用途：把店铺、广告平台、承运商和会计系统的数据集中到一个分析层，回答单一平台自带分析无法解答的问题，如跨渠道 ROAS、自定义留存与归因、多销售渠道单一事实来源。适用信号：平台内置分析不够用（约 100 万美元 ARR 以上或多渠道时）、需要合并广告与订单数据、分析师需要 SQL 访问原始订单数据。
主要能力：选取并搭建仓库（BigQuery 成本推荐，免费额度为每月前 10GB 存储与 1TB 查询；Snowflake 适合时travel/数据共享/高并发；Redshift 适合已有 AWS 团队）；从 Shopify、WooCommerce、BigCommerce 等平台抽取数据（Fivetran、Stitch、Airbyte、原生导出或批量 JSONL、Polar Analytics、Metorik 等方案）；用 dbt 变换为 staging/intermediate/mart 三层模型；添加数据质量测试；连接 Looker Studio、Metabase、Tableau 等 BI 工具。
使用方式：创建 Google Cloud 项目并启用 BigQuery API，建立 ecommerce_raw 与 ecommerce_analytics 两个数据集；配置连接器同步订单、客户、产品等；安装 dbt：pip install dbt-bigquery（或 dbt-snowflake / dbt-redshift）；执行 dbt init ecommerce_analytics 并配置 ~/.dbt/profiles.yml；可用 dbt Shopify 包（packages.yml 中 fivetran/shopify 版本 >=0.10.0, <0.11.0，然后 dbt deps、dbt run）；按 staging 清洗、mart 业务表模式编写模型；在 schema YAML 中加 unique、not_null、accepted_range 等测试并运行 dbt test。
限制与注意：需自行准备仓库账号与连接器费用（Fivetran/Stitch 约 200–500 美元/月，文中所述）；需校验货币单位、折扣顺序和退税口径，做每日对账；产品历史价格需 SCD Type 2；ETL 中断需 on_schema_change: sync_all_columns 与 unique_key 保证幂等；大表需按日期分区并预聚合。资料未提供具体价格保证、效果数据或完整安装步骤之外的收费细节。