目前数据的价值已经从单纯的啤酒尿不湿数据挖掘、决策分析与决策支持、商业分析，往数据资产、生产力资料方向发展

目前数据的价值已经从单纯的啤酒尿不湿数据挖掘、决策分析与决策支持、商业分析，往数据资产、生产力资料方向发展。

作为电商垂直领域的生鲜电商则更是数据战场，凭借推荐算法和大数据杀熟等策略，收集完整的定价轨迹和用户偏好，构建全面的用户画像，开展精准的用户运营活动。

对于一个企业而言，从企业架构视角，一个是数据集成的价值，基于数据集成的企业内部IT系统的集成；另一个数据分析的价值，以商业分析、大数据分析、数据建模等为代表的数据运营，且数据运营的方式已经逐步从对内的管理运营，向外扩展形成了对客户对用户对供应商的体系化的运营分析。

其中数据集成对应远古时代的SOA体系的ESB和ETL工具，现在则更多地称之为“数据中台”；数据分析（和数据挖掘），对应之前的数据仓库，对应时下的大数据平台。生鲜电商也无外乎这两个方面的数据价值。

一、生鲜电商的数据架构

在阐述生鲜电商的数据架构，先达成如下概念的一致性。基本概念来自百度百科，但最后一句均加上了给大家的我的解释。

• 数据架构：是对企业的主要数据类型、数据来源、逻辑数据资产、物理数据资产、以及数据管理资产的结构及交互的描述。
• 数据主题域：通常是联系较为紧密的数据主题的集合。包含很多数据主题，可以根据业务的关注点，将这些数据主题划分到不同的主题域。主题域在数据仓库中较为常见，为分析主题域，可以应对数据集市，主题域由最终用户和数据仓库的设计人员共同完成。可对照之前文章中的业务域和应用域。
• 数据主题：是逻辑数据模型的再一次抽象归类，数据主题包含多个概念数据模型。被包含数据主题域中，可参加数据仓库的分析主题。是主题域下数据的再一次细分，一般包括一级主题域和二级主题域。可对应之前文章中的业务能力和应用。详细的数据主题域和数据主题概念内容可以查找企业架构书籍，而非数据仓库书籍。
• 概念数据模型：是面向数据库用户的现实世界的模型，主要用来描述世界的概念化结构，它使数据库的设计人员在设计的初始阶段，摆脱计算机系统及DBMS的具体技术问题，集中精力分析数据以及数据之间的联系等，与具体的数据库管理系统（DBMS）无关。我的解释是概念数据模型就是E-R，为的就是让产品经理（开发人员）与业务方有效沟通数据关系。
• 逻辑数据模型：是一种图形化的展现方式，一般采用面向对象的设计方法，有效组织来源多样的各种业务数据，使用统一的逻辑语言描述业务。
• 物理数据模型：是指提供系统初始设计所需要的基础元素，以及相关元素之间的关系。仅是开发人员（主要是DBA）描述计算机物理世界的数据关系，既数据库表。

二、数据集成的价值

首先是生鲜电商的数据主题视图，包括数据主题域和数据主题如下图。有疑问请联系我，这个图还是需要一点数据背景的。

图1 数据主题域示意图

其次是生鲜电商的概念数据模型视图，逻辑数据模型和物理数据模型视图就简单参考之前的IT系统的数据库表结构吧。下图中的概念数据模型的信息化系统，则来自于上上一篇文章《从应用架构看生鲜电商信息化建设》，集成关系有点多一张图放不下就放两张图了。

图2 生鲜电商概念数据模型视图一（含集成关系）

图3 生鲜电商概念数据模型视图二（含集成关系）

这个概念数据对象的集成关系图，包括思考和画图总共花了三个小时，检查了几遍，有些内容已经到了无法自查的地步，因此如果大家发现有违反数据里面第三范式的，请及时留言，助我更正。

将生鲜电商的企业架构串联的文章总计六篇，到此也就分享完了，相关阅读在末尾。

后面将介绍农业里面的一些有趣的模式，首先是昆明花卉市场的竞价模式。

这些特殊的我圈出来了（如图4所示）。数据集成很多内容和传统行业类似，毕竟特殊的逻辑数据模型有（画得时间匆忙，有违反第三范式的，请提示）：

• 竞价：农产品供应商的竞价体系探讨。这是一个有趣的例子。
• 收获：和农事管理系统的数据集成关系。
• 质量：包含供应商供货质量、采购质量、生产加工质量、退货质量要求、打冷质量等。

图4 生鲜电商特有的概念数据模型

三、数据分析的价值

对于生鲜电商而言，最有价值的几个数据分析点如下。

对于生鲜电商而言，数据分析的价值如下纬度，很多纬度其实内部还是有重叠的，并不是单一的互斥关系。