《构建企业级好数据（Dataphin智能数据建设与治理白皮书）》——二、Dataphin 演进之路：产品大图及核心功能详解——（二）研发：集成、建模、发布、运维（2） https://developer.aliyun.com/article/1229664?groupCode=dataphin
4) 属性与约束
在概念建模中，创建好实体，配置好实体间的关系，整个业务的大图就已经清晰的落地到数据中台。但是不同实体除了名字不同，关系不一样之外，还有哪些区别呢？
例如，用户和会员有什么区别，这就是逻辑建模要来解决的问题。逻辑建模的核心工作是梳理实体的特征，即给实体添加属性，并明确属性的业务约束，一个实体有很多属性（也叫特征），这些属性可以用于区分实体。
属性按照类型，可以分为：
• 标识属性，即实体的某个具体实例的唯一标识。实体是一个抽象概念，实体实例是具体事物。比如，商品鞋是一个实体。一双 36 码、白色、编码为 6901234的鞋就是一个实例。一个实体可以有多个标识属性，如商品 ID、商品编码。
• 关联实体属性，实体的某个属性本身可能也是一个实体。比如，商品的卖家（货主）属性，卖家是一个独立的实体。
• 描述属性，表述实体某一个维度的特征的一般属性，实体中的定性属性，一般是文本字符类型，如名称。
• 度量属性，某个维度数量程度的属性，定量属性。一般是数值类型，如金额、价格。
• 时间属性，描述实体某个行为的时间。
根据实体的类型（业务对象或业务活动），每个实体都有一些必须有的属性，即关键属性：
• 业务对象至少有一个标识属性，根据业务可以添加其他关键属性。
• 业务活动必须有一个关联实体属性来标识活动的主体（发起人，比如订单活动中的买家），一个或多个时间属性来明确活动时间。
实体丰富了属性之后还不能完全反映业务现实，还需要给属性加上一些约束规则：
• 取值规则，约束属性的取值范围，即约束实体实例中该属性的具体内容的有效性。
• 枚举值，如鞋子颜色只有黑色和白色两个。
• 取值范围，如年龄一般是 0~150。
• 唯一性，除标识属性外，其他属性也可能有唯一性要求。
• 非空性，不允许该属性出现空值。
• 其他。
实例化
定义好逻辑模型后，映射数据到模型的过程就是模型的实例化，浅白的说就是将物理的数据映射到逻辑模型。实例化的数据来源是 ODS 数据，少数情形下，ODS 数据需要做一些额外处理，将其按照一定的规则注册挂载到逻辑模型。Dataphin 将根据映射自动生成计算代码和周期调度任务，并基于属性约束生成数据质量校验规则。到这一步，就完成了逻辑模型的构建。
5) 分析模型
逻辑模型构建后之后，基于逻辑模型可以构建分析模型，即下图中的业务分析模型。
分析模型的目标是快速生成业务分析中的指标，称为派生指标，且保障这些指标的可靠性和可维护性。最终使用的指标拆解为四个基本组成部分：
• 统计周期
• 原子指标
• 业务限定
• 统计粒度
以上描述可能还是让人无法准确明白分析模型是什么，可以参照下图，从传统 SQL视角来理解：
分析建模的步骤是，统计周期设置->原子指标/业务限定配置->派生指标配置，所有配置完成后，系统将自动生成计算代码和周期调度任务。
Dataphin 通过规范化、模块化的低代码配置式研发，有效的保证了模型与代码的一致性。
《构建企业级好数据（Dataphin智能数据建设与治理白皮书）》——二、Dataphin 演进之路：产品大图及核心功能详解——（二）研发：集成、建模、发布、运维（4） https://developer.aliyun.com/article/1229661?groupCode=dataphin
