所有业务都会面对“为什么涨、为什么降、原因是什么？”这种简单粗暴又不易定位的业务问题。为了找出数据发生异动的原因，业务人员会通过使用多维查询、dashboard等数据产品锁定问题，再辅助人工分析查找问题原因，这个过程通常需要一天时间。几乎每种业务角色的用户都在做相似的分析，但在业务方分析人员发生工作变动时，分析方法难以得到较好传承。因此我们需要一款自动给出分析结论的智能化数据产品来解决上面的问题，产品的基本功能如图1所示。
由上图可知，指标逻辑树就是我们抽象出来的智能异动分析数据产品的最佳实践。它将固定的分析方法和业务场景抽象出来，套用灵活的数据源（包含Kylin、MySQL、Elasticsearch、Druid等），自动生成符合各类用户的异动分析报告；它能够直接给出分析结论进而快速落实业务行动，降低分析成本和决策周期。选定两个时间周期，指定指标顺序，通过指标逻辑树就可找出导致核心指标发生异动的关键指标，同时可对单一指标进行细分维度拆分，锁定细分维度对整体的影响。
指标逻辑树作为一款支持酒旅各业务线的异动分析数据产品，面临的挑战如下：
针对上面的挑战，我们给出如下的解决方案。
如图2所示：
指标计算包含指标漏斗、基础指标序列、指标分类，它们之间的关系如图3所示。
如图3所示，指标漏斗为用户自定义的有序指标序列，包含基础指标和计算指标（如，B=(L+H)*Y） ；基础指标序列，是将指标漏斗中的计算指标按照顺序拆分之后的指标序列；指标分类采取大圣魔方（可以参考大圣魔方：https://tech.meituan.com/dsmf.html ）配置的规则对基础指标进行分类。
目前指标逻辑树支持两种异动分析算法，后续可以根据需要进行扩展。
下面分别介绍这两种算法在指标逻辑树中的运用。
连环迭代分析法
连环迭代分析法，用于从用户自定义的有序指标列表中找出导致核心指标发生异动的关键指标，如图4可知，本期结果指标E产生的波动,主要由于A指标的波动影响。
如图5所示，意向UV、访购率、人均单量、连带率、SKU单价等几个指标中的任意一个发生数据波动，都可能引起支付GMV的波动。采用连环迭代分析法，可以确定某个具体指标在本期支付GMV的波动中产生的影响最大。算法公式，支付GMV=意向UV*访购率*人均单量*连带率*SKU单价。
基尼系数
基尼系数A/(A+B)，用于计算各下钻维度方案对单个指标波动的影响程度，横轴用特征分组基期累计占比，纵轴用波动值累计占比（可以为负值），基尼系数越大说明该特征对波动的解释效果越好。
如图6所示，指标计算，用于获取层级下钻维度中各个维度的基础数据，如各个城市等级的本期、基期值等信息；分析算法，根据维度基础数据计算出排序因子，利用排序之后的排序因子计算各特征分组的基期累积占比及波动值累计占比，进而获取到基尼系数；最终选取基尼系数最大的特征作为最终解释。
随着业务分析需求的增加，分析用户自行配置的指标序列以及针对单个指标的下钻维度方案将会急剧增加，随之带来的影响就是单个请求需要支持大量的查询任务，因而提升并行计算能力是提升系统性能的一个关键因素。如图7所示，计算服务包括任务拆分、并行计算和结果合并。
任务拆分
任务拆分分为如下几个步骤：
并行计算
并行计算提供分布式计算功能，主要处理的是任务拆分之后的细粒度查询任务。
查询任务主要有以下两类：
结果合并
结果合并主要是针对计算指标来说的，计算指标是分析用户自定义的针对基础指标的一组计算公式。并行查询的结果是针对基础指标的，需要合并基础指标的查询结果数据，生成符合计算公式的指标数据。结果合并模块需要做两部分的工作，一是解析计算公式，二是根据已有的数据，按照计算公式生成新的数据。
系统中用到数据组装的模块主要有如下：
指标逻辑树在美团点评酒店旅游各业务线中已经得到了一定的应用，并收获了大量好评。本文只是指标逻辑树的一个总纲，目前产品尚处于初级阶段，后续还有很多功能需要完善。
最后插播一个招聘广告，有对数据产品工具开发感兴趣的可以发邮件给 fuyishan@meituan.com。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。