

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。”

这不是小李能力不足，而是他从“描述过去”到“预测未来”的关键一步尚未跨越。

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、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，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：

数据分析师是经过系统认证的复合型人才，其能力体系覆盖工具技能、分析思维和业务认知三大维度。这种能力架构使数据分析师能够贯穿数据生命周期：从数据采集时的质量把控，到分析阶段的模型构建，再到决策支持阶段的洞察输出。

3. CDA与数据建模的共生关系

对分析师而言，数据建模不是“可选技能”，而是职业进阶的“核心必修课”。两者形成“技能支撑—价值输出—能力提升”的闭环：数据建模是的核心竞争力，掌握数据建模能突破基础分析的局限，为业务提供更具深度的洞察与预判；而熟悉业务场景，能精准转化业务需求，确保建模方向不偏离实际，同时能将建模结果转化为业务可理解、可执行的决策建议。

二、数据建模的两大主流模型分支

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。

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。

核心概念：

• 表（Relation） ：数据以二维表形式存储，由行（记录）和列（字段）组成
• 主键（Primary Key） ：唯一标识表中每一行的字段或字段组合
• 外键（Foreign Key） ：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。

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。

核心概念：

• 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。星型模型、雪花模型和星座模型是维度数据模型在不同业务场景下的具体形态。

3. 关系模型与维度模型的选择

三、维度模型的三大经典形态

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。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、查询模式相对固定的业务场景。

CDA考试考点：星型模型由事实表和维表组成，维表主键结合成事实表主键。在官方模拟题中，当E-R图展示一个事实表和多个维度表，且这些维度表直接连接到事实表时，该结构属于星型模型。

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。

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。维度表通过间接方式连接到事实表。

适用场景：数据冗余较多、需要更高规范化程度的场景。雪花模型节省存储空间，但查询时需要更多的表连接，查询性能会有所下降。

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。

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。

4. 三大模型速记与辨析

四、数据建模的核心工具：E-R图与概念模型

概念模型、逻辑模型和物理模型的区别与联系。

1. 数据模型的三个层次

概念模型与逻辑模型的主要区别——概念模型是数据建模的最高层次，主要用于描述业务需求和数据的高层次结构；逻辑模型则在此基础上进一步细化。

2. E-R图的核心要素

E-R图（实体-关系图）是数据建模的“蓝图”工具：

• 实体（矩形）：现实世界中的对象或概念，如客户、订单
• 属性（椭圆）：实体的特征或描述信息，如客户ID、姓名
• 关系（菱形）：实体之间的业务关联，如下单、购买
• 连接线：标注联系类型，如1：n（一对多）、n：m（多对多）

五、数据建模的完整流程

数据建模通常遵循以下六步闭环流程：

在实操中，数据建模并非“拿到数据就建模”的无序过程，而是遵循从业务理解到模型落地的系统化流程。数据分析是一套完整的分析流程，包括业务理解、数据采集、数据清洗、数据探索、数据可视化、数据建模、模型结果可视化、分析结果的业务应用等。

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建模方法，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：概念建模

梳理核心业务实体：用户、订单、商品、评价。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）。

阶段四：逻辑建模

绘制E-R图，明确主键与外键关联：用户ID为主键标识用户实体，订单ID为主键标识订单实体。

阶段五：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），最终确定为星座模型——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。

阶段六：物理建模与验证

按照选定的星座模型创建数据表。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；二是构建用户流失概率预测模型，辅助制定干预策略。



这就是一套完整的“业务理解→数据采集→概念建模→逻辑建模→模型选型→物理建模→验证优化”的数据建模实战流程。

”

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，CDA一级大幅增加了Python数据处理、可视化、建模相关代码的考察比例，数据建模模块在CDA认证体系中的重要性进一步提升。考点覆盖从数据建模概念理解到E-R图绘制应用，从三大维度模型选型到数据模型层次认知，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”。从概念模型到逻辑模型再到物理模型，从关系模型到维度模型，从星型到雪花再到星座——每一层模型的演进，都是CDA分析师从“看得懂数据”走向“用数据驱动业务”的能力跃迁。

数据建模作为CDA分析师的核心能力，正推动着从“数据解读”到“业务赋能”的价值跃迁。

下一步行动：

1. 回顾你当前业务的数据表结构，判断其采用的是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



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。

”

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