一句话回答
临时分析(ad hoc analysis)是为回答一个现有报表覆盖不了的具体业务问题,而做的一次性数据调查。它的成本不在跑查询,而在每次都从零开始;好的临时分析会留下能复用的指标或分群定义,下次直接拿来用。
什么是临时分析?
临时分析(ad hoc analysis)是为回答一个现有报表覆盖不了的具体问题,而做的一次性数据调查。TechTarget 把它定义为一种商业智能流程,用来回答某个具体的业务问题;Amplitude 的术语表则称它是「自发的、一次性的数据调查」。它的产出是一个答案——一张图、一张表、一句话——而不是一个长期存在的仪表盘。临时报表(ad hoc reporting)是同一件事的产出侧:为回答这个问题而临时做的那份报告。两个词在实际使用里经常混用;本文用「临时分析」指调查过程,用「临时报表」指它的产物。
这个词来自拉丁语 ad hoc,意思是「为了这个」。剑桥词典对 ad hoc 的解释是「只为某个特定目的或需要而发生,不是事先计划好的」。临时查询就是为眼前这个问题、在这个时刻写的:它没有排期,也不是上个季度就规划好的。
判断一件事是不是临时分析,看三条:
- 一个具体问题。「上周注册为什么跌了?」——而不是「业务整体怎么样?」
- 没有现成报表能回答。 如果每周仪表盘已经给出答案,那你是在读报表,不是在做临时分析。
- 产出是答案。 它以后可能被复用,但一开始并不是按长期资产来建的。
临时分析的成本不在跑查询,而在每次都从零开始。好的临时分析会留下能复用的定义。在数据分析的几种类型里,它通常属于诊断式分析:某个指标变了,你要知道为什么。
临时分析、固定报表与探索式分析对照
临时分析有两个邻居。固定报表按日历回答同样的问题;探索式分析则在寻找你还没问出口的问题。临时分析通常发生在自助式 BI 工具或 SQL 查询台里,由离问题最近的人来做。对照表的最后一行其实就是本文的核心观点:固定报表的成本只付一次,临时分析却每次都要付——除非你把定义存下来。
| 临时分析 | 固定报表 | 探索式分析 | |
|---|---|---|---|
| 触发 | 眼前来了一个具体问题 | 日历:每天、每周、每月 | 好奇心、新数据集、一个没解释的模式 |
| 问题形态 | 一个已知问题 | 每个周期都问同样的问题 | 未知;你在找问题 |
| 产出 | 一个答案:图、表、一句话 | 周期性报表或仪表盘 | 假设、分群、新问题 |
| 复用 | 低,除非把定义存下来 | 高:建一次,按排期跑 | 中:发现会喂给后续分析 |
| 谁来做 | 离问题最近的分析师或运营 | BI 团队或自动排期 | 分析师或数据科学家 |
| 主要成本 | 每次都从零重建定义 | 维护没人看的报表 | 花了时间却没做出决定 |
三条「如果……就……」规则把它们分开:
- 如果同一个问题按周期重复出现,它就该进固定报表。
- 如果你还不知道要问什么,先做探索式分析。
- 如果一个具体问题现在就要答案,做一次临时分析——做完再决定要不要把它存下来。
怎样做一次临时分析
微软 Learn 的 Business Central 文档列了三种适合做临时分析的情形:你不想跑一份标准报表、没有现成报表覆盖这个需求、或者你想快速迭代。五个步骤,每一步都留下一个产物:
- 把问题写成一句话。「上周注册为什么跌了?」产物:写下来的问题,连同指标和对比窗口。
- 选定指标、维度和时间窗口。 按渠道看注册率,A 周对比 B 周。产物:一份别人能照着复跑的定义——事件、聚合方式、筛选条件、窗口。
- 跑查询。 SQL 查询台或 BI 工具;每个渠道每周一行。产物:结果表。把查询文本和结果存在一起;截图是没法重新跑的。
- 拆解变化。 把总量拆成能加回总数的几部分,见下面的算例。产物:贡献拆解,不是一张截图。
- 决定要不要复用。 存下定义、排期,或者把答案归档。产物:一个保存的指标,或一条写下来的决定。
第 2 步的产物是多数团队会跳过的那一个,也正是它让第 5 步成为可能。更完整的流程见怎样分析数据。
算例:上周注册为什么跌了?
