在進行維度建模時，要盡量將最詳細的數據記錄在數據倉庫中，以保證完整記錄業務的事實，以便將來面對不同的分析需求時，對數據進行進壹步的處理和利用。但是在商業智能項目中，往往需要更高粒度的數據，然後維度模型的粒度就會提高。在滿足業務需求的前提下提高粒度來提高效率就不討論了。
1.提高關註度和維度水平。
在傳統的BI應用中，決策分析層的數據粒度往往大於業務運營層的數據粒度。比如DW中的財務模型，通常記錄的是分錄的級別(憑證下面)，但分析往往關註的是會計科目、賬戶，甚至指標、比率的級別，時間上壹般是月度。
2.縮小關註角度，降低維度。
數據倉庫中的詳細數據需要記錄業務事實的所有方面。例如，DW庫存模型需要為退貨操作記錄退貨訂單號、商品、倉庫位置、庫管員、退貨開始時間、退貨結束時間、退貨店鋪、客戶、退貨數量等事實，而銷售部門需要在退貨的分析模型中省略訂單號、位置、庫管員、開始和結束時間的詳細信息(庫管員在分析退貨效率時需要這些數據)。再比如財務模型的會計和出納信息，這些信息在財務分析模型中壹般會被忽略。
3.合並關註對象，提取公共* * *指標。
由於可記錄的事實不同，不同業務單元的業務數據無法在DW詳細粒度級別合並到壹個模型中。例如，即使在壹個集中管理的集團企業中，由於地域或板塊原因，不同下屬公司的財務和業務也無法在財務核算和業務明細層面進行逐級分析，只能提取壹些有代表性的業績指標(公共* * *指標)進行事業部之間的橫向比較。企業同時經營實體店和網店等銷售渠道不同時，也會面臨這種情況。
4.合並相關流程，提取公共維度。
DW數據模型在細節層面是按照業務單元劃分的，但在某些分析中是跨業務的，尤其是性能分析。比如服裝行業(尤其是快時尚品牌)的買手分析模型，需要對買手負責的商品，從購買或設計，到入庫、銷售、入庫、退貨等全生命周期進行跟蹤分析。，直到將其從貨架上移除。在產品生命周期分析模型中，只能保留公共維度，而忽略了各個環節的個性維度。
5.附加指標約束，提升維度級別或降低維度。
不同來源的數據往往具有不同的粒度，分別存儲在DW數據模型中，集成在分析模型中。比如預算數據的維度遠小於業務發生數據的維度，很多預算指標並不對應原來的業務指標，而是對應計算指標。再比如，市場分析模型中常用的競爭對手數據和市場份額數據，在維度上(比如公司自身渠道、部門、人員等維度)要少得多。需要忽略)和粒度更大(比如地域、時間、商品等維度。只達到城市、月份、品牌等層面。).