有了维度和度量的概念后，接着引入聚合概念

有了维度和度量的概念后，接着引入聚合概念。对于数据分析来说，往往关心的并不是最底层一行一行的的明细数据，更注重分析数据的角度，关心的是数据的总体特征。

聚合，简单讲就是数据源里的多行数据按照一定的标准计算成一个数据，不管数据集里有1行还是多行，视图里的数据都是聚合后的结果，一行数据也是要聚合的，当然一行数据聚合的结果是一样的。实际上，维度为数据聚合提供依据，而度量是依据维度聚合得到的结果。

配置了聚合计算的计算字段，将根据配置的维度自动进行聚合运算。

如：

• 求和：SUM([字段])
• 计数：COUNT([字段])
• 计数去重：COUNT(DISTINCT [字段])
• 求平均值：AVG([字

表述的业务含义为时间周围为2021.3.1 ~ 2021.3.15 范围内pc端的订单成功率为0.5。

计算过程：根据created_at=2021.3.1 ~ 2021.3.15 和device =pc ，SUM([总订单数])= 2，SUM([成功订单数])=1，SUM([成功订单数])/SUM([总订单数])=1/2=0.5。

Quick BI 提供电子表格和仪表盘两种可视化工具做以上分析。

电子表格

仪表盘：

通过可视化的图标去分析数据，找出机会点或者异常。

7. 数据应用

通过可视化的图表去分析数据，找出机会点或者异常。可以说，前面1、2、3、4 所有的工作都在为了第5部分数据应用上。

数据从用户中来，通过一系列的数据沉淀、处理和分析找出机会点做决策再回到用户中去，提升用户体验，带动业务增长，此即数据驱动业务。

8. 结语

本篇文章介绍了分析数据的数据框架拆解、数据处理加工过程。

但是海量数据怎么看，看哪些？度量指标应该怎么设计，度量指标中什么是业务的北极星指标等此文还没提到，在第三部分数据指标体系设计中讲解。

三、数据分析 | 数据指标体系设计

接着来讲数据分析的第三篇文章数据指标体系设计，是整个数据分析篇章中最核心的内容。

在第二篇文章中讲到，我把数据分为：用户数据、行为数据和业务数据，再往下又分了维度和度量两个概念。

尽管如此，维度也好，度量也罢，都会产生很多散落的数据，你并不知道数据与数据之间的关联性，也不知道众多数据中什么是最核心的，什么最能表示业务最终呈现效果或者哪个数据指标表示目标达到。

数据与数据之间的关联性或者相关逻辑性称作数据指标体系。指标体系指将零散单点的具有相互联系的指标，系统化的组织起来，通过单点看全局，通过全局解决单点的问题。

说白了就是找个框架把所有的数据以一定的逻辑性组装起来，框架也即数据模型。此篇文章针对用户数据、行为数据和业务数据分别给出代表性模型，用以各自领域的数据分析。

1. 用户数据之AARRR模型

提到用户本身，马上会想到经典的AARRR 模型，即获取用户（Acquisition）、提高活跃（Activation）、提高留存率（Retention）、获取营收（Revenue）和自传播（Referral）。

每个环节都有这个环节应该关注的指标，这些环节并不一定遵循严格的先后顺序。