在数字智能时代背景下，数据科学及AI已成为驱动社会进步与行业革新的核心动力。秉承学校“以企业为导向，以学生为中心”的教育理念，同时响应新零售、新服务、新传媒行业对高素质数据分析人才的需求，数据科学学院推出“Data Knowledge”专栏，将普及AI模型、具身智能、数据结构、机器学习等基础数智知识，为师生提供持续学习和成长的平台，同时，通过连接教学理论与现实实际，在生动传递专业知识的同时，深化教师队伍的知识储备，助力应用型数据分析人才的培养。

作者简介：惠慧，数据科学与大数据技术专业教师

研究方向： 商业数据分析

主讲课程：《管理学》《数据科学导论》

很多人在初步接触数据库或数据分析时，往往会把“数据模型”理解为若干张表格及字段的设计，认为只要完成信息录入和分类存储，就实现了数据建模。事实上，这种理解更多停留在技术操作层面，并没有触及数据模型的核心。

从本质上看，数据模型是一种对现实世界进行结构化表达的方法。它强调从复杂业务中识别关键对象，提炼核心属性，梳理对象之间的关系，并据此建立系统能够识别、处理和调用的数据结构。数据模型并不是“为存储而存储”，而是“为理解而组织”。它决定了系统能够记录什么、如何记录，以及记录后的数据能否真正支持分析、预测和决策。

数据模型的价值，并不只是设计表和字段，更在于把分散的数据整理成有逻辑、可分析、可调用的业务表达。它解决的，不只是数据有没有被记录，更是数据能不能被理解、被分析、被使用的问题。以新零售为例，面对用户、商品、订单、库存、门店和营销等多个环节交织形成的复杂业务，只有通过清晰的数据模型梳理关键对象、属性和关系，企业才能真正看清业务逻辑，并进一步支撑推荐、预测和运营优化等应用。

在建模之前，首先要想清楚三个基本问题：

第一，这个业务场景中，哪些是关键对象？
第二，这些对象分别有哪些核心属性？
第三，这些对象之间存在怎样稳定而清晰的关系？

这三个问题看似简单，却决定了后续系统结构是否合理，也决定了数据是否真正具有分析价值。换句话说，数据模型并不是先画表、再填数据，而是先理解业务世界如何运转，再决定如何用数据去表达它。

以新零售场景为例，它是数据模型应用较为典型的场景之一。在这一场景中，用户行为、商品流转、订单履约、库存管理与营销活动等信息同时存在，业务要素多、数据类型复杂、关联关系紧密。如果缺乏清晰的建模思路，这些数据往往只能被分散记录，难以形成统一、可分析的结构。而如果能够将复杂业务转化为系统可识别、可处理的数据表达，从而为后续的数据分析、业务优化与决策支持奠定基础。

现实业务通常是复杂而动态的。一个组织在运行过程中，会持续产生大量信息：客户发生交互，业务流程不断推进，资源状态持续变化，管理动作也在不断调整。若缺乏建模思维，系统往往只能零散记录这些现象；但如果希望进一步开展分析、预测与决策，就必须把这些信息整理为清晰、稳定、可计算的数据结构。

一个有效的数据模型，通常包含三个基本层面：

对象：系统需要识别和管理的核心单元，如客户、产品、服务、部门、项目、事件等。
属性：用于描述对象状态与特征的信息，如时间、类别、等级、数量、状态、期限等。
关系：对象之间相对稳定的连接方式，如主体之间的关联、流程之间的衔接、资源之间的依赖等。

只有把对象、属性和关系梳理清楚，数据才不只是对业务结果的被动记录，而能够真正反映业务运行的内在结构。

例如，在新零售场景中，可以将用户、商品、订单、门店等作为核心对象，以价格、时间、库存、会员等级等作为属性进行刻画，并通过购买行为、订单履约、库存调配及营销参与等关系将各类对象连接起来。通过这样的结构化表达，原本分散的业务信息被组织为具有内在逻辑的数据体系，从而能够支持更进一步的分析与应用。

数据模型不是孤立存在的技术结构，它最终要服务于具体业务。不同领域虽然业务目标不同，但都离不开对现实问题的抽象、拆解与表达。从这个意义上说，数据模型是一种通用能力，而不是某个行业独有的方法。

在新零售场景中，平台会持续产生用户行为、商品流通、订单履约、库存变化、门店运营和营销活动等数据。若底层模型设计清晰，系统就能够更好地支撑多种业务应用：

● 在商品推荐中，系统不仅要记录“用户看过什么”，还要进一步组织用户偏好、价格敏感度、活跃变化等信息，才能提升推荐准确性。

● 在销量预测中，模型不仅依赖历史销量，还需要把节假日、促销活动、天气、库存等因素纳入统一的数据表达中，才能更好解释销量波动。

● 在会员运营中，平台也需要基于消费频次、客单价、活跃周期等特征识别高价值用户，从而支持更精细化的运营策略。

这说明，真正支撑推荐、预测、运营等分析任务的，不只是模型算法本身，更是前端是否形成了清晰、一致、可调用的数据结构。

如果忽视从业务到数据的提炼过程，系统就很容易陷入“能够记录，却难以使用”的状态。比如，把不同类型的业务信息简单堆放在同一结构中，短期看似便于集中管理，长期却容易出现数据冗余、更新困难、口径混乱等问题；一旦业务规则发生变化，系统结构也会迅速暴露出脆弱性，分析结果难以保持一致性和解释力。相较之下，合理的数据模型会围绕业务目标，将不同对象分层组织，并通过清晰关系建立连接，这样不仅有利于系统维护，也能为后续的数据分析、预测和应用提供稳定、可靠的基础。

以星巴克为例，公开资料显示，其近年一方面持续用机器学习做个性化推荐，推荐会综合会员历史订单、门店库存、天气、时段、本地偏好等多种因素；另一方面，又在 2026 年对会员体系进行了重构，更强调“价值、个性化与互动”，希望通过分层会员机制提升连接和增长。 这也说明，当企业关注点从单次交易转向长期会员价值与持续互动时，底层数据组织方式也必须随之升级：系统不能只记录“卖了什么”，还要进一步刻画用户活跃度、消费频次、偏好变化和触达反馈等信息。正因为能够适应业务目标变化，好的数据模型才更有价值。

从更广的视角来看，数据模型不是技术链条中的附属环节，而是数据应用得以成立的起点。特别是在新零售、新服务、新传媒等领域，从商品运营、用户服务到内容传播，从数据分析、精准推荐到经营决策，几乎每一个关键环节都离不开清晰的数据模型支撑。没有清晰的数据模型，再多的数据也可能只是分散的信息；而一旦建模得当，系统才能真正支撑分析、预测与决策，数据价值也才能被持续释放。也正因为如此，学习数据模型，重要的不只是掌握某种技术规则，更是培养一种从现实问题出发、将复杂业务转化为结构化表达的思维方式。这种能力，正是数据科学走向真实产业场景的基础。