背景
对于初创企业来讲，都会关心几个问题，包括为何需要一个数据仓库，何时需要建设，以及建设途径的问题。这里专门回答一下这个问题。
需要一个数据仓库（Why）
从世界范围来讲，越来越多的企业认识到数据的价值，以及从数据分析中可以得到更多的洞察，这些洞察可以用来指导运营和商业决策。从字面意思来看，数据仓库是数据存储的一个仓库，通常从不同的数据源进行收集，清洗转化和结构化后进行集中存储，使得数据分析和形成洞察更加容易实现。但是问题在于初创企业是否真的现在就需要一个数据仓库？我们来了解内部支持的原因：
数据复杂性。事实证明，从不同数据源引入数据需要支持来自不同数据库、文件、遗留系统、交易型事务系统，这些都是不同类型的。如果人工进行分别处理费时费力，数据仓库可以将这个过程自动化，提取相关的数据进行处理。数据的多样性。多个数据源意味着不同的结果，这导致不同系统以不同方式表达同样的信息。为了能过获得单一正确集（Single Source of Turth），需要将不同的数据转化更为统一的数据，并保持其正确性和相关性。数据仓库的 ETL（提取、转换和加载）过程将使您能够高效地执行此操作。自助数据报表。自助服务能够为组织提供真正的敏捷性，通过适当数据授权让开发可以轻松创建报表回答紧迫的问题，并且支持业务人员快速且自信的做出重要业务决策。一个设计良好的数据仓库将会帮助您的公司和团队。数据策略效率。如果还在犹豫是否值得投资，可能你还没有相关的数据策略，目前还停留在从不同的非结构化数据源进行手动提取，这种情况效率不高。如果已经有了大量的数据，并且希望从中获得洞察力，那么投资数据仓库建设将会使得整个过程更加高效。数据挖掘。良好设计的数据仓库可以支持数据挖掘工作，数据挖掘是识别和发现数据中隐藏信息，获得洞察力。想象一下在竞争对手之前了解市场趋势，或者找到一些货品组合可以得到最大化利润的机会。
组织是否需要一个数据仓库是一个复杂的问题，通常也是非常主观的。如果已经在面对大量复杂且多样性，那么是需要的。如果目前还是比较小数据量，并且数据结构化非常好，那么可以不需要现在就用一个数据仓库。机会成本在于失去可能存在的洞察力。至少有一点可以确定，就是数据仓库已经被证明至少不是一个差的投资决定。
用户场景（What）
案例一：战略决策
使用对象：总裁办
高层管理人员的战略报告和仪表板，包括核心kpi实现情况。财务预测和公司绩效数据监控，并下钻到员工和部门绩效评估和规划客户和产品的盈利能力分析。
案例二： 财务
使用对象：CFO
多用户角色视角的财务报表和仪表板，并下钻到特定业务领域。预算分配和模拟使用。
案例三：绩效管理
使用对象：商务部门
财务和运营绩效报告和管理人员仪表板。组织、部门、员工或流程绩效跟踪，并和展示驱动因素关系。绩效差距情况以及根本原因分析。销售漏斗、营销活动、供应链等的绩效优化策略。
案例四：战术决策
使用对象：业务团队
具有不断更新的业务数据战术仪表板。时间敏感的分析查询，以支持生产计划、库存计划、物流管理等。
案例五：运营数据仓库
使用对象：一线员工
用于实时快速查询大型和细粒度事务数据的操作仪表板。运营环境中的数据驱动决策（订单输入、银行业务、旅行预订等）。提醒需要立即关注的情况（风险管理、欺诈检测等）。不断更新实时的运营预测和业务成果模拟。
案例六：物联网
使用对象：供应链团队
实时或近实时地对特定事件或一系列事件做出反应（例如，触发警报）。基于历史物联网数据分析检测事件模式并预测反应。预测性维护。车辆远程信息处理。智能建筑。智能设备和可穿戴设备。
案例七：在线服务
使用对象：企业客户
支持数据负载可扩展性。海量应用数据量的即时分析查询。支持机器学习功能（个性化、聊天机器人等）。
从0开始建设企业数据仓库（How）
数据仓库保留所有原始数据或源数据的副本。这一点至关重要，因为它允许组织：
从多个地方收集数据并将其保存在单个数据库和数据模型中；通过保护面向客户的数据库免受大型、长时间运行的分析查询的影响，提高事务处理系统的效率；通过确保来自不同来源的数据得到整合，让利益相关者集中查看您的数据；通过一致的编码和描述、纠正有问题的数据以及排序和减少重复数据，最大限度地提高组织数据的质量和可用性；保持完整的数据历史，即使数据从源交易系统中清除；格式化或重组数据，使其更易于使用并提高查询性能，无论多么复杂，而不会破坏操作系统的有效性；通过维护单一、准确和最新的数据真实来源，提高运营业务应用程序质量，尤其是客户关系管理系统 (CRM)等自动化工具。
自建数据仓库还是采购服务？
既然我们已经知道了数据仓库如何建造，并且可以通过招聘一些资深业界大牛，是否可以走自建的路？还是需要通过独立服务商来搭建？这需要考虑几个方面因素：
时间人员配置考虑，数仓建设需要数据工程师，平台运维人员，数据应用开发者，数据分析师等人员，需要花费比较长的时间继续招聘和团队组建工作。开发使用Agile模式逐步建设，先建设好第一个应用版本，再建设报表和仪表盘。通过迭代在增加新的应用场景下需要增加新的字段，数据表需要历史数据补齐，重新进行计算，再更新报表和仪表盘。这个过程需要重建数据表和ETL，并且过程中要数据质量测试保证数据准确性。数据仓库是基础的工作，从广义来讲，需要数据报表或者数据应用才能体现价值，这就需要以终为始，数据仓库建设和数据应用需要协调一致。如果仅仅考虑建设数据仓库，短期内价值没有很好体现。如果要引入前面提到的七大应用场景，项目会变得非常的庞大。厂商有比较齐全的技术和行业方案，可以快速落地。
从现实来讲，数据仓库建设需要短平快打通端到端从数据抽取到数据应用，这样才能快速和应用场景结合，提振信心。在考虑自建0-1还是采购服务策略的时候，需要平衡好出成绩和团队建设的关系。从长远来讲，需要团队内部来真正做到了解业务、服务业务，在初期可以考虑采购由供应商提供的解决方案可以快速落地，并且保持后续系统迭代的能力。
一些用户案例
为何说解决方案比较重要，是因为一开始就可以根据以终为始，比如转化率作为数据团队的核心指标，通过对转化率指标的分解，并且了解趋势可以做出商业判断：
指标的相关性分析，比如在教育客户中，发现用户留存率和调音器有强相关性，但是这些工具的路径非常的深，通过统一这些工具到工具箱，可以提升整个留存率和工具使用率。流量漏斗分析，比如在用户整个AAARR模型漏斗中，发现用户在开户环节流失严重，发现是由于身份证上传操作太过复杂，通过引导提示和短信召回，可以拉升开户转化率。精准营销分析，比如对某些线上的转化率不佳且日浮动大的情况，通过对用户分群进行精确营销，对于不同群体用户采取存量留存和增量扩新不同的策略，可以显著提升用户活跃率和转化率。还是精准营销的例子，比如发现访问者活跃率低，通过标签分层，匹配不同的货品，用个性化推荐来引导用户消费，可以实现用户群的跃迁。
服务供应商不仅仅提供了这些用例和方法，而且提供了独立的咨询服务，可以加速企业数据化转型。在此基础上，企业需要加紧修炼内功，通过借鉴服务供应商积累的行业经验，逐步落地和迭代。
