数据资源梳理的书？

一、数据资源梳理的书？

有：深入浅出统计学，MySQL必知必会，精益数据分析等。

二、数据运营如何梳理数据埋点需求？

数据分析数据治理入门分享-转载渭河数分星球嘉宾SpaceLion的文章（四年互联网大厂数据科学经验），未经许可不能转载

1、前言

看到这个标题可能有的同学会有疑惑，为什么我作为数据分析师还需要去管数据治理的活，这个不是会有专门的同学去做吗？

确实，在很多大厂，数据开发和数据分析职能都是分开的，数分的同学一开始拿到的表就是已经清洗过的宽表，BI看板搭建就是写几条sql配置一下，日志埋点的工作都会交给产品来完成。但是很多中小公司是不具备这种条件的，尤其是很多初期的创业公司，在产品架构尚未完善，团队分工不够明确的情况下，很多时候日志埋点，数据清洗的工作都会落到数据分析同学的身上。

在择业的时候，遇到这种分工尚未明确的项目，可能有一部分同学就直接放弃了，有的同学可能会说：我想专精数据分析，不想在数据治理上花时间，我找一个分工明确的团队就行了，如果职能分工不明确，说明这个项目的老板不懂数据等等诸如此类的。当然这也是没问题的，人的精力是有限的，追求知识的深度那必定会导致广度的不足。

不过从我个人的角度来看的话，这样可能就会使我个人的择业范围受限，只能选择一些数据建设相对较好的团队。另一方面，如果能够懂得一些数据治理的方法，那么在一些场景下也能够给数据分析工作带来一些便利性，包括能够让数据分析人员更好地定义口径，在复杂的统计任务中通过埋点和数仓来解决问题等。例如，一个刚刚搭建起来没多久的电商APP，想要分析用户点击下单之前上一个页面来自于哪里，假设我只在应用层面解决，那我可能需要把用户的点击事件按照时间排序，再进行清洗计算，费时费力。但是这个时候如果我通过埋点解决这个问题，让程序在用户的点击事件日志上加入一个refer字段，记录了上一个页面的url，这样无论是统计分析，还是搭建后续的BI能力，都能够快速解决

因此本篇随笔的目的就是分享一些本人在数据治理方面的入门经验，希望能给到一些完全没接触过数据治理的同学一些帮助。

2、数据治理链路以及数分同学参与的环节

国际数据管理协会DAMA对数据管理的主题分类可以分为以下几种类型：数据治理、数据架构、数据建模和设计、数据存储和操作、数据安全、数据集成和互操作、文件和内容管理、参考数据和主数据、数据仓库和商务智能、元数据、数据质量。而对于这些工作的从层次划分，网上有各种不同的概念，毕竟不同的公司架构不太一样，我们在这里引用《大数据之路：阿里巴巴大数据实践》书中的数据体系。整个架构分为四个层次：数据采集层，数据计算层，数据服务层，数据应用层。

1、数据采集层：包括日志收集，数据库，数据同步；

2、数据计算层：包括离线数据计算，数据仓库，实时数据

3、数据服务层：基本上就到了我们比较熟悉的环节，包括数分同学平时能拿到进行分析的mysql数据源，hive数据源，数仓的cube等等，数分同学的大部分工作，可能就是拿着这些数据源去做数据应用层的东西，不管是统计分析还是数据建模。

4、数据应用层：这里就是到了一些应用层的数据，对线上产品的，对内部系统的等等

在整条链路中，一些纯技术向的，涉及线上开发的内容是不用数分的同学参与的，一般数分的同学可能参与的环节主要在日志埋点和数仓设计两部分，参与的深度视实际需求会有灵活的变化。

3、日志埋点

3.1 数分同学参与日志埋点工作的优势

在日志收集环节，数据分析师可能会参与到日志埋点工作当中，有些尚没有实际工作经验的同学可能不太清楚，线上产出的原始数据都是json或者双逗号分割等不同类型的的字符串，其中定义了每一个字段的key-value，需要经过清洗才能够变成我们常用的数据表格式。那么一般数据分析师要做的就是配合产品运营，定义清楚每一条日志的上报机制，以及对应的key-value含义。

有的同学会讲这个东西不是应该产品自己来搞吗？没错一个基础能力强的产品确实是能够承担埋点的工作，并且产品功能是他设计的，他比谁都更清楚功能上线之后他想要知道哪些信息，对应所需要埋哪些点。但是有的时候一些产品虽然懂得功能设计和交互，但是却不太懂数据，他们想要的可能是一个抽象的概念，比如功能上线之后他想知道用户的活跃，用户的漏斗转化，此时如果没有专门的数分同学参与，那么产品估计就会去找开发，开发可能更了解底层架构，但是不了解业务，如果没有定义清楚日志上报机制和含义，那么可能就会出现这样一种情况：

