用户投稿：浅谈“指标”的含义

丨导语丨

我们都知道，数据可视化，直接对接的是数据，准确来说应该是加工好的指标数据。本文，我将结合之前的工作场景分享有关我是如何理解“指标”这个话题。

指标的定义

用一句话概括就是：用来准确描述某个业务场景的一个值。以下是各大百科的总结，供大家参考👇

指标（统计学）

指标是说明总体数量特征的概念及其数值的综合，故又称为综合指标。在实际的统计工作和统计理论研究中，往往直接将说明总体数量特征的概念称为指标。

指标（汉字）

指标的意思是衡量目标的参数；预期中打算达到的指数、规格、标准，一般用数据表示。出自郭沫若《天地玄黄·鲁迅和我们同在》。

注：还有一些数据和编程的指标定义和本文指标关系不大故不一一列出。

由此可见，指标是以概括某个事实场景数值的表现，所以可视化对接的是指标，展示的也是指标。

指标怎么展示？

说完了定义，接下来就是怎么使用。先拿一张做好的报表仔细观察一下，可以初步发现一些规律：

1、指标的值在Y轴中（图例）

2、维度的值在X轴中

再观察细节会发现：拖拽模式-明细中拖拽字符串类型的字段，会提示：字符串型字段不可作为指标

这是什么原因呢？

我们首先思考下拖拽模式功能的定位：是为了快速拖拽生成报表，那么检验就会严格一些。那么校验的标准是什么？这里又回到指标+维度的含义，这里限制了指标必须是数字，维度无限制。所以会提示下图红框中的信息，因为字符串是不可控的，有可能值不一定是数字，导致读不到数值，但是数字型是一定没有问题的。

所以，只要保障指标是数字，就能正常展示。

关于指标和维度概念的理解

指标：一般通过对某个字段的某种计算得到（比如求和、均值等）。

维度：简单来说维度可以理解为我们看问题的角度。这个思考的角度转化为表中的字段来代表维度（比如按照时间，地区，年龄）。

DataTalk中指标展示的小技巧：

1、设置的维度默认左对齐，指标默认右对齐

2、立即分析，存在无法点击的情况？这时候我们需要观察维度+指标是否符合数量要求。

那么为什么每个图表维度、指标数量会不一样呢？因为不同图表在展示形式上会有不同。下面为大家整理了每个图表所需要的维度数量。

关于指标的分类

指标主要分为三类：

原子指标（聚合）

派生指标（筛选）

事务指标：对业务活动进行衡量的指标，一般会对应一个事件。例如消费了多少钱，存了多少钱，是一个动作的表现。

存量指标：对实体对象（如房子、车子）某些状态的统计。例如房子大小、车子数量，这类指标需维护原子指标及修饰词，在此基础上创建派生指标，对应的时间周期一般为“历史截至当前某时间”。例如：最近30天车子数量。

复合指标（逻辑计算）：在事务型指标和存量型指标的基础上复合而成。

指标分类示例，通过简单SQL的方式，再体现下会更直观：

指标如何去开发？

其实开发对于可视化展示来说并没有那么重要，我们主要关注最终呈现的维度下的指标结果。

简单来说：

1、指标作为应用层展示，自然前面就还有好几层，也就是数仓的分层。

2、我们把它分为三层：贴源层（最原始的数据，没有任何加工）、整合层（从贴源层数据和已经加工好的整合层数据进行加工）、汇总层（整合层的数据再加工）。

3、汇总层的数据其实就可以算是加工好的指标数据了，只是有时会分得更细，所以会再加工形成指标应用层等。

指标加工流程：（数仓模型加工好的情况下，可根据需求灵活变化）

1.业务提出需求：算最近1年的存款年日均余额；

2.ETL开发拿到需求和业务确认数据口径，开始写SQL代码；

3.加工成原子指标按照维度建立一张大宽表放在应用层，需要落地；

4.通过大宽表再进行实际指标的SQL编写，一般不需要落地；

5.根据业务提供的真实数据进行核对，如果真实数据不完整，需要校验核心指标即可；

6.业务核对无误后，数据加工完成，可以供报表使用了。

再详细一些就涉及到数仓的建模了，毕竟最上层的需求需要底层的支持，就和盖楼房一样。下面是为大家整理的关于数仓流程的示意图，供参考。

概念资料库

数据域：指面向业务分析，将业务过程或者维度进行抽象的集合。

业务过程：指企业的业务活动中的事件。

时间周期：用来明确数据统计的时间范围或者时间点，如近30天、截至当前。

修饰类型：对修饰词的一种抽象划分。

修饰词：指除统计维度外指标的业务场景限定抽象。抽象词隶属于一种抽象类型，如访问终端类型下的PC、安卓、苹果。

度量/原子指标：具有明确含义的业务名词。如：支付金额。

维度：维度是度量的环境，用来反映业务的一类属性，这类属性的集合称为一个维度，也可以称为实体对象，如地理维度、时间维度。

维度属性：对维度的描述，隶属于一个维度。如：地理维度下的国家、省份。

派生指标：原子指标+多个修饰词(可选)+时间周期。明确原子指标、修饰词、时间周期和派生指标的定义。

指标体系搭建流程也是OneData的设计思想，推荐《大数据之路》这本书，有很好的解释。这里大脑当中有个流程即可：

资料库摘自：

《大数据之路》中的onedata设计思想

希望这篇文章让你对指标有进一步的认识！