示例数据。A 周:25,000 次会话,1,200 个注册。B 周:21,000 次会话,900 个注册。问题是:这 −300 是从哪里来的。整体注册率从 4.8%(1,200 ÷ 25,000)跌到 4.29%(900 ÷ 21,000),所以这不只是流量结构变化的故事。
| 渠道 | A 周:会话 × 转化率 = 注册 | B 周:会话 × 转化率 = 注册 | 注册增量 |
|---|---|---|---|
| 自然搜索 | 10,000 × 5.0% = 500 | 10,000 × 4.5% = 450 | −50 |
| 付费搜索 | 8,000 × 5.0% = 400 | 5,000 × 4.4% = 220 | −180 |
| 社交 | 5,000 × 4.0% = 200 | 5,000 × 3.6% = 180 | −20 |
| 引荐 | 2,000 × 5.0% = 100 | 1,000 × 5.0% = 50 | −50 |
| 合计 | 25,000 → 1,200 | 21,000 → 900 | −300 |
各渠道增量加起来正好是 −300,其中付费搜索一家就占了 180 ÷ 300 = 60%。但「付费搜索跌了」还不是答案:是流量少了,还是这个渠道转化变差了?用恒等式 Δ注册 = Δ会话 × A 周转化率 + B 周会话 × Δ转化率,把每个渠道拆成两部分:
| 渠道 | 流量效应:Δ会话 × A 周转化率 | 转化率效应:B 周会话 × Δ转化率 | 合计 |
|---|---|---|---|
| 自然搜索 | 0 × 5.0% = 0 | 10,000 × (−0.5%) = −50 | −50 |
| 付费搜索 | (−3,000) × 5.0% = −150 | 5,000 × (−0.6%) = −30 | −180 |
| 社交 | 0 × 4.0% = 0 | 5,000 × (−0.4%) = −20 | −20 |
| 引荐 | (−1,000) × 5.0% = −50 | 1,000 × 0 = 0 | −50 |
| 合计 | −200 | −100 | −300 |
流量解释了 200 ÷ 300 = 66.7% 的跌幅,转化率解释了 33.3%。付费搜索可以单独验算:(5,000 − 8,000) × 5.0% = −150 来自会话减少,5,000 × (4.4% − 5.0%) = −30 来自转化率下降。答案是:一次付费流量削减,而不是全站转化出了问题——先去查投放计划,别急着改注册表单。这就是诊断式分析在实际工作里的样子。
上面那张表背后的查询如下,假设每行是一次会话、带一个布尔型 signup 标记(PostgreSQL SELECT 语法):
SELECT channel,
date_trunc('week', started_at) AS week,
COUNT(*) AS sessions,
SUM(signup::int) AS signups,
SUM(signup::int)::numeric / COUNT(*) AS signup_rate
FROM sessions
GROUP BY channel, date_trunc('week', started_at)
ORDER BY channel, week;
什么时候把临时分析变成固定报表
临时分析贵的不是查询,而是每次都从零重建定义。真正的资产是存下来的定义(指标、分群、筛选条件、窗口),不是截图。三条升级规则:
- 同一个问题被问了三次及以上。 把指标定义存下来——事件、聚合方式、筛选条件、窗口——让下一次回答直接复用,而不是重新推导。
- 同一份定义出现在不同问题里。 把它升级成保存的指标或分群。一份被复制到五个查询里的定义,就是五个可能出错的地方。
- 有干系人每周都在等它。 排期。一个每周一都要跑一次的临时查询,本质上就是一份多了几道手工步骤的固定报表,按数据分析报告的结构把它固定下来。
三条都不满足,就让它保持临时,定期(每月一次足够)回顾这堆查询。没人再问的定义就退役;一次性报表往往会被反复重跑,直到把报表周期堵满。
每个可复用的答案都存下五样东西:写下来的问题、指标定义、分群或筛选定义、时间窗口,以及负责人和回顾日期。这份清单就是下一个人接手的东西——也是让下一次分析不必从零开始的关键。
常见错误
| 错误 | 后果 | 修正 |
|---|---|---|
| 没有写下问题 | 分析跑偏;答案没人能复用 | 查询之前,先把问题写成一句话 |
| 两周的筛选条件不一致 | 各渠道增量加不回总数 | 固定指标、维度、筛选和窗口;复用同一份定义 |
| 一次性查询未经回顾就升级 | 多了一个没人看的长期仪表盘 | 套用上面的复用规则;设一个回顾日期 |
| 导出超过保留期的原始明细 | 导出是空的;明细已经被删除 | 先查保留期;按天汇总不受影响 |
这四个错误其实是同一个失败换了四副面孔:定义从来没被写下来,于是下一个人只能从零开始。
在 TapCub 里做临时分析
把算例里的注册下跌放进 TapCub。目标不只是这次答出来,还要留下定义,让下周同样的问题从第 3 步开始,而不是从零开始。
- 一句话提问。 在 全端分析 › 智能运营 › AI 助手 的「问数」页签输入「上周注册,对比上一周期」。问题先按规则解析,只有置信度低或者是追问时才调用模型。数字来自对本项目跑的分析查询,回答会附上它执行的查询条件。参见问 AI 助手。
- 拆开这次变化。 「变化归因」页签给出每个维度值的贡献,也就是它的变化除以总变化,可以按渠道、来源域名、国家、设备、着陆页、平台拆一到两层。按示例数据,付费搜索是 −300 里的 −180,占 60%。它不区分流量和转化率;要得到第二张表,点「在分析器中打开」,把各渠道的会话数和注册率并排放。
- 把定义存下来。 点「保存为分析」(助手不会自己保存),再在 全端分析 › 行为分析 › 自定义指标与 SQL 把注册率存成公式指标,之后每张图都用同一个定义。内置模型给不了的交叉表,可以在 全端分析 › 行为分析 › 行为分析 的「SQL」页签对本项目的
v_events、v_sessions视图写一条SELECT,上面那类查询就能和保存的指标放在一起。参见用 SQL 查询数据。 - 把反复出现的问题升级。 在 全端分析 › 智能运营 › 监控 给这个保存的指标加一条「同环比」规则(按周检查,变化越过比如 −15% 就通知),先试跑,看过去 30 天会触发几次。如果注册是一个目标,配置 › 设置 › 通知 里的周订阅报表已经包含已启用目标的转化,前提是套餐包含订阅报表。
边界:AI 助手负责回答和解释,不创建监控、不发通知;监控也只负责通知,不会替你暂停任何投放。这正是核心观点:查询几秒钟就跑完了,留下来的分析、指标和监控,才让下一次临时分析更便宜。
资料来源
- Microsoft Learn,销售数据的临时分析。
- 剑桥词典,ad hoc。
- PostgreSQL 全球开发组,SELECT。
- Amplitude,Ad hoc analysis。
这个解释清楚吗?
我们会根据反馈修改和补充这篇内容。
提交没有成功,请稍后再试。
谢谢你的反馈,我们会据此改进这篇内容。你已经反馈过这篇了,谢谢。
