户转化路径）成为可能。

4. 三大模型速记与辨析

四、数据建模的核心工具：E-R图

E-R图（实体-关系图）是数据建模的“蓝图”工具，通过图形化的方式清晰展示数据实体之间的结构关系。

1. E-R图的核心要素

2. 实体关系的三类基数

在E-R图中，不同类型的关系对应不同的业务约束：

• 一对一关系：一个实体A只能对应一个实体B，且反之亦然。例如：一个公民对应一个身份证号码。
• 一对多关系：一个实体A对应多个实体B。例如：一个客户可以有多个订单。在CDA官方模拟题中，有一道题考察“一个客户可以拥有多个银行账户，一个账户仅属于一个客户”属于一对多关系。
• 多对多关系：多个实体A对应多个实体B。例如：一个学生选修多门课程，一门课程有多名学生选修。

3. E-R图的绘制与应用

在实践中，E-R图是数据建模的标准起点：通过梳理业务实体之间的关系，绘制E-R图，再将E-R图转换为关系数据模型中的表结构，最终根据分析需求决定是否采用维度建模形式（星型/雪花/星座模型）。

五、数据建模的完整流程与最佳实践

1. 数据建模的六步闭环法

2. 模型选型的关键判断

在实际工作中，模型选型需根据业务场景做出判断。若数据写入频繁、必须保证数据一致性（如订单系统），优先选用关系数据模型；若查询分析高频、需要快速响应（如BI报表），优先选用维度数据模型。在维度模型中，再根据业务复杂度和查询需求进一步决定具体形态。CDA大纲要求能够应用数据建模的层次概念，根据业务需求选择并搭建正确的数据模型，这正是CDA分析师建模能力的核心体现。

3. 数据仓库与ETL

CDA大纲还要求熟知数据仓库体系与ETL概念，能够结合业务需求设计可落地的ETL方案。数据仓库可以理解为把数据整合之后再进行数据加工，提供给数据集市进行数据分析应用的一套系统。CDA分析师需要理解数据仓库与ETL之间的关系，熟知OLAP（联机分析处理）与OLTP（联机事务处理）系统的定义及差异。ETL（抽取-转换-加载）要解决的核心问题，正是将分散在各业务系统中的异构数据整合为统一格式，加载到数据仓库中供分析使用。在PART 12的官方模拟题库中，数据仓库的核心特征、OLTP系统的特征等都是明确的高频考点。

六、实战演练：从“业务需求”到“数据模型”的全流程落地

背景

某中型电商公司面临用户增长放缓问题。运营总监希望分析：哪些因素影响用户的复购率？能否预测用户流失概率，提前干预？

建模全流程解析

阶段一：业务理解与目标定义 业务目标为“识别影响复购的核心驱动因素，预测用户流失概率”。因预测类目标需采用模型加工（倾向性建模），属于预测类数据建模范畴。

阶段二：数据采集与理解 整合订单表、用户表、用户行为日志表等结构化数据，同时整合客服评价文本等半结构化数据。

阶段三：E-R图建模

• 实体：用户、订单、商品、评价
• 关系：一个用户→多个订单（一对多）；一个订单→多个商品（多对多，通过订单明细表分解）
• 属性提取：用户ID为主键标识用户实体，订单ID为主键标识订单实体

阶段四：模型选型 分析场景为BI分析和流失预测建模，属于OLAP分析场景，因此选用维度数据模型。由于涉及多个业务过程（订单分析、用户行为分析），可能存在两个以上事实表，最终确定为星座模型——即多个事实表（订单表、流量日志表）共享用户维度表和时间维度表。

阶段五：模型实现与验证

按照选定的星座模型创建数据表，编写ETL流程将数据加载至数据仓库，构建特征宽表供模型使用。最终输出两个成果——一是通过回归模型分析影响复购率的关键因素（如用户活跃度、客单价、售后满意度等），为运营团队提供归因洞察；二是构建用户流失概率预测模型，预测结果辅助制定干预策略。



这就是一套完整的“业务理解→数据采集→E-R图建模→模型选型→ETL实现→模型验证”的数据建模实战流程，是CDA方法论在实际业务中的典型应用。

”

结尾：从“数据描述”到“业务预判”——CDA专业认证的核心跨越

很多数据分析师能做报表、画图表、写SQL，但当被问到“如何用数据预测未来趋势”“如何根据业务场景选择星型模型还是雪花模型”“关系数据模型和维度数据模型如何协同使用”时，却答不上来。

描述过去的数据是经验，预测未来的模型才是智慧。 在2025年新考纲的背景下，PART 12“数据模型”模块在CDA认证体系中的占比上升到8%，考点覆盖从模型概念理解到E-R图绘制应用，从三大维度模型选型到数据仓库体系搭建，构成了CDA分析师从“数据分析执行者”向“数据架构设计者”迈进的核心知识阶梯。

数据建模是CDA数据分析师连接“数据”与“业务”的核心枢纽——通过建模，分析师不仅能回答“过去发生了什么”，更能回答“未来会怎样、现在该做什么”。这正是CDA认证价值与个人职业能力成长深度契合的关键所在。

如果你想系统掌握从数据建模理论到实战落地的完整方法，并获得权威的专业能力证明，可以考虑了解CDA数据分析师认证。LEVEL I考试完整覆盖了本文提到的所有数据建模知识点，通过系统的教材和官方模拟题库训练，帮助你真正把数据建模从“抽象概念”变成“赋能业务增长的核心引擎”。

下一步行动：

1. 回顾你当前业务的数据表结构，判断其采用的关系模型还是维度模型，属于星型、雪花还是星座模型
2. 选择一个业务场景（如销售预测、用户流失预警），尝试用六步法完成从业务理解到模型落地的流程推演
3. 练习绘制E-R图，明确实体类型和关系基数，判断属于哪类数据模型



描述数据是回顾过去，搭建模型是预判未来。数据建模，正是CDA分析师赋能业务决策的核心引擎。

”

图文含有广告内容

推荐学习书籍 《CDA一级教材》适合CDA一级考生备考，也适合业务及数据分析岗位的从业者提升自我。完整电子版已上线CDA网校，累计已有10万+在读~ !

免费加入阅读：https://edu.cda.cn/goods/show/3151?targetId=5147&preview=0