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:

  1. 商家管理: 提供餐厅的信息管理、菜单设置、店铺运营分析等。
  2. 订单管理: 记录订单的下单、支付、配送等信息。
  3. 用户行为: 记录消费者在点餐、下单、支付中的行为轨迹。
  4. 营销活动: 推广促销、优惠券使用等活动数据。
  5. 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:

  1. 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。
  2. 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。
  3. DWS层(汇总数据层): 聚合后的主题宽表,生成核心业务指标。
  4. 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:

sql 复制代码
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:

sql 复制代码
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:

sql 复制代码
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
  1. 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。
  2. 数据分区: 按日期对订单数据分区,以优化查询性能。
  3. 实时分析: 使用Kafka + Flink,构建用户行为实时分析的流式处理。
  4. 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。

相关推荐
永洪科技7 小时前
永洪科技荣获商业智能品牌影响力奖,全力打造”AI+决策”引擎
大数据·人工智能·科技·数据分析·数据可视化·bi
weixin_307779137 小时前
Hive集群之间迁移的Linux Shell脚本
大数据·linux·hive·bash·迁移学习
上海锝秉工控10 小时前
防爆拉线位移传感器:工业安全的“隐形守护者”
大数据·人工智能·安全
cv高级工程师YKY10 小时前
SRE - - PV、UV、VV、IP详解及区别
大数据·服务器·uv
bxlj_jcj12 小时前
深入Flink核心概念:解锁大数据流处理的奥秘
大数据·flink
云资源服务商12 小时前
阿里云Flink:开启大数据实时处理新时代
大数据·阿里云·云计算
Aurora_NeAr13 小时前
Spark SQL架构及高级用法
大数据·后端·spark
王小王-12313 小时前
基于Hadoop的公共自行车数据分布式存储和计算平台的设计与实现
大数据·hive·hadoop·分布式·hadoop公共自行车·共享单车大数据分析·hadoop共享单车
数据与人工智能律师13 小时前
数字资产革命中的信任之锚:RWA法律架构的隐形密码
大数据·网络·人工智能·云计算·区块链
Edingbrugh.南空14 小时前
Flink OceanBase CDC 环境配置与验证
大数据·flink·oceanbase