喜乐君·数据分析夏令营 第 2 期：问题的结构与维度度量

喜乐君（XILEJUN）：Tableau Visionary 名人堂成员，著有《数据可视化分析》《业务可视化分析》等。

这夏令营的第二次正式课，定位是全流程与方法论——不讲零散操作，而是把我在客户培训中反复使用、去年刚整理的一套「问题的统一结构」框架立起来。后面几期的图形、筛选器、计算、模型，全部是这一框架的延伸。

• 第 1 期：AI 时代，为什么数据分析依然值得学 2026/7/8
• 第 2 期：问题的结构与维度度量 2026/7/13
• 第3期：可视化原理与“从问题到图形” 2026/7/14
• 第4期：可视化的转折点：分布分析与相关性分析 2026/7/22
• 第5期：交互与仪表板设计 · 2026/8/6
• 第6期：计算的体系·从透视表到 SQL 2026/8/22
• 第7期：数据模型·从单表到多表 2026/9/5

📌 要点：
· 分析从「问题」开始，问题的统一结构 = 范围 + 维度（视角）+ 度量（答案）；
· 维度与度量靠「位置」区分，度量必含聚合方式、只存在于问题之中；
· 分析的本质是「分组 + 聚合」，指标是现实中不存在的「虚数」。

视频回放

本期 B 站直播回放，建议配合上文观看： https://www.bilibili.com/video/BV1aiMG61EiM/

课程要点（时间轴）

• 00:05 全流程起点 —— 连接数据源 → 示例超市仪表板（零基础推荐从仪表板样例入手）
• 00:07 分析最小单元 —— 仪表板由多个「图 / 表 / 视图 / 工作表（worksheet）」构成，图形与表是一体两面
• 00:12 核心原则 —— 分析从「问题」开始，而非从「数据」开始
• 00:13 问题的统一结构 —— 必须有一个「的」：左边是分析视角，右边是答案（类比英文 total sales by product）
• 00:16 从答案开始 —— 分析是高到低的聚合过程（所有产品的销售额总和 → 各类别 → 各类别子类别）
• 00:21 完整问题三要素 —— 分析范围 + 维度（视角）+ 度量（答案）；样本与总体的关系
• 00:23 筛选器即「范围」 —— 年、区域等用于限定分析范围
• 00:29 分析的本质 —— 分组 + 聚合（group by + aggregate）；「透视（pivot）」实为汇总 + 转置，转置非必备
• 00:33 维度与度量 —— 维度是观察视角；度量必须包含聚合方式，且只存在于问题之中、明细表中没有
• 00:37 指标是抽象的「虚数」 —— 现实中不存在（如利润率、平均得分、健康指数），由聚合造出，让事物可比
• 00:43 度量类型 —— 简单聚合（总和 / 平均）与高级指标（标准差 / 方差 / 变异系数）；不是每个度量都叫指标（KPI）
• 00:48 问题决定图形 —— 最佳图形在写问题时即确定；后续讲连续 / 离散、筛选器、仪表板、计算、模型

一、全流程起点：从数据源到仪表板

第二次课我想系统地讲一下 Tableau 数据分析的全流程——它和具体操作有关。这套流程我习惯从 Desktop 开始（上次在群里发了下载链接）。

1.1 连接数据源与示例超市

全流程是从连接数据源开始的。官方提供了测试数据；如果你有生产数据（像我这边的客户 ERP 数据），可以建不同的连接主题。对零基础的同学，我更推荐直接点右边的「示例超市」仪表板——这是一个做好的仪表板。否则直接进数据源，往往不知道要做什么。我们先看一个仪表板样例，从它往前倒推：我们能做什么？

1.2 仪表板由「图 / 表 / 视图 / 工作表」构成

整个仪表板可以看作由多个图构成：上面一个交叉表、一个地图，左下角一个，右边一个，共四个图。不同工具叫法不同——Tableau 中叫「可视化视图」，有时也叫 view（服务器上写的是 view id），官方名字是 worksheet，全称 visualization。不管叫交叉表、chart 还是图，指的都是分析的最小单元。

通过右上角，我们可以任意把它转化成各种图形。图形和表是一体两面——传统 Excel 和大部分 IT 开发只看见背后的表，而我们可以按需转成不同的图。注意：转化有好坏之分。

二、分析从「问题」开始：问题的统一结构

2.1 必须有一个「的」：左边视角，右边答案

从单个图再往前推，图是由字段构成的。字段就是问题的结构，有时也叫领导分析的视角。比如「订单日期」「销售额」「细分」都是字段，字段来自左侧数据源。

这里有一句话非常重要：分析是从问题开始的。很多人的分析不是从问题开始，而是从数据开始——先想「我有几个字段，能做什么」。分析从问题开始，意味着你要先理解问题的结构。

比如领导说「我想分析产品的销售」。这本身是个想法，结构很难落地，尤其现在很多人把这种问题直接丢给 AI，AI 往往很难理解真正的结构。我们要给 AI 一个确定性的结构，人人理解都不会错。应该是这样：「各个类别、子类别的销售额总和」。注意我写的是「销售额总和」而不是「销售额」，原因待会儿讲。左边是类别、子类别（我们叫分析视角），中间有个「的」，右边是答案。

