餐饮平台数仓建模案例
餐饮平台数仓建模案例
根据某餐饮平台（以餐饮企业提供数字化解决方案为核心）的业务特点，以及参考《阿里巴巴大数据之路》的数据仓库建模思想，以下是一个数仓建模的完整设计方案。
1. 平台业务分析
某餐饮平台的主要业务包括：
- 商家管理： 提供餐厅的信息管理、菜单设置、店铺运营分析等。
- 订单管理： 记录订单的下单、支付、配送等信息。
- 用户行为： 记录消费者在点餐、下单、支付中的行为轨迹。
- 营销活动： 推广促销、优惠券使用等活动数据。
- 配送管理： 追踪外卖订单的配送状态和时效。
数据仓库需支持以下需求：
- 实现多维度的业务分析（如商家经营状况、用户画像、订单数据分析）。
- 支持高效的报表生成和多维分析（如促销活动效果分析）。
- 实现实时监控和分析（如配送时效监控）。
2. 数仓分层架构
按照数仓建设分层标准，分为以下几层：
- ODS层（操作数据存储层）： 原始数据存储，直接从业务系统中同步数据，不做任何逻辑处理。
- DWD层（明细数据层）： 经过数据清洗后的明细数据，按业务主题划分，数据去重、标准化。
- DWS层（汇总数据层）： 聚合后的主题宽表，生成核心业务指标。
- ADS层（应用数据层）： 面向应用的最终分析数据，支持业务报表或实时监控。
3. 核心模型设计
根据某餐饮平台的核心业务，以下是主要的模型设计：
(1) 用户行为模型
记录用户在餐饮平台上的行为（如浏览菜单、添加购物车、下单等）。
- 表名：
dwd_user_behavior_detail - 字段设计：
字段名 类型 描述 user_id BIGINT 用户ID behavior_type STRING 行为类型（浏览、加购等） restaurant_id BIGINT 餐厅ID dish_id BIGINT 菜品ID behavior_time TIMESTAMP 行为发生时间 platform STRING 操作平台（APP/小程序等）
(2) 商家维度模型
记录餐厅的基础信息，包括经营范围、评分等。
- 表名：
dim_restaurant - 字段设计：
字段名 类型 描述 restaurant_id BIGINT 餐厅ID restaurant_name STRING 餐厅名称 category STRING 餐饮分类 location STRING 所在区域 avg_rating DECIMAL 平均评分 opening_hours STRING 营业时间
(3) 菜品维度模型
记录餐厅菜品的基本信息，如价格、销量等。
- 表名：
dim_dish - 字段设计：
字段名 类型 描述 dish_id BIGINT 菜品ID dish_name STRING 菜品名称 restaurant_id BIGINT 餐厅ID price DECIMAL 菜品价格 category STRING 菜品分类 is_promotion BOOLEAN 是否促销
(4) 订单事实模型
记录餐饮订单的详细信息，包括订单状态、金额、时间等。
- 表名：
dwd_order_fact - 字段设计：
字段名 类型 描述 order_id BIGINT 订单ID user_id BIGINT 用户ID restaurant_id BIGINT 餐厅ID total_amount DECIMAL 订单总金额 order_status STRING 订单状态（已支付等） order_time TIMESTAMP 订单创建时间 delivery_time TIMESTAMP 配送完成时间
(5) 活动营销模型
记录优惠券、折扣活动的使用情况。
- 表名：
dwd_marketing_fact - 字段设计：
字段名 类型 描述 marketing_id BIGINT 活动ID user_id BIGINT 用户ID restaurant_id BIGINT 餐厅ID discount_amount DECIMAL 优惠金额 usage_time TIMESTAMP 活动使用时间
4. 示例分析场景
场景1：用户偏好分析
分析用户最常购买的餐厅或菜品类别，构建用户画像。
SQL示例：
SELECT user_id,category AS favorite_category,COUNT(*) AS purchase_count
FROM dwd_order_fact AS o
JOIN dim_dish AS d
ON o.restaurant_id = d.restaurant_id
GROUP BY user_id, category
ORDER BY purchase_count DESC;
场景2：餐厅经营分析
分析餐厅的订单量和总收入，评估经营状况。
SQL示例：
SELECT restaurant_id,COUNT(order_id) AS total_orders,SUM(total_amount) AS total_revenue
FROM dwd_order_fact
WHERE order_status = '已完成'
GROUP BY restaurant_id
ORDER BY total_revenue DESC;
场景3：配送时效分析
统计配送超时率，监控配送效率。
SQL示例：
SELECT COUNT(*) AS total_orders,SUM(CASE WHEN TIMESTAMPDIFF(MINUTE, order_time, delivery_time) > 30 THEN 1 ELSE 0 END) AS delayed_orders,ROUND(SUM(CASE WHEN TIMESTAMPDIFF(MINUTE, order_time, delivery_time) > 30 THEN 1 ELSE 0 END) / COUNT(*) * 100, 2) AS delay_rate
FROM dwd_order_fact
WHERE delivery_time IS NOT NULL;
5. 建模优化建议
- 宽表设计： 根据实际需求，将用户行为、订单、餐厅信息聚合成宽表，提高分析效率。
- 数据分区： 按日期对订单数据分区，以优化查询性能。
- 实时分析： 使用Kafka + Flink，构建用户行为实时分析的流式处理。
- 指标预计算： 在DWS层提前计算常用指标（如GMV、订单量），减少报表生成压力。
这个模型设计充分考虑了某餐饮平台的业务特点和实际分析需求，既支持离线分析，也可以扩展为实时监控系统。