指标
指标的概念
许多人经常会混淆指标与属性的概念，其实两者是完全不同的概念。
每次发放薪资的时候，都会有一个出勤天数的数据，很简单，这个数据表明本月出勤的天数，在这个描述中：
出勤为事件，表示劳动者劳动的过程；
工时为属性，表示劳动者每日的劳动时间，以天为单位的话，满足当日劳动时长即被计算为一个完整工作日。
天数为指标，表示劳动者当月出勤的实际天数。
在数据分析平台内，存在事件指标与属性指标两种类型的指标：
事件指标：例如App启动的总次数，支付订单的总次数等，主要结构由两部分构成，即事件+指标。
属性指标：例如App启动-省份-去重数，支付订单-订单金额-总和，主要结构由三部分构成，即事件+属性+指标。
属性的采集需要人为主动设计，比如我们想要知道用户的操作系统数据，那么在数据采集时我们需要在采集方案中设计$os这个属性用以采集操作系统相关数据。
指标不需要人为主动设计，其本身已经在数据分析平台中预置完成，具体的情况可以参考下方的表格：
事件指标
| 指标名 | 解释 | 示例 |
|---|---|---|
| 总次数 | 事件被触发次数的总和 | App启动-总次数 |
| 用户数 | 触发某个事件的用户数总和 | App启动-用户数 |
| 人均次数 | 触发某个事件的总次数/触发该事件的用户数 | App启动-人均次数 |
属性指标
为了便于理解，下面将使用示例数据来辅助解释属性指标，示例数据中涉及四种数据类型，分别是数值类型，字符串类型，布尔类型，日期时间类型，共7条数据。
| 用户ID | A | B | C | D | E | F | A |
|---|---|---|---|---|---|---|---|
| 商品类型 | 服饰 | 电子 | 母婴 | 虚拟 | 食品 | 家居 | 服饰 |
| 订单金额 | 100 | 120 | 150 | 80 | 60 | 20 | 200 |
| 是否促销 | 是 | 是 | 否 | 否 | 否 | 是 | 是 |
| 支付时间 | 2020.1.1 | 2020.1.2 | 2020.1.3 | 2020.1.4 | 2020.1.5 | 2020.1.6 | 2020.1.7 |
A.数值类型
- 总和
总和即为查询后得到的数据集中，该属性的数值总和。上方表格中，订单金额字段为数值类型，查询订单金额-总和这个指标时，计算过程即为：
100+120+150+80+60+20+200=730
- 均值
均值即为查询后得到的数据集中，该属性的数值总和除以数据条数。在上方表格中，计算订单金额-均值这个指标时，计算过程即为：
730/7=104.29
- 最大值
最大值为查询后得到的数据集中，该属性值中最大的一条数值。在上方表格中，计算订单金额-最大值这个指标时，得到的结果是：200。
- 最小值
与最大值对应，计算订单金额-最小值这个指标时，得到的结果是：20。
- 人均值
人均值与均值不同，人均值为查询得到的数据集中，该属性的数值总和除以用户数。在上方表格中，用户数为7人，计算订单金额-人均值这个指标时，计算过程即为：
730/7=104.29
- 去重数
去重数为查询得到的数据集中，该属性的属性值经过去重后，剩余的数据条数。在上方表格中，订单金额经过去重后仍然有8条，所以计算订单金额-去重数这个指标时，得到的结果为8。
B.字符串类型/布尔类型/日期时间类型
这三类数据类型预置的指标都只有一种，即去重数，计算方式与数值类型的去重数一致，以上方的商品类型字段为例，该字段为字符串类型，经过去重后剩余7条，所以计算商品类型-去重数后得到的结果为7。
业务实例
新用户数量
现在有一款游戏类产品上线投入市场运作，从不同渠道获取新用户进入游戏是当下的重中之重，在这个时间段，产品是脆弱的，任何一个影响用户体验的因素都可能最终导致用户大量流失。
所以一般情况下，厂商都会安排人力实时监控各项指标，力求不出现异常情况，然而人类不是机器，无法时刻保持精力充沛，这时，监控预警模块就派上了用场。
我们可以以小时为单位，24小时不间断的监测新增用户数的总和，当数值范围出现异常波动时自动告警，及时排查问题。
订单金额人均值
电商经营者将商品上架线上商铺时，价格以及优惠都是需要手动设置的，人为操作下难免出现粗心大意的情况，将100元错误设置为10元，20元优惠券设置成200元的操作屡见不鲜，一夜时间造成的损失难以承受。
此时，我们可以设置实时监测订单金额-人均值，当其低于设定的阈值时，触发告警，最快速度排查是否价格设置错误，降低损失。