中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

在向數據分析師提需求時，你是否只會用“字段”這個詞，來指代所有的維度和指標呢？其實，數據的維度和指標是非常重要的，當你理清正確的維度和指標時，你的問題便已經解決了一大半。如何正確理解維度和指標呢？一起來看一下吧。

請不要用“字段”，掩蓋自己對維度和指標的一知半解。

剛剛工作那會，我在鵝廠從事廣告變現相關工作。在向數據分析師提需求的時候，我只會用“字段”這個詞，來指代所有的維度和指標。很多時候，數據分析師同學會向我耐心解釋，為什么這個“字段”不能被計算，那個字段沒有辦法取出來。

直到我后來系統學習了數據分析、數據倉庫相關的知識，了解了維度、指標、OLAP、上卷和下鉆這些基本概念之后，才發現我當初的需求文檔問題有多大，而這也是我寫下這篇文章的原因——避坑。

01 為什么要搞清楚維度和指標？

最直接的，理解了維度和指標之后，再跟BI和RD提需求，能避免被當做一個數據白癡，體現自己的專業性（至少看起來）。

其次，理解維度和指標的前提，是了解業務邏輯和數據生產邏輯。

以往我們是從用戶流程、組織層級等視角理解我們的業務，但是不妨從數據邏輯視角試試：數據是在哪個主體上，在什么場景下，以什么樣的方式被生產和記錄的？數據是怎么被加工和呈現的？為什么需要這么呈現？這個指標如果跌了，對業務有指向意義嗎？

當你問這些問題的時候，你會發現你不僅要知道產品的設計邏輯、各個模塊的功能點，還要知道它們的耦合和組織方式。這些都會驅動你去問同事、查wiki、自己上手體驗。相信我，這樣全套流程走下來，你對業務和產品一定會有更深入的理解。

再次，理清楚維度和指標，能幫我們確定分析的思路。

業務指標下降了，我們要做定位和分析；要寫PRD了，我們要做功能點的收益預估——相信你一定為數據抓耳撓腮過。

那么我們究竟應該從龐大的數據庫中，選取哪些“字段”來輔助分析呢？高效的方式之一——在對業務理解基礎上提出假設，然后把假設翻譯成維度和指標，否則我們只會陷入在龐大的數據細節中而無從下手。

所以，當你理清楚正確的維度和指標的時候，你的問題已經解決了一大半。

02 從事件的視角，認識維度和指標

網上介紹維度、指標及其差異的文章很多，可以作為基礎概念輔助初識維度和指標。

我希望從“事件”的視角，帶你重新認識這兩個名詞。

做過App/網頁前端埋點的同學，相信對“事件”（event）這個詞一定不會陌生，它指的是某個特定行為的發生，如某個按鈕的曝光、點擊，這些都可以稱作事件。

這里，我們將事件的含義泛化一下，不局限在某個具體行為上，也不要拘泥在行為埋點范疇中，而是將其擴展到所有的結構化數據表上。

每一張數據表，都是圍繞一個特定事件進行創建的。而事件的發生，必然有其主體，即出發事件發生的人/物/事。

維度，是對事件發生主體屬性的補充描述，或者伴隨主體而存在的，除了事件發生的時間，它一般是靜態存在的，不依賴于事件的發生。

指標，則是對事件發展程度的量化描述；一個指標，通常描述主體的其中一種狀態。它依賴于事件的發生，是一個動態變化的數值。

如果覺得抽象，我們來看個例子。

作為產品經理，我們需要關注的一個重要指標是“次留”，即今天打開App的用戶，有多少比例會在第2天，繼續打開我們的App：回訪在這里就構成了一個事件，而事件發生的主體是用戶。

如果要細拆留存，可以分拆的維度有：性別、年齡、機型、新/老用戶、地域、來源渠道、是否在App內支付過，等等。這些維度，本身是依附于用戶這個主體而存在的，它并不依賴于回訪的發生。所以，它是一個靜態的屬性描述，并不會因為事件是否發生，而發生變化。

但是指標不是。次留隨著會隨著你觀察的時間、觀察的群體而發生變化。

03 維度的4個作用

1）篩選：我們一般通過維度來篩選所觀察的數據范圍。

如果是定性的分類維度，那么通過枚舉可以篩選，典型的定性維度如年份、省份等；如果是定量的維度，那么可以像指標一樣，按照數值大小取一個范圍即可，如身高。

2）聚合：通俗地來說，即我們希望在多大粒度上分析數據。

比如你要統計廣告消耗，那么是在創意粒度上看，還是將創意粒度消耗數據加總，并上卷到計劃粒度分析消耗呢？如果你之前寫過SQL，那么肯定知道在對指標進行sum（求和）、avg（求平均）之后，要在腳本最后加入group by XX，也就是你希望聚合到的維度。

但是需要注意的是，你在進行聚合的時候，一定要確認計算的指標，是可以在該維度上可分和可計算的，否則你算出來的數據肯定是錯誤的，這個會在后面會詳述。

3）對比：數據只有在對比的時候才有意義。

我們發現數據上漲、下跌、波動，是因為我們知道正常的數據應該是多少，超過這個范圍的數據都是異常的，才會需要進一步比較和分析。我們在對比數據的時候，通常會選擇某一個維度，然后在該維度下進行對比。不在同一個維度上，對比2個同樣指標，在業務中沒有任何意義。

