From 94fd3ac72879d7881102c9e4db5f10326a3e95ce Mon Sep 17 00:00:00 2001 From: Jun Zhang Date: Thu, 7 Sep 2023 17:01:45 +0800 Subject: [PATCH] =?UTF-8?q?Updated=20=E8=B6=85=E9=9F=B3=E6=95=B0=E8=AE=BE?= =?UTF-8?q?=E8=AE=A1=E6=80=9D=E8=B7=AF=20(markdown)?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit --- 超音数设计思路.md | 7 ++++++- 1 file changed, 6 insertions(+), 1 deletion(-) diff --git a/超音数设计思路.md b/超音数设计思路.md index f172f2c..fa2208e 100644 --- a/超音数设计思路.md +++ b/超音数设计思路.md @@ -24,7 +24,12 @@ ### 引入Semantic Layer -当AI领域的LLM满级输出吸走大部份聚光灯的时候，BI领域也有一位召唤师在猥琐发育——它就是Semantic Layer（另一种常见叫法是Metric Store）。 +当AI领域的LLM满级输出吸走大部份聚光灯的时候，BI领域也有一位召唤师在猥琐发育——它就是Semantic Layer（另一种常见叫法是Metric Store）。所以它的核心价值是什么？我们可以用两个拟人化的角色来类比： + +- **翻译官**：将技术名词（表/字段）翻译成业务术语（维度/指标/标签），便于业务用户理解。 +- **大管家**：将技术口径（关联关系/运算公式）统一化、精细化地管理起来，便于查帐比对，消除口径混乱。 + +两类角色的存在都可以提升数据服务质量，增强业务对数据的理解和信任。而随着企业内数据规模和使用场景的不断扩展，对于数据的组织能力和传播能力越来越成为数据驱动落地的关键因素（这似乎跟企业本身的发展是一个道理），所以semantic layer得到越来越多的关注与认可。 ### 引入Schema Mapper