|
在上一篇《体系篇》中，我们为AIChat建立了"战略-业务-数据"三层指标体系，明确了"该回答什么"。现在，我们需要为AIChat构建一个能够理解和查询的底层数据模型，确保它能从纷繁的数据中找到正确答案。
数据模型：AIChat的"大脑 图谱"
数据模型不是简单的数据库表设计，而是业务逻辑的结构化表达。对于AIChat来说，数据模型决定了它：
 能否理解用户的业务问题
 能否找到正确的数据来源
 能否关联相关的业务场景
 能否输出准确的业务洞察
 证券数据模型的核心特征：
- 多维度分析：支持从机构、产品、时间、客户等多角度切入
- 实时与历史结合：既能查询当前资产，又能分析历史趋势
- 分层分主题：按业务场景组织，如客户资产、交易行为、投顾服务等
- 指标可追溯：每个指标都能追溯到具体的计算逻辑和业务口径
三步 构建证券数据模型
基于业务战略搭建数据模型，让AIChat“看得见、查得到、算得准”。
第一步： 业务场景抽象化
将高频业务问题归类为核心主题域，确保每个问题都有对应的数据支撑。
第二步： 维度-事实建模
这是模型的核心层，决定了AIChat能否正确解析问题并找到答案。
- 选择维度表（描述业务属性）
维度表是观察业务的“视角”，决定了我们可以从哪些角度分析数据。示例如下：
- 选择事实表（记录业务行为）
事实表是业务的“记录本”，存储了实际发生的业务数据。示例如下：
- 确定典型指标
将业务关注的核心指标明确化、公式化，方便AIChat直接调用计算。示例如下：
 第三步：关联关系显式化
明确表与表之间的关联路径，让AIChat知道如何“连接”数据，建立清晰的关联规则，示例如下：
客户问题 → 识别业务场景 → 选择事实表 → 关联维度表 → 生成SQL查询
实战案例 ：构建AIChat可查询的证券经纪业务主题模型
第一步：业务场景抽象化
将客户资产管理、投顾服务、交易行为三大核心业务场景转化为数据模型中的主题域：
第二步：维度-事实建模
1、选择维度表
- 客户维度：客户所属机构（营业部名称、分公司名称）、客户属性标签（风险评级、会员等级、客群偏好等）
- 产品维度：品种名称、产品分类名称、证券类型等。
- 日期维度：支持按年、季、月、日等多粒度分析。
2、选择事实表
- 客户资产事实表：记录账户类型、资产状态、交易市场等实时资产动态。
- 投顾签约事实表：跟踪签约金额、产品代码、支付方式等投顾服务数据。
- 资产交易费用分类明细表：涵盖交易金额、手续费、汇率等交易成本明细。
3、确认典型指标
资产规模、交易记录数、当日盈亏、峰值资产等。
第三步：表关联设置
模型能回答哪些问题
- 客户管理：高净值客户数、资产规模区间客户数、TOP10客户资产变化、客户持有产品类型及持仓
- 交易分析：不同投顾产品类型签约客户数、交易量下降的原因
- 产品运营：购买金额最多的TOP10产品、客户数量增长
- 时间趋势：高客数量走势、每个月签约客户数、客户数环比增长
总结 ：好模型让AIChat更懂业务
数据模型是AIChat理解业务、准确回答的基石。一个好的证券数据模型应该具备：
- 业务可解释性：每个表、每个字段都有清晰的业务含义
- 查询高效性：支持AIChat快速响应用户问题
- 扩展灵活性：能随着业务发展轻松增加新的分析维度
- 口径一致性：确保不同场景下相同指标的查询结果一致
当AIChat基于这样的数据模型运作时，它不再是简单的"问答机器"，而是真正理解业务逻辑、掌握数据脉络的" 智能分析师"。
任务领取——>《AIChat入门闯关计划》 - 第二关
下一篇预告：《04｜知识篇：构建证券AI知识图谱实现深度洞察》
在下一篇中，我们将深入探讨：
- 如何将数据模型升级为知识图谱？
- 如何通过图谱推理发现潜在业务机会？
如果你已经构建了基础数据模型，那么知识图谱将帮助你实现从"查询数据"到"发现洞察"的飞跃 。
历史回顾
《01｜背景篇：AIChat赋能证券业务：从数据困局到智能增长》
《02 | 体系篇：构建“战略-业务-数据”三层指标体系》 | 
