原始数据：是什么、和加工数据的区别、什么时候需要它

什么是原始数据？

原始数据（Raw Data，也叫一手数据或源数据）是最初记录下来、还没有清洗、汇总、筛选或转换过的数据。在数据分析里，原始数据指一条条事件：每次浏览、点击、注册、购买各一行，带着时间戳、标识和属性。

报表里看到的一切都是由这些行算出来的加工数据：计数、比率、平均数和图表。报表回答不了你的问题，或者需要核实某个数字是怎么来的时，就要回到原始数据。

原始数据和加工数据

例子：同一个问题，两个层面

报表显示上个月注册 1,240 人，注册率 3.1%。有人问：「有多少人是在头一次访问后十分钟内注册的？」

报表回答不了，因为它没有保存每个人从首访到注册的间隔；原始事件可以。示例原始数据：

访客 v_51 到达后 5.5 分钟就注册了；v_88 隔了两天，从另一个来源回来才注册。要回答这个问题，就得按访客把原始事件分组、比较时间戳，只有行级数据做得到。

为什么原始数据重要

• 自定义分析。 新口径、和 CRM 或账单数据关联、建模和机器学习。
• 审计和对账。 用数据库里的订单核对看板上的数字。
• 数据归属和可迁移。 在自己的数据仓库里留一份，不依赖任何工具。
• 排查问题。 找出被合计数藏起来的重复事件、错误属性或机器人流量。

使用原始数据的常见坑

• 它很乱。 会有重复、测试事件、机器人、时区差异和缺失属性，见数据清洗方法。
• 它很大。 繁忙的网站每月几百万行，要用 SQL 或笔记本分析，不要用表格软件。
• 口径归你管了。 自己重新计算「会话」「活跃用户」，规则不同，数字可能和工具里的对不上。把口径写下来，见数据字典。
• 它比报表更常包含个人数据。 标识、由 IP 推出的字段、自由文本属性，都要控制访问和保留期限，见别让个人信息进统计数据。
• 它会过期。 原始行一般只保留固定期限，之后只剩汇总数据，或者什么都不剩。

TapCub 里的原始数据

TapCub 的报表是用原始事件汇总出来的。需要行级数据时，在 全端分析 › 数据 › 数据导出 创建导出任务，可以导出事件、会话、人、自动采集记录或同意回执。文件是 gzip 压缩的 JSONL，一个任务的时间跨度最长一年，生成后保留 48 小时。导出需要付费套餐；超过保留期的原始行已经不在了。不想导出、只是临时查问题时，可以用 SQL 查询同一份事件数据，见用 SQL 查询数据和导出原始数据。

参考资料

• Wikipedia. Raw data.
• Georgia State University Library. Raw data: finding and using it.
• TapCub 文档. 数据导出.