产品上了一个促销活动的页面希望知道用户的PV，以及页面带来的GMV，开发随便埋了一个服务端日志，只要用户发送了访问页面请求就记录一条，结果数分同学统计出来发现PV量巨大，但是GMV少的可怜，于是产品疯狂优化交互，但是GMV依旧没有什么提升。最后经过多方排查发现，原因是由于前端页面加载问题导致很多用户虽然请求了链接，但是页面素材却加载不出来，而PV统计的是服务端日志，也许后面的转化其实还可以，但数据口径的差异导致了整个问题的误判。

以上这个例子是我编的，但是参考了一些工作当中踩过的坑点，我们可以发现在产品或者技术自身能力不够强的时候，把埋点全权交给他们就容易出现数据统计口径不明确的问题。而反过来看，数据埋点也是要为业务服务的，最好是通过需求和数据指标反推需要什么埋点，这就决定了数据分析的同学在这个环节当中有着很大的参与空间，其意义在于：

1、明确埋点机制对应的数据指标口径，避免业务分析的偏差。

2、帮助数分同学了解底层架构，拓展业务分析当中的思路。

3、数分同学可以自主增加便于分析的日志埋点，提升效率。

3.2 日志埋点的经验分享

埋点的方法根据每个公司使用的数据服务不同也有很大差异，我个人将埋点方法分为两类：全埋点，代码埋点。代码埋点又分为前端和服务端埋点。

全埋点就是部署了一些sdk，能够把APP的所有行为全部记录下来，然后由分析人员自定义关键事件，直接圈选分析。使用这种方法一般是接入了一些外部的数据服务供应商的系统，比如神策之类的，优点是你想怎么定义都行，无需重新开发，缺点就是这么多数据占用空间大不能存太久，也只适合一些轻量级的项目分析，我自己是没用过这种方法。

代码埋点顾名思义就是需要让开发把一些关键事件信息的返回写到代码里面去，需要预先定义好在什么场景下，返回一些什么字段，这个就是我们最常用的一种方式。

前端埋点主要是在APP客户端，或者网页页面当中，触发了一些关键素材时返回日志，比如页面加载，素材图片的加载，按钮的点击之类的。这类埋点上报会受到页面改版，网络等问题的影响，会有一些误差；服务端埋点指的是成功请求了一个服务器接口时返回日志，这种日志通常是最准确的，比如下单，播放视频等，请求成功了就是成功了，不受前端改版等问题的影响。

设计埋点的时候我一般遵循这几个步骤：

第一步肯定是要跟产品运营对齐，看一遍产品文档，新功能页面做了什么改动，新增改动了什么功能，是否需要添加前端或服务端埋点；然后再明确这个功能上线之后要看哪些核心的数据，分别需要在前端和服务端埋一些什么内容，确保功能上线能够统计到对应的数据。输出好需要哪些字段之后，需要跟开发对齐，在什么情况下上报，字段都能不能上报，可能有些字段是记录不了的要怎么处理，这些明确了之后才能进入开发。

对于日志字段的设计，个人的经验是可以按照几个大类进行梳理：

以这样的标准去写埋点文档，就有利于拉齐大家对埋点的认知，从而更高效，准确的沟通。核心的逻辑是从产品对UI的理解过渡到数据指标的设计然后到具体的开发环节，所以需要三方都要听得懂

最后成型的埋点文档应该长下面这样

4、数据仓库

4.1数分同学参与数仓的优势

数据仓库一般跟数据存储，数据安全这些职能是绑定的，所以大部分工作会落到数据开发的同学身上。不过这种情况是在数据体系已经有一定沉淀的基础上，如果是从零到一的数据仓库搭建，数据分析同学的参与空间也是很大的。

数据开发的同学擅长将数据仓库设计的高效，可拓展，可维护，但是在服务层和应用层当中要结合业务进行设计，比如对于一个短视频产品，数开的同学能够做到让上数十亿条数据的用户-视频维度的事实表清洗任务时长缩短一半，但是到了服务层以上，需要定义一些“近30天用户活跃天数”，“近90天用户观看时长”的时候，数据开发的同学可能就会不知道怎么去设计能更加贴合业务了，此时就需要数分的同学参与进来。

