數據分析裡的細分維度

上一篇內容裡，我們聊到了訪問級指標和事件級指標，通過指標我們可以瞭解我們產品上的事件觸發情況和頁面訪問情況，形成數據看板，我們在進行數據分析的時候，會通過維度進行細分，比如地區，設備，瀏覽器等，維度是什麼意思呢？

細分維度的能力要從數據倉庫和OLAP說起，簡單來說就是我們將數據按照多維的方式存儲，這樣就可以根據不同的視角來進行數據的抽取分析，從而指導決策，比如地域維，時間維等，有了維，可以對數據進行下鑽，上鑽，切片，切塊等操作，比如之前易觀方舟Argo社群裡，很多夥伴關注雪花，星等數據模型。

維度在分析領域是很常見的名詞，維度對於事件或者會話而言，指的是數據的屬性，比如某事件發生時候的城市維度，可以是北京，或者上海。某個觸發事件的設備維度，可以是蘋果，或者華為。

易觀方舟預定義維度：

這個圖表意味著，當易觀方舟得到你的產品數據後，不但可以根據產品的相關數據進行分析，我們可以通過這些維度進行數據的細分展示，同時細分維度還包括事件屬性和用戶屬性。

這個圖表的意思表達的是，過去7日，支付訂單詳情的觸發事件，根據城市劃分，每個城市的分佈情況，在進行數據分析的時候，我們有很大程度上都會用到細分維度，而細分維度也為我們清晰化展示數據提供了很大的便利。

拿電商行業來舉例維度的應用：

1、即將雙11，不同地區倉庫商品如何備貨？

數據分析策略是什麼樣的？首先要把過去90天的所有訂單的地區分佈找出來，包括查詢去年所有訂單在每個城市的分佈，這時候地域維度就很有意義，通過事件分析所有支付訂單，並且在細分維度上選擇地區即可。通過地域維度我們可以知道不同地區對我的商品的喜好程度，這點除了備貨可以應用到，在廣告投放的城市側重上，和千人千面的廣告設計上，都很有價值。

2、Abandonment Rate

例如，我們想知道Abandonment Rate，也就是購物車和支付放棄率，如果你在沒有用方舟的情況下，需要經過較複雜的數據抽取計算，但是在易觀方舟裡，可以通過直接選擇維度的方式來展示數據表現結果。

此時我們用到的是轉化漏斗分析，拿加入購物車到提交訂單的轉化率，通過瀏覽器分佈可以瞭解不同的瀏覽器的轉化率問題，可以通過下鑽瞭解不同的瀏覽器版本的兼容問題，方便我們定位。

對於Abandonment Rate還有很多算法，稍後在電商話題下專門討論。

總結：

維度貫穿在易觀方舟行為分析的每一個環節，通過維度的分析可以幫助我們更好的從不同視角洞察數據的不同狀態。