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，我们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。