4.2 数仓设计的经验分享

数据仓库一般分为：

1、ODS层（数据准备层）：包含业务的原始日志，是直接接入数据源的部分。

2、DWD层（数据明细层）：将DW层（DWD，DWM，DWS）与业务层（ODS）隔开的部分，在数据字段的定义上与ODS层保持相同的颗粒度，但是会把ODS层的原始JSON等字符串日志进行解析变成数据库表，同时会做一些空值填补等数据清洗操作。

3、DWM层（数据中间层）：在DWD的基础上做轻微的聚合，计算出相应的统计指标，例如假设对于一个短视频产品，DWD层记录的是，用户-创作者-作品-时长的维度数据，并且当一个用户多次观看同一个视频，可能会产生多条记录，那么在DWM层可能会根据业务需要把表聚合为用户-创作者-时长的维度数据，每一对用户-创作者的只会对应一条记录。

4、DWS层（数据服务层）：在DWM的基础上整合的主题数据表，例如上面说的用户-创作者-时长的中间表，可能会根据业务需要被聚合为用户主题表：用户-总时长-创作者人数....；创作者主题表：创作者-用户数-总时长......；这里的数据维度通常就已经是具有业务含义的数据指标了

5、ADS层（数据应用层）：这里主要是给提供给产品或者数据分析的表，比如BI展示的数据指标表，以及一些为了方便快速分析预聚合好的数据表，其数据指标自定义程度也会更高，比如”近90天观看视频数”等等。

通俗地说，数据仓库从下层往上层设计的过程就是一个不断group by的过程，从多条明细group by成一条，从N个维度group by成一两个维度如何选择维度，以及要group by出哪些指标，就是数据分析同学发挥作用的地方。一般ODS，DWD这两个维度可以不需要数分同学参与，数据开发的同学保证数仓的准确性和稳定性即可，但是到了DWM层数据分析的同学就可以适当参与进来。比如此时DWM层待聚合的维度有20个左右，包括用户id，创作者id，视频信息，用户的机型设备IP这些，那么数分的同学就可以结合平时的分析经验挑选需要聚合哪些维度，比如IP，机型，如果在分析当中并不是一个主要的维度，那么在DWM层当中就无需保留，那么假设数分的同学平时要经常统计“活跃设备数”这样的指标，那么设备ID就需要在DWM层保留下来。

设计数据仓库的过程这里介绍Kimball的维度建模步骤：

1、选择业务过程：这个步骤通俗地讲就是业务场景，比如在某个直播产品当中，我们定义一条用户的核心业务路径定义为观看直播-付费充值-礼物打赏，那么最初的事实表就需要确定是单一场景的观看直播行为表，还是观看直播-付费充值两个场景叠加的表。

2、声明粒度：确定主键，比如在上述的观看直播行为表中，我们选择用户作为粒度。

3、确认维度：根据关联分析的常用维度挑选字段，比如以用户为粒度的表中，我们通常会关注用户看了哪些主播，在什么渠道下看的，看的什么类型，那维度就需要包含主播id，渠道来源，直播品类，核心考量的就是业务相关性。

4、确认事实：也就是确定业务的度量指标，比如观看直播场景下，业务需要关注时长，PV，那么就需要在聚合的过程中把这两个指标计算出来。

如果按这个过程无限拓展，数仓的维度是可以拆出非常多的，常用的模式有：

无论是哪种，其实核心都是要在存储空间和业务便捷性当中找到一个平衡点，维度表越多，分析的便利性就更强，但是同时增加了存储成本；维度设计的简单，数仓运行更高效，但是可能每次做稍微复杂的分析都要从最底层的表开始用起，降低分析效率。这一块工作是需要数据分析和数据开发的同学长期共建的，数分同学提供业务视角的建议，数开的同学提供技术上的方案，单一方我觉得都很难把这块做好。

5、数据治理-数据分析共同进化

其实分享了这么多，其实核心都是希望能够给数分的同学提供一些跳出数据分析框架解决问题的思路，如果能够了解一些数据治理的基础方法，在一些关键的节点上就可以寻求数据开发的帮助。例如你在分析用户路径的过程中发现了一个很关键的行为，比如用户在浏览3次以上商品详情页之后，购买率会提升10%，那么是不是可以设计对应的埋点，在每次用户曝光商品时，让开发同学记录当天已曝光该商品的次数，产品也可以直接读取这个数据做对应的干预策略；又例如某个视频产品的数仓以前只有简单的用户-创作者-视频维度的事实表，结果最近运营总是提需求看不同MCN机构的数据表现，那我们是不是可以给数仓的同学提需求增加对应的字段或者设计新的事实表和维度表，方便后续的BI能力搭建。

