Представь, тебя попросили создать аналитический отчет для отслеживания необходимых метрик: количество успешно закрытых сделок отделом продаж и количество новых привлеченных клиентов на каждый день, а также конверсию в продажу.
Результатом может быть дашборд, обновляющаяся Google-таблица или даже ежедневное сообщение от бота с рассчитанными метриками.
Для реализации отчета тебе скорее всего понадобиться создать таблицу, но изначально данные могут быть разрознены и храниться в разных местах, иметь необработанный вид и непроверенное качество.
Ты как аналитик сделал 2 шага
1️⃣ Собрал данные с помощью SQL в одну таблицу. очистил, обогатил, посчитал метрики.
2️⃣ Сделал автоматизацию, чтобы данные в этой таблице обновлялись по нужному для анализа расписанию
Такая таблица для твоей задачи и будет являться витриной данных 👇
Витрина данных (Data Mart) - таблица с достаточным, очищенным, преобразованным набором данных для решения конкретной аналитической задачи или набора подобных задач.
Если хочешь правильно работать с данными и делать качественный и полезный бизнесу анализ - ты это просто обязаны знать. Не зря на всех схемах хранилищ данных указывается слой Data Marts.
Весь процесс построения витрин данных разбираем на курсе "Продвинутый SQL" - от сбора требований до автоматизации с помощью Apache Airflow, Cloud Functions и Git.
Хочу на обучение