|
|
在向数据剖析师提需要时，你是不是只会用“字段”这个词，来指代一切的维度和目标呢？其实，数据的维度和目标是十分首要的，当你理清正确的维度和目标时，你的问题便曾经解决了一大半。如何正确了解维度和目标呢？一同来看一下吧。
请不要用“字段”，覆盖本人对维度和目标的一知半解。
刚刚任务那会，我在鹅厂从事广告变现相干任务。在向数据剖析师提需要的时分，我只会用“字段”这个词，来指代一切的维度和目标。得多时分，数据剖析师同窗会向我耐烦解释，为何这个“字段”不克不及被计算，阿谁字段没有方法掏出来。
直到我起初零碎学习了数据剖析、数据仓库相干的常识，理解了维度、目标、OLAP、上卷和下钻这些根本概念之后，才发现我现在的需要文档问题有多大，而这也是我写下这篇文章的缘故——避坑。
01 为何要搞分明维度和目标？
最间接的，了解了维度和目标之后，再跟BI和RD提需要，能防止被当作一个数据呆子，体现本人的专业性（最少看起来）。
其次，了解维度和目标的条件，是理解业务逻辑和数据出产逻辑。
以往咱们是从用户流程、组织层级等视角了解咱们的业务，然而无妨从数据逻辑视角试试：数据是在哪一个主体上，在甚么场景下，以甚么样的形式被出产和记载的？数据是怎么被加工和呈现的？为何需求这么呈现？这个目标假如跌了，对业务有指向意义吗？
当你问这些问题的时分，你会发现你不只要知道产品的设计逻辑、各个模块的功用点，还要知道它们的耦合和组织形式。这些都会驱动你去问共事、查wiki、本人上手体验。置信我，这样全套流程走上去，你对业务和产品一定会有更深化的了解。
再次，理分明维度和目标，能帮咱们肯定剖析的思绪。
业务目标降落了，咱们要做定位和剖析；要写PRD了，咱们要做功用点的收益预估——置信你一定为数据抓耳挠腮过。
那末咱们到底应该从宏大的数据库中，拔取哪些“字段”来辅佐剖析呢？高效的形式之一——在对业务了解根底上提出假定，而后把假定翻译成维度和目标，不然咱们只会堕入在宏大的数据细节中而无从下手。
所以，当你理分明正确的维度和目标的时分，你的问题曾经解决了一大半。
02 从事情的视角，意识维度和目标
网上引见维度、目标及其差别的文章得多，能够作为根底概念辅佐初识维度和目标。
我但愿从“事情”的视角，带你从新意识这两个名词。
做过App/网页前端埋点的同窗，置信对“事情”（event）这个词一定不会生疏，它指的是某个特定行动的产生，如某个按钮的暴光、点击，这些均可以称作事情。
这里，咱们将事情的含意泛化一下，不局限在某个详细行动上，也不要拘泥外行为埋点范畴中，而是将其扩展到一切的构造化数据表上。
每一个张数据表，都是环抱一个特定事情进行创立的。而事情的产生，必定有其主体，即登程事情产生的人/物/事。
维度，是对事情产生主体属性的增补形容，或者伴有主体而存在的，除了事情产生的时间，它个别是动态存在的，不依赖于事情的产生。
目标，则是对事情开展水平的量化形容；一个目标，通常形容主体的其中一种形态。它依赖于事情的产生，是一个静态变动的数值。
假如感觉笼统，咱们来看个例子。
作为产品经理，咱们需求关注的一个首要目标是“次留”，即明天关上App的用户，有多少比例会在第2天，持续关上咱们的App：回访在这里就构成为了一个事情，而事情产生的主体是用户。
假如要细拆留存，能够分拆的维度有：性别、春秋、机型、新/老用户、地区、来源渠道、是不是在App内领取过，等等。这些维度，自身是附丽于用户这个主体而存在的，它其实不依赖于回访的产生。所以，它是一个动态的属性形容，其实不会由于事情是不是产生，而产生变动。
然而目标不是。次留跟着会跟着你视察的时间、视察的群体而产生变动。
03 维度的4个作用
1）筛选：咱们个别经过维度来筛选所视察的数据规模。
假如是定性的分类维度，那末经过枚举能够筛选，典型的定性维度如年份、省分等；假如是定量的维度，那末能够像目标同样，根据数值大小取一个规模便可，如身高。
2）聚合：艰深地来讲，即咱们但愿在多大粒度上剖析数据。
好比你要统计广告损耗，那末是在创意粒度上看，仍是将创意粒度损耗数据加总，并上卷到方案粒度剖析损耗呢？假如你以前写过SQL，那末确定知道在对目标进行sum（乞降）、avg（求均匀）之后，要在脚本最初参加group by XX，也就是你但愿聚合到的维度。
然而需求留意的是，你在进行聚合的时分，一定要确认计算的目标，是能够在该维度上可分和可计算的，不然你算出来的数据确定是过错的，这个会在前面会胪陈。
3）比较：数据只要在比较的时分才无意义。
咱们发现数据下跌、上涨、颠簸，是由于咱们知道正常的数据应该是多少，超过这个规模的数据都是异样的，才会需求进一步对比和剖析。咱们在比较数据的时分，通常会选择某一个维度，而后在该维度下进行比较。不在同一个维度上，比较2个一样目标，在业务中没有任何意义。
假定咱们要比较每一个个机型的留存，必需是在同一个维度（机型）的下钻和对比，这通常称为横向比较。
另外一种比较，则是以时间为维度的纵向比较。咱们看DAU、留存这些目标，到底是涨了仍是跌了，通常都是视察一段时间的目标变动；环比、同比这些，则是基于不同时间窗口维度，对目标的二次加工和计算。
