bi-metric-observation

name	bi-metric-observation
description	获取并计算指标的基础观测数据，包括时间周期确定、指标聚合、衍生指标计算和维度交叉展示表构建。当需要对指标进行基础数据观测、获取当期值与变动幅度时调用。

bi-metric-observation

获取指标的原始数据并完成基础计算，构建指标的当期值、变动幅度和维度交叉展示表，为后续分析提供数据基础。常见场景：

• 指标分析：在分析流程中，对指标进行基础数据获取和计算
• 数据概览：快速了解指标当前水平与变动趋势

前置检查

开始前确认以下信息已明确：

• 分析条目明确，清楚本次要观测哪些指标
• 指标与角色已确定，知道每个指标是北极星、展示还是分布角色
• 关联维度已确定，知道北极星指标的归因拆解维度、展示指标的展示拆解维度
• 数据获取能力可用，有可以获取数据的工具或 API

若以上信息不完整，需先回到规划阶段补充，或向用户确认后再开始。

执行步骤

1：数据准备

根据分析目标获取指标的原始数据。数据文件至少包含以下列：

列	说明	示例
日期列	时间标识	日期
指标列	各指标值，每个指标一列	访问用户数
维度列	各维度值，每个维度一列	端类型

若上游步骤已产出可用数据文件则直接使用，否则自行取数。

2：确定分析时间周期

根据分析目标选择合适的分析时间区间：

分析目标	时间区间
日数据波动	当日 vs 上日
日数据波动（消除周末效应）	当日 vs 上周同日
周数据波动	本周 vs 上周
月数据波动	本月 vs 上月
年度趋势	当期 vs 上年同期
特定日期分析	指定日期前后日/周

确定时间区间后，获取该区间内所有指标的原始数据。

3：确定指标计算方式

根据指标类型和时间周期，判断该指标在对应周期下的聚合方式。通用规则：

• 累加型指标（如收入、订单量、新增用户数）：使用周期内聚合值（求和）
• 水平型指标（如日活跃用户数 DAU、活跃率、转化率）：使用周期内均值
• 用户规模型指标（如月活跃用户数 MAU、累计用户数）：使用周期末快照值（去重值或最后一天值）

4：计算衍生指标

根据分析场景计算合适的衍生指标，不需要全部计算：

衍生指标	适用场景
日环比	日数据，对比日数据波动
周同比	日数据，对比日数据波动，消除周末效应
周环比	周数据，对比周波动
月环比	月数据，对比月波动
年同比（日）	日数据，长期业务且有年度周期性波动时关注
年同比（月）	月数据，需要年度比较的业务（如 B 端收入）
年环比	年/财年数据，对比财年累计值，适用可累加指标（如年收入）
分布占比	量值指标在各维度下的分布拆解，展示核心观测指标时需加上分布占比

注意：计算衍生指标时，根据指标类型选择正确的变动表达方式，避免产生"百分比的百分比"等歧义：

指标类型	识别特征	变动表达	示例
量值指标	绝对数值，可直接累加	百分比增幅	DAU 增长 10%
率值指标	有分子/分母，数值为百分比	绝对值增幅 (pt)	留存率从 40% 到 42%，+2pt
加工指标	由其他指标计算得到，数量级小按率值，否则按量值	视业务场景而定	人均对话次数、客单价

5：构建维度交叉展示表

按展示维度聚合指标，构建"维度值 × 指标"交叉表。

构建规则：

• 每个展示维度构建一张交叉表
• 行：该维度的各维度值（含"全部"汇总行）
• 列：关联该维度的所有指标，每个指标包含当期值和衍生指标；分布角色的指标额外附加占比列

示例：展示维度为"端类型"，关联指标为访问用户数（分布）、对话渗透率（展示）、人均对话次数（展示），衍生指标为月环比：

端	访问用户数	月环比	访问用户数占比	对话渗透率	月环比	人均对话次数	月环比
全部	...	...	100%	...	...	...	...
web	...	...	...	...	...	...	...

6：汇总观测结果

将基础观测结果汇总输出，包含：

输出项	说明
分析时间周期	确定的当期和往期区间
指标当期值	各指标的当期聚合值
衍生指标	各指标的变动幅度（环比/同比/占比等）
维度交叉展示表	各展示维度的"维度值 × 指标"交叉表