对于刷卡消费类的数据分析，如果能够拿到所有人的信用卡消费数据(一个人可能有多张信用卡)，那么拿到这些信用卡消费数据应该如何展开分析。
对于用户消费行为分析谈的比较多的思路仍然是需要首先搞清楚分析的目标，然后再根据目标的分析去采集和处理需要的数据信息。即数据分析本身是KPI驱动的，那么如果从最原始的数据明细入手，应该如何进行展开和数据维度的拓展?
对于有信用卡的人，我们收到的信用卡账单，往往有最简单的消费明细数据，如下：
消费清单(持有卡人卡号，姓名，消费商家，消费时间，消费金额)
可以看到这个消费明细数据本身是相对简单的，如果不结合其它的数据维度，往往单纯的去做统计分析并不会产生太多的意义。任何数据分析都需要结合对原始数据的维度拓展上，维度拓展后整个数据模型会更加丰富，则可以产生多维度的分析和数据聚合。
从上面的消费详细清单数据，简单来看可以进行如下扩展
人员信息(人员姓名，身份证号，年龄，姓名，职业类型，居住地址，家庭信息)
商家信息(商家名称，商家地址，商家经营类型)
有了人员信息就有第一层拓展，即我们对数据的聚合可以基于人员的属性维度，即我们拿到的消费明细数据，可以按照消费者性别，年龄段，职业类型等进行聚合。对于人员的识别唯一码不是姓名，而是人员的身份证号码，即通过身份证号码我们可以对一人多张信用卡的消费数据进行聚合。
有了商家信息，课课家可以根据商家的经营类型对不同类型的消费数据进行聚合。同时可以看到，对于商家详细地址信息本身是无法进行聚合的。那就要考虑在主体对象的属性中的单个属性本身的层次扩展，即地址信息我们可以进行扩展，即城市-》区-》区域-》消费区域-》商圈-》大商场-》具体地址。
如果地址有了这个扩展，就可以看到最终的消费数据可以做到按消费区域进行聚合，我们可以分析某一个商圈或商场的消费汇总数据，而这个数据本身则是从原始消费明细数据中进行模型扩展出来的。
要做到这个事情可以看到，任何动态的消费明细数据，必须要配合大量的基础主数据，这些基础主数据可能有表格结构也可能是维度结构，这些数据必须要整理出来并关联映射上详细的消费明细数据。这样，最终的消费数据才容易进行多维度的分析，基于维度的聚合。
消费时间本身也是重要的维度，通过时间我们可以根据时间段进行数据汇总，同时时间本身可以按年，按季度，按月逐层展开，也是一种可以层次化展开的结构。同时还可以注意到时间本身还可以进行消费频度的分析，即某一个时间段里面的刷卡次数数据，根据消费频度可以反推到某一个区域本身在某些时间段的热度信息。
如果仅仅是信用卡的刷卡消费清单数据，我们比较难以定位到具体的商品SKU信息上，如果是一个大型超市，则对于详细的用户消费购买数据，还可以明细到具体的商品上，则商品本身的维度属性展开又是可以进行数据拓展分析和聚合的内容。
数据本身可能具备相关性，刷卡消费的数据往往可以和其它数据直接发生相关性，比如一个地区本身的大事件，一个区域举办的营销活动，我们从交通部门获取到的某个区域的交通流量数据。这些都可能和最终的消费数据发生某种意义上的相关性。
如果仅仅是从刷卡数据本身，前面谈到可以根据商户定位到商家的经营范围，究竟是餐饮类的还是卖衣服类的。那么根据不同的经营类型可以分别统计刷卡消费数据，然后我们就可以分析，对于餐饮类的消费金额增加的时候服装类的消费是否会增加，即餐饮商家究竟对一个商场的其它用品的销售有无带动作用等?
对于人员同样的道理，可以分析不同年龄段的人员的消费数据之间是否存在一定的相关性?这些相关性究竟存在于哪些类型的商品销售上等。这些分析将方便我们制定更加有效的针对性营销策略。