4）归因：这里的归因，指的是对数据颠簸的解释，而不是数字广告畛域的归因模型（attribution model）。
当咱们经过同维度的比较，发现数据异样颠簸时，通常咱们需求对颠簸的缘故进行定位和解释。而终究的排查后果，必定会定位到某个维度上，或者维度的某个值（枚举）上。
咱们发现昨日的定单数，日环比（相对于于前天）跌了30%，假如排除掉经营流动完结带来的正常上涨，而是一个异样的降落，咱们必需找到可能的缘故。
咱们通常会逐一维度剖析。好比看品类：是衣服跌的多，仍是鞋子跌的多，仍是总体都在跌；看时间，定单数量是不是在某个时间段跌的多（是不是某个时间段办事器崩了）；看买卖形式（是不是某个领取形式出了问题）、看App版本（是不是某个版本有bug）……
对于数据颠簸的归因，后续会再独自用一章的篇幅，来重点讲。
04 目标在维度上是不是可分和可聚合
咱们拿到一份数据，先不要急着上手剖析，而是要弄分明维度与目标的瓜葛。这里的“瓜葛”咱们依然分两层来了解。
第一层：目标所反应的事实，能够在所选维度上产生、被统计；换句话说，目标所反应的被统计的事实，在业务场景中是实在存在的。
好比咱们在数字广告场景中，权衡一条创意好坏的目标是CTR（点击率，Click Through Rate）= 同时代点击次数/该广告暴光次数。咱们能够对比不同创意、不同方案之间的CTR，然而不会对比不同广告落地页之间的CTR。
由于广告落地页是用户点击完广告之后关上的页面，外显广告点击行动其实不在落地页这个主体上产生。只管比较之下，不同落地页的CTR之间确定略有差别，然而落地页并非形成CTR差别的缘故，这类横向比较并没有实际意义。
另外一个案例中，目标的确在这个维度上产生，但通常状况下其实不能被计算。
咱们常常看的一个目标是UV（独立访客数），假如在device_id（装备ID）维度上看UV，个别没太大实际意义，由于通常状况下，一个装备ID上只要1个UV，即UV和装备ID等价（除非某些业务如反做弊场景下，需求剖析1个装备登录了几个账号）。
第二层：计算时，目标在一切参预计算维度上可联系、可加总。
假如咱们把维度，想象成一把梳子，把目标想象成一缕头发。当梳子通过头发的时分，头发能被梳齿，分红N块更细的发束（联系），且头发的数量并无产生改动；当拿掉这把梳子的时分，这些发束又聚合在一同（加总），恢复成原来的模样。
仍是以UV举例。咱们通常需求看DAU日活和WAU周活2个目标。DAU统计对比简略，看天天有多少用户数关上了App。WAU是对过来一周的访客数的去重计数，若1个用户在周一和周三都关上了App，在WAU的计算中，这个用户只会被计算一次，然而在日活的口径中，周一和周三会被分别统计一次。
假如咱们拿到的是以周为维度、周活为目标的一张表，假定咱们想要剖析过来一周天天的UV，那末显然不克不及间接用周活进行计算，即WAU在日期维度上不成联系。反之，周一到周日天天的DAU，加总起来也不是周活，也就是说DAU在周维度上不成加总。
特别要留意的是，一些复合目标在总体上无意义，也能在一些维度层级上被联系和被计算，然而不克不及被有限联系。
咱们通常会看创意、（上卷一层到）方案、（再上卷一层到）账户维度的CTR，然而咱们通常不会去计算单个用户粒度的CTR。由于假定每个用户只会看见1次广告，对这条广告点击行动只要“是”或者“否”两种状况，CTR要末是0，要末是1，这类极端值，其实不能反应一条广告品质的好坏。
05 维度和目标可调换
咱们关于维度和目标的了解，一定要在详细业务场景下深化剖析。并非某些字段一定是维度，某些字段一定是目标；维度和目标的界定，一定要按照详细业务场景，以及在该业务场景下的数据出产逻辑。
正如上文所说的那样，就像“薛定谔的猫”同样，它取决于你对这次事情的主体、性质等的视察。
假如单看“体重”这个字段，你感觉它应该是维度，仍是目标呢？
我以为要看“体重”所在的场景。
假如你是一个体育教师，当初要经过体重、降低、BMI、肺活量等这些字段的数值，给每一个个先生的安康情况打分，体重在这里就是一个要被计算的目标。
反之，假定咱们要看体重跟薪资支出、寿命的瓜葛，则体重作为维度更为合适。
另外，经过二次计算，维度和目标也能够调换，即原来是维度的字段，能够变为目标；反之，目标经过设置区间能够变为维度。
仍是以上文提到的广告损耗为例。咱们拿到的数据是方案ID（维度）、损耗（目标）；然而假如咱们想看，损耗在5万及以上、3-5万（不含5万）、1-3万（不含3万）和不到1万的方案数有多少，那末就需求把目标变为一个分类维度，而后对方案ID去重计数——方案数成为了目标。
总之，对维度和目标引见文章看的再多，也不如本人亲手理论。你能够找公司的数仓或者BI同窗，要1张数据底表的字段明细，尝试本人剖析，好比看目标是不是能够在维度上可联系、可加总，哪些维度能够筛选、聚合。
本文由 @简写2019 原创公布于人人都是产品经理。未经许可，阻止转载
题图来自Unsplash，基于CC0协定
该文观念仅代表作者自己，人人都是产品经理平台仅提供信息存储空间办事。 |
|
注册会员