这有点像英文里的 total sales by product——中英文表述常常相反，英文的 by 对应中文的「的」。英文里 total 不会省略，否则 sales 是平均还是最大说不清；中文常省略，但建议这里写上。

2.2 从答案开始：高到低的聚合过程

理解问题的统一结构，必须有一个「的」：左边是分析视角（领导问的问题关于什么），右边是答案（用什么值回答领导才满意）。一个问题不可能没有值。

我为什么强调把「的」左右写清楚？因为分析都是从问题的答案（右边）开始，而不是左边。我想让大家感受分析是从高到低的聚合过程：

• 先点「的」后面的部分：「销售额总和」写全是「所有产品的销售额总和」（「所有」是全集可省略，也可理解为「公司的销售额总和」）。
• 加上类别，一个值变成三个值（L1：每个类别的销售额总和）。
• 再加子类别，变成 17 个值。

双击「销售额」，默认生成的是一个值；点「类别」，一个值变成三个值。现在很多人没有这个习惯，描述想法时直接丢给 AI「无脑干完」。如果 AI 能无脑干完，就不需要人了。我们应该训练 AI 养成好习惯——从规范的问题结构开始。

2.3 完整结构 = 范围 + 维度 + 度量

为什么上面的结构是「简化结构」？因为它不完整。统计学有个重要概念叫样本（sample），Tableau 里也有——度量上有「样本标准差」「总体标准差」「样本方差」。样本就是分析时取一部分。城市里科学家能通过水质倒推吸毒人数，经济普查也用抽样。99% 的分析基于样本而非总体。

所以更普遍的结构是：「2024 年，各个类别的销售额总和」——前面加「分析范围」。所有问题的结构都是：范围 + 视角（的左边）+ 答案（的右边）。三部分缺一不可：你说省了样本，其实样本就是总体；说省了维度，其实视角是最高层级，只是省了总体。我的描述约定是：逗号左边是分析范围，「的」左边是分析视角，「的」右边是答案。

三、筛选器即「范围」：限定分析边界

有了结构，可以加筛选。比如看「年」：订单日期有多种取法，右键「显示筛选器」最简单，默认全集（显示所有年度）；只勾 2024 年，视图就变。也可以把订单日期拖到筛选器选。结构和 Excel 筛选器一样。

大数据需要更高灵活性：换「区域」只勾「东北」，数据就变。从结构上说都是一样的核心问题结构。

📌 关联阅读：筛选器如何演化为「交互五构件」与仪表板联动？→ 《交互与仪表板设计 · 第 5 次课课程导读》

四、分析的本质：分组 + 聚合

4.1 pivot ≠ 转置，聚合才是必备

为加深理解，看一个解释图：核心问题最基本的结构由两部分构成——左边是分析视角，右边是答案。两者的关系是：左边是右边答案的分类依据（三个类别对应三个值，五个类别对应五个值，二者是一个总体）。

分析的本质是什么？从技术角度讲，分析如何实现？

感受过程：Excel 里先有明细表（记录业务详细过程），要回答领导问题，于是有了透视。从明细表到透视表的过程，本质叫透视（pivot）——但我不喜欢这词，它误导人。pivot 英文默认是「转置」（行转列），早期 Excel 数据少，领导说「类别放上面」，这就是转置。后来数据量变大，转之前必须先完成一个动作：求和。这一步在 Tableau 叫聚合，在 Excel 叫汇总（「求和项」）。

4.2 聚合才是必备，转置不是

透视其实等于「汇总 + 转置」，但转置不是必备的，汇总是必备的。Excel 里可以不转置（类别都放下面）；Tableau 里叫聚合（aggregate，简称 agg）。聚合方式很多：求和、平均、最大、最小、方差、标准差。准确地说，分析的本质是分组 + 聚合，二者都必备。Tableau 里别想转置——把类别拿下来也是一种样式变化，不是分析本质，是非必备的。

有了这个理解再看问题结构：以「的」分解，左边是视角，右边是答案；右边返回多少值由左边决定。所以问题的分析，左边（维度）是右边（聚合）的分组依据。Tableau 中出现了最核心的概念：左边叫 dimension（维度），是观察问题的视角（多维度 = 多视角）；右边叫 measure（度量）。理解了这点，Excel、Tableau、Python、SQL 结构都一样——SQL 里维度在 group by 后，度量在 sum / average 里。

Tableau 如何区分？拖字段时有根线：线上面是维度，下面是度量（早年 2020.2 前直接写「维度 / 度量」两个字，模型出现后用线区分）。注意是位置区分。

五、维度与度量：Tableau 如何区分

5.1 包含聚合方式的才叫度量

我常批评国产 BI：很多学生用了建立不起好理解。最基本的问题——什么是度量？国产工具说「销售额是度量」「数量是度量」，这是错的。什么是度量？「销售额总和」才是度量，必然包含聚合方式。你现在看见的「数量」只是明细表里的字段名称，叫数量；销售额也只是字段。从字段意义上看，数量、销售额、折扣、日期没有差异，都是字段。

