多源接入与实时管道
支持 Kafka、CDC 与埋点 SDK 三类来源并行接入，按事件时间与处理时间双语义写入，迟到数据默认容忍 15 分钟。
- 单管道吞吐 ≥ 8 万条/秒，端到端延迟 P95 ≤ 2s
- 字段级血缘自动登记，异常字段 5 分钟内告警
- 分区粒度按天 + 小时，冷数据 30 天后自动降级存储
能力错落格
三块拼贴，覆盖 采集—挖掘—呈现 的完整链路
不用等全量数仓就位：先把高频决策链路打通，再按季度扩展数据挖掘模型，避免一次性大改造拖垮交付节奏。
数据挖掘与指标口径
把口径写进平台而不是写进文档：指标定义、维度枚举、过滤条件统一登记，同一个数字在任何看板都一致。
- 指标复用率目标 ≥ 70%，重复开发下降明显
- 分群、归因、留存三类模型开箱即用
- 口径变更留版本号，可一键回滚到上一版
240+预置指标模板
6 类常用挖掘算法
15 min迟到数据容忍
03 / PRESENT
创意数据可视化与互动设计
看板不是图表堆场：每个可视化组件都绑定一个待回答的问题，交互上支持下钻、刷选与对比锁定。
把用户体验当作指标来管：首屏渲染、下钻响应、筛选回填三项都设阈值并纳入验收。
- 首屏渲染 ≤ 1.2s，下钻响应 ≤ 400ms
- 图表配色不超过 4 个色阶，避免干扰判读
- 关键结论固定展示在左上视觉热区
粘性滚动 · 三阶段覆盖
从上线到规模化，阶段目标逐层叠上来
阶段一 · 打通一条链路
选一个高频决策场景做样板，先把数据源、指标与看板三者闭环。
- 周期
- 2–3 周
- 数据源
- 3 个内
- 验收指标
- 口径一致
阶段二 · 复用指标资产
把样板沉淀成模板，接入更多业务线，重点控制指标重复率。
- 周期
- 6–8 周
- 复用率
- ≥ 70%
- 看板数
- 20+
阶段三 · 挖掘驱动预测
在稳定数据之上叠加分群与归因模型，把看板从描述升级为建议。
- 模型
- 3 类
- 准确率
- ≥ 82%
- 更新
- T+1
滚动时卡片逐层覆盖，越靠后的阶段越贴近业务动作——顺序不可颠倒，否则模型会建立在错误口径之上。
FAQ · 常见问题
上线前最常被追问的 5 个问题
数据源很多、口径互相打架，第一步该先做什么？
先做指标字典而不是先做看板：把每个指标的分子分母、时间口径、维度枚举写进平台并指定唯一负责人。经验阈值是——单个业务域指标数控制在 40 个以内，超出的先合并同义项，否则后续每加一个看板都会产生新的口径分歧。
实时和离线两套数据，怎么保证同一指标数出来一样？
统一使用同一份口径定义，实时层只做增量聚合，离线层做全量重算并每日对账。建议对账误差容忍设为 0.5% 以内，超出即触发告警；对账表按天保留 90 天，方便回溯是哪一天开始漂移的。
看板越做越多，用户体验反而变差怎么办？
做减法：每个看板限定 7±2 个核心图表，主结论固定放左上视觉热区。设三个硬指标——首屏渲染 ≤ 1.2s、下钻响应 ≤ 400ms、筛选回填 ≤ 300ms，任一超标就不允许发布新版本。
数据挖掘模型效果怎么和业务价值挂钩？
先定义动作再定义模型：每个模型必须绑定一个可执行动作（推送、调价、补货、召回），用动作执行率与结果提升度评估，而不是只看 AUC。建议基线对比窗口不少于 4 周，避免把季节性波动误判为模型收益。
权限和脱敏怎么设计才不拖慢分析效率？
按「行级权限 + 列级脱敏」两层控制：行级决定能看到哪些业务单元，列级决定敏感字段是否明文。默认给分析师开放脱敏视图，明文需二次审批；手机号、证件号等字段统一做不可逆哈希，审批链路平均控制在 4 小时内。
实用指导清单
6 条可直接照做的落地要点（含参数与阈值）
以下每一条都来自实际交付复盘，按顺序执行能显著降低返工；参数可按业务规模微调，但阈值不建议放松。
先定义决策问题，再定义指标
用一句话写清「谁在什么场景做什么决策」，再倒推需要的指标。每个指标标注负责人与更新频率；无负责人指标一律不接入看板，避免出现无人维护的僵尸指标。
给数据管道设三条硬阈值
端到端延迟 P95 ≤ 2s、单分区日增量 ≤ 500GB、失败重试上限 3 次。超过阈值自动降级到批量通道并告警，防止实时链路把下游看板一起拖垮。
可视化配色不超过 4 个色阶
同一张图内色阶控制在 4 个以内，强调色只用于关键结论与异常点。深色底上文字对比度至少 4.5:1，图表标签字号不小于 12px，保证投屏场景可读。
把交互路径压缩到 3 次点击内
从总览到明细不超过 3 次点击，路径超过 3 层的看板需要重构。下钻保留面包屑与返回原态按钮，筛选条件写入 URL 便于分享与复盘。
用 A/B 基线验证挖掘模型
模型上线前保留至少 4 周同口径基线，实验组与对照组样本量各不低于 1 万，置信度取 95%。效果未达阈值时先检查特征口径，再考虑调参。
每日对账，异常 30 分钟内定位
建立实时与离线对账任务，误差阈值 0.5%；告警携带分区、指标与负责人三要素，保证 30 分钟内能定位到具体任务与时间窗口。
链路对比
同一份数据，批流两条路怎么各司其职
实时链路负责「快」，离线链路负责「准」。两者共用同一份指标口径，避免出现两套结论让业务方无所适从。
| 维度 | 实时链路 | 离线链路 | 建议阈值 |
|---|---|---|---|
| 延迟 | 秒级 | T+1 | P95 ≤ 2s |
| 数据范围 | 近 7 天增量 | 全量重算 | 90 天保留 |
| 典型用途 | 监控与告警 | 结算与归因 | 日对账 |
| 误差容忍 | 1% | 0.1% | 对账 < 0.5% |
客户评价 · 数据驱动决策
他们用这套平台改变了什么决策
促销复盘从 5 天 → 1 天
以前复盘靠人工拉报表，口径每次都要重新对齐。现在指标字典统一了，运营自己就能下钻到渠道和时段，复盘结论当天就能落到下一档活动。
库存周转提升 12%
补货建议来自分群模型而非经验拍脑袋，我们把模型结论和人工判断并行跑了 4 周，误差稳定后逐步放权，缺货率明显下降。
看板首屏 3.4s → 1.1s
互动设计重构后，我们把核心结论固定在左上热区，图表数量砍掉一半，业务方不再抱怨「打开慢、看不懂」。
应用场景展示
四类场景，同一套数据底座四种用法
场景不同，指标组合与刷新频率也不同；先选场景再配置看板，比先建看板再找用处高效得多。
零售运营监控
客流、转化、连带率三指标联动，异常门店自动标红。
刷新 30s · 覆盖 320 家门店
供应链调度
库存水位与在途量合并计算，缺货风险提前 7 天预警。
刷新 T+1 · 12 个区域仓
用户增长分析
渠道质量对比与留存曲线分群展示，投放预算按 ROI 分配。
刷新 1h · 8 个渠道风控预警
规则命中与异常聚集实时上墙，处置结果回流校验规则。
刷新 10s · 命中率 0.7%