数据分析工程技能指南：指标建模、数据质量与语义层构建（2026趋势）
data-analytics-engineering by vasilyu1983/ai-agents-public
安装命令
npx skills add https://github.com/vasilyu1983/ai-agents-public --skill data-analytics-engineering🇨🇳中文介绍
数据分析工程
范围
- 定义指标、粒度和维度模型。
- 构建转换层和语义模型。
- 实施数据质量测试和可观测性。
- 记录数据集、血缘关系和所有权。
- 使分析输出与 BI 和产品需求保持一致。
所需输入
- 业务指标和决策用例。
- 源系统、数据新鲜度和延迟需求。
- 现有的数据仓库、工具和编排系统。
- 预期的数据量和变更节奏。
- 治理要求和访问控制。
工作流程
- 定义指标字典和粒度。
- 设计暂存层、中间层和集市层。
- 使用清晰的键对维度和事实进行建模。
- 构建语义层和指标定义。
- 添加针对新鲜度、空值、范围和重复项的测试。
- 记录血缘关系、所有者和 SLA。
- 规划上线、回填和验证检查。
输出
- 指标字典和语义模型。
- 包含模式和粒度定义的数据模型。
- 转换计划以及 dbt 或 SQLMesh 结构。
- 数据质量测试套件和告警计划。
- 文档和所有权映射图。
质量检查
- 保持指标定义稳定且版本化。
- 将指标视为 API：记录变更、安全弃用并谨慎回填。
- 为核心表（模式、新鲜度、键）定义数据契约，以控制下游中断。
- 避免在单个模型中混合使用不同粒度。
- 确保测试覆盖关键的连接和聚合操作。
- 根据真实来源和历史基线进行验证。
模板
assets/metric-dictionary.md用于指标定义和所有者。- 用于实体、度量和维度。
广告位招租
在这里展示您的产品或服务
触达数万 AI 开发者，精准高效