用 Excel 说：数量在明细表里；我们说数量和利润、折扣没本质区别，都只是字段，不是度量。

什么是度量？透视表里的「求和项：销售额」叫度量。我强调：包含聚合方式的才叫度量，它在明细表中不存在。 度量需要依据——左边叫维度。很多国产工具官方文档都写「数量是度量」，批评还不改。

5.2 度量只存在于问题之中，明细表里没有

这引出关键：度量是什么？度量是数据表中没有的，是业务过程中没有的，只存在于问题之中。

举个例子：心理测评，评估学生心理健康，刻画一个指标叫「平均得分」——一个人答很多题，若题型一样，用 average(得分) 即可。这个指标在明细表中没有，明细表只有每次答题卡的值。「平均得分」是你造出来的概念；「销售额总和」也是基于明细表造出来的概念。

有时「平均得分」不够：不同学校答题卡难度、分值体系不同（百分制、十分制），要转成统一系数（如 0~10 分）；不同测评内容不同，如供应链里不同产品库存区间不同，要造「变异系数」拉齐。又比如用「标准差」刻画班级心理波动。这些平均、标准差、系数都做了多次处理，是聚合的二次处理，都是聚合方式。有了聚合方式才有指标——指标不存在于明细表，是我们对问题的想象与刻画。

六、指标是抽象的「虚数」

6.1 现实中不存在，但让事物可比

问题结构讲完，倒回去说指标：指标刻画问题的答案，这个答案在现实中不存在。现实中只有构成聚合的值——没有利润率、没有平均得分、没有销售额总和；现实中只有构成这些指标的明细。

我常举例子：√(-2) 在实数范围内没有平方根（负数平方都是正数）。几百年前科学家为了解题，必须造出这个东西，称为虚数（imaginary number）——现实中没有，但很重要，让事物可比。企业不知道上月利润率就别干了；学生脑袋上没有「健康指数」，是我们造出来的，但很重要。

6.2 指标的分类：简单聚合 vs 高级指标

分析是抽象的世界——这也是我依然看好 AI 时代分析未来的原因。Coding 是现实世界，逻辑确定，AI 很快；分析的抽象很多人（尤其 IT 出身、受唯物主义影响、只信看得见的东西）不好理解。他们常把销售额、库存周转率、利润率过度物化记进数仓——可以记，但要知道那已是临时物化的指标，只在有限范围有效。

指标必须基于聚合，按聚合分类：简单聚合（总和、平均、平均得分）；标准差衡量班级心理波动，是高级指标（基于单个值与均值再处理）。指标有高低之分。这次讲的相对抽象，对后面很重要。

七、问题决定图形：最佳图形在写问题时已定

问题核心结构搞定了，再看任何图都知道是什么。比如「月、年、类别、销售额总和」——「销售额总和」有聚合方式，度量（指标）默认求和，也可改平均。不是每个度量都叫指标，就像不是每个指标都影响工资（叫 KPI）。

左边「类别」「年月」是观察视角（维度）。Tableau 自动生成的表述像「按产品划分的月度销售额」，不好；规范说法是「各类别各订单年月的销售额总和」。熟练后可不写结构直接拖图形：双击销售额出一个值（最高聚合），加类别变三个值，加订单日期默认按年。类别放上面强调共用轴，放下面强调各自趋势。

所有问题回到原点，结构最重要。不管哪个图，背后都是这样的描述；官方描述往往不好。我们基于简化结构延伸了分析本质：分析是抽象、是分组聚合。写问题时，右边写领导关心的指标，左边写维度（数据表里有什么），无限组合。至于组合后用什么图形，以后讲——问题的最佳图形在你写问题时就确定了，不是挑好看的。

📌 关联阅读：连续 / 离散如何决定图形？→ 《可视化原理与「从问题到图形」· 第 3 期》

八、后续课程预告 & 资源

后面几次课：

1. 什么问题生成什么图形 —— 连续 / 离散属性决定能否生成轴；
2. 筛选器 —— 前 10 名后 10 名、选班级看得分分布；
3. 多个问题构成仪表板 —— 把做好的单个图拼起来，想清逻辑关系，点区域联动变化（也是一种筛选器）；
4. 计算 —— 有时需写一点，如标准差；
5. 模型 —— 多个表关联：班级得分表、学生表、题目表。讲模型前会先连明道云应用的数据库演示。

配套资源与上一期一致：Tableau（Free / Desktop / Public）、Tableau Prep、明道云、WorkBuddy。

延伸阅读：喜乐君与姜老师合著《业务可视化分析》（第一章即本课框架）；《数据可视化分析》。

结语

分析不是从数据开始，而是从问题开始。一个规范的问题结构——范围 + 维度 + 度量——能让 AI 和人都少走弯路；而维度与度量的区分、「分组 + 聚合」的本质、以及作为「虚数」的指标，构成了从业务问题到图形表达的底层逻辑。下一期，我们将据此看清楚：什么问题，决定什么图形。

作者：xilejun · v1.1 · 2026-08-08