假設我們要對比每一個機型的留存，必須是在同一個維度（機型）的下鉆和比較，這通常稱為橫向對比。

另一種對比，則是以時間為維度的縱向對比。我們看DAU、留存這些指標，究竟是漲了還是跌了，通常都是觀察一段時間的指標變化；環比、同比這些，則是基于不同時間窗口維度，對指標的二次加工和計算。

4）歸因：這里的歸因，指的是對數據波動的解釋，而不是數字廣告領域的歸因模型（attribution model）。

當我們通過同維度的對比，發現數據異常波動時，通常我們需要對波動的原因進行定位和解釋。而最終的排查結果，必然會定位到某個維度上，或者維度的某個值（枚舉）上。

我們發現昨日的訂單數，日環比（相對于前天）跌了30%，如果排除掉運營活動結束帶來的正常下跌，而是一個異常的下降，我們必須找到可能的原因。

我們通常會逐個維度分析。比如看品類：是衣服跌的多，還是鞋子跌的多，還是整體都在跌；看時間，訂單數量是否在某個時間段跌的多（是否某個時間段服務器崩了）；看交易方式（是否某個支付方式出了問題）、看App版本（是否某個版本有bug）……

關于數據波動的歸因，后續會再單獨用一章的篇幅，來重點講。

04 指標在維度上是否可分和可聚合

我們拿到一份數據，先不要急著上手分析，而是要弄清楚維度與指標的關系。這里的“關系”我們仍然分兩層來理解。

第一層：指標所反映的事實，可以在所選維度上發生、被統計；換句話說，指標所反映的被統計的事實，在業務場景中是真實存在的。

比如我們在數字廣告場景中，衡量一條創意好壞的指標是CTR（點擊率，Click Through Rate）= 同時期點擊次數/該廣告曝光次數。我們可以比較不同創意、不同計劃之間的CTR，但是不會比較不同廣告落地頁之間的CTR。

因為廣告落地頁是用戶點擊完廣告之后打開的頁面，外顯廣告點擊行為并不在落地頁這個主體上發生。盡管對比之下，不同落地頁的CTR之間肯定略有差異，但是落地頁并不是造成CTR差異的原因，這種橫向對比并無實際意義。

另一個案例中，指標確實在這個維度上發生，但通常情況下并不能被計算。

我們經常看的一個指標是UV（獨立訪客數），如果在device_id（設備ID）維度上看UV，一般沒太大實際意義，因為通常情況下，一個設備ID上只有1個UV，即UV和設備ID等價（除非某些業務如反作弊場景下，需要分析1個設備登錄了幾個賬號）。

第二層：計算時，指標在所有參與計算維度上可分割、可加總。

如果我們把維度，想象成一把梳子，把指標想象成一縷頭發。當梳子經過頭發的時候，頭發能被梳齒，分成N塊更細的發束（分割），且頭發的數量并沒有發生改變；當拿掉這把梳子的時候，這些發束又聚合在一起（加總），恢復成原來的樣子。

還是以UV舉例。我們通常需要看DAU日活和WAU周活2個指標。DAU統計比較簡單，看每天有多少用戶數打開了App。WAU是對過去一周的訪客數的去重計數，若1個用戶在周一和周三都打開了App，在WAU的計算中，這個用戶只會被計算一次，但是在日活的口徑中，周一和周三會被分別統計一次。

如果我們拿到的是以周為維度、周活為指標的一張表，假設我們想要分析過去一周每天的UV，那么顯然不能直接用周活進行計算，即WAU在日期維度上不可分割。反之，周一到周日每天的DAU，加總起來也不是周活，也就是說DAU在周維度上不可加總。

特別要注意的是，一些復合指標在整體上有意義，也能在一些維度層級上被分割和被計算，但是不能被無限分割。

我們通常會看創意、（上卷一層到）計劃、（再上卷一層到）賬戶維度的CTR，但是我們通常不會去計算單個用戶粒度的CTR。因為假設每個用戶只會看見1次廣告，對這條廣告點擊行為只有“是”或者“否”兩種情況，CTR要么是0，要么是1，這種極端值，并不能反映一條廣告質量的好壞。

05 維度和指標可互換

我們對于維度和指標的理解，一定要在具體業務場景下深入分析。并不是某些字段一定是維度，某些字段一定是指標；維度和指標的界定，一定要根據具體業務場景，以及在該業務場景下的數據生產邏輯。

正如上文所說的那樣，就像“薛定諤的貓”一樣，它取決于你對這次事件的主體、性質等的觀察。

如果單看“體重”這個字段，你覺得它應該是維度，還是指標呢？

我認為要看“體重”所在的場景。

如果你是一個體育老師，現在要通過體重、升高、BMI、肺活量等這些字段的數值，給每一個學生的健康狀況打分，體重在這里就是一個要被計算的指標。

反之，假設我們要看體重跟薪資收入、壽命的關系，則體重作為維度更加適合。

此外，通過二次計算，維度和指標也可以互換，即原來是維度的字段，可以變成指標；反之，指標通過設置區間可以變成維度。

還是以上文提到的廣告消耗為例。我們拿到的數據是計劃ID（維度）、消耗（指標）；但是如果我們想看，消耗在5萬及以上、3-5萬（不含5萬）、1-3萬（不含3萬）和不到1萬的計劃數有多少，那么就需要把指標變成一個分類維度，然后對計劃ID去重計數——計劃數成了指標。

總之，對維度和指標介紹文章看的再多，也不如自己親手實踐。你可以找公司的數倉或者BI同學，要1張數據底表的字段明細，嘗試自己分析，比如看指標是否可以在維度上可分割、可加總，哪些維度可以篩選、聚合。