1. 数仓指标体系的基础概念
数据仓库指标体系就像盖房子时的设计图纸,它决定了我们如何观察和分析业务。想象一下,如果你要管理一家超市,你需要知道每天卖了多少商品(原子指标),哪些商品卖得最好(派生指标),以及顾客的复购情况如何(衍生指标)。这些指标就是你的"经营仪表盘"。
在电商场景中,最常见的原子指标包括:
- 支付金额:用户实际支付的金额总和
- 订单数量:成功提交的订单总数
- UV(独立访客):访问店铺的独立用户数
这些基础数据就像乐高积木的单个模块,我们可以通过不同方式组合它们。比如"APP端的支付金额"就是在"支付金额"这个原子指标上,加上了"APP端"这个修饰词形成的派生指标。我曾在一个跨境电商项目中,发现单纯看总支付金额会掩盖渠道差异,当拆分成"APP端支付金额"和"PC端支付金额"后,才真正发现了APP转化率偏低的问题。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 原子指标的深度解析
原子指标是数据世界的基本粒子,它们有三大特征:
- 业务不可拆分性:比如"支付金额"不能再拆分成更小的业务单元
- 计算确定性:必须有明确的数学定义,如"支付金额=Σ(订单单价×数量)"
- 维度无关性:它本身不绑定任何分析维度
在实际项目中定义原子指标时,我通常会问三个问题:
- 这个指标能否直接对应到具体的业务动作?
- 它的计算逻辑是否所有人都能达成共识?
- 是否能在不同分析场景下复用?
举个例子,电商场景的核心原子指标可以这样定义:
sql复制-- 支付金额的原子指标定义示例
CREATE ATOMIC_INDICATOR payment_amount
DEFINITION '已完成支付的订单金额总和'
FORMULA 'SUM(order_fact.payment_amount)'
FROM_TABLE 'order_fact'
WHERE 'order_fact.payment_status = "paid"';
常见的坑点包括:
- 把派生指标误当作原子指标(如"手机端支付金额")
- 指标口径不明确(是否包含退款?是否含优惠券?)
- 忽略指标单位(人民币还是美元?含税与否?)
3. 派生指标的构建方法
派生指标=原子指标+修饰词+统计周期。就像做菜时的配方组合,基础食材(原子指标)加