反过来说，数据开发的同学也能得到业务经验的反哺，我发现商品曝光次数是一个非常关键的行为，那么我在下次打其他埋点的时候，也可以建议产品加上这个数据；我发现业务方经常看A维度数据不看B维度的数据，那我也可以设计一些更加便捷的维度表给他们用。

整体来说，我觉得对于数据治理这项工作，数分和数开的同学是一个相辅相成，共同进化的合作关系，如果未来大家在做项目的时候，遇到了需要自己参与到数据治理工作当中的情况，希望本文可以给到大家一些启发。

三、大珰的人物关系梳理？

这篇文的不同之处在于两个主角的身份设定，一个是太监，并且是清冷孤傲，手握重权的大珰，但他却不谙情事，在感情上是一张白纸。（清冷美人受）另一个是探花，是个被贬后在兵部任职的小官。

两个人因缘邂逅，用书信传情。在这里夸一下童子大大，在她的文字下，角色的情爱痴缠描写得特别到位，扣人心弦。尤其是两个人的暧昧期，那叫一个情意绵绵，无论是环境描写，亦或两人的对话、动作，还有留白，把两人那种隔着纱、但爱意却在不经意间野蛮生长的氛围塑造的恰到好处，仿佛隔着屏幕那爱意就要溢出来了。桃花林里仅仅是一个拥抱和亲吻，便将那种小心试探但情感又悄悄泄露的氛围描写的太好了。

四、如何高效梳理销售数据渠道

在现代商业运营中，销售数据是企业决策的重要依据。而渠道作为销售数据来源的重要一环，如何高效梳理渠道数据成为了企业需要面对的问题。

渠道数据的重要性

渠道数据是指通过销售渠道获得的与销售业绩相关的信息。它可以帮助企业了解销售情况、分析市场需求和消费者行为，从而制定相应的营销策略和销售计划。

渠道数据可以帮助企业回答以下问题：

• 哪些渠道对销售业绩贡献最大？
• 哪些渠道的销售额在增长？
• 哪些渠道的销售额在下降？
• 产品在不同渠道的销售状况如何？
• 渠道之间的竞争如何？

梳理渠道数据的步骤

梳理渠道数据是指收集、整理、分析渠道数据的过程。以下是一些步骤可以帮助企业高效梳理渠道数据：

1. 明确数据指标：首先，确定需要关注的渠道数据指标，如销售额、销售量、渠道覆盖率等。这些指标将指引数据梳理的方向。
2. 收集数据：收集各个渠道的销售数据，可以通过销售系统、渠道合作伙伴提供的数据、第三方数据等途径。
3. 整理数据：将收集到的数据进行清洗、分类，确保数据的准确性和一致性。可以使用Excel等工具进行数据整理。
4. 分析数据：通过对数据进行统计、比较和分析，发现数据背后的规律和问题。可以使用数据可视化工具帮助理解和展示数据。
5. 制定行动计划：根据数据分析的结果，制定相应的行动计划，如加强销售渠道的培训、调整销售政策等。

渠道数据梳理的注意事项

在梳理渠道数据过程中，还需要注意以下几点：

• 数据准确性：确保收集到的数据是准确的，有明确的来源。
• 数据一致性：不同渠道的数据要保持一致性，避免因为数据不一致而产生错误的分析。
• 数据保密性：渠道数据涉及企业的商业机密，需要注意数据的保密性和安全性。
• 定期更新：渠道数据是动态变化的，需要定期更新和分析，以保持对市场和渠道的准确了解。

总结

渠道数据是企业决策的重要依据，高效梳理渠道数据可以帮助企业制定更有效的营销策略和销售计划。通过明确数据指标、收集数据、整理数据、分析数据和制定行动计划等步骤，企业可以更好地了解渠道销售状况，优化渠道布局，提升销售业绩。

感谢您阅读本文，希望本文对您了解如何高效梳理渠道销售数据有所帮助。

五、大物热学基础知识梳理？

热运动：物质世界的一种基本运动形式，是构成宏观物体的大量微观粒子的永不停息的无规则运动。

热现象：构成宏观物质的大量微观粒子热运动的集体表现。

宏观量：表征系统状态的物理量。

微观量：描写单个分子特征的物理量。

热力学系统，简称系统：一些包含有大量微观粒子（如分子、原子)的物体或物体系。

外界或环境：系统以外的物体。

孤立系统：与外界没有任何相互作用的热力学系统。

封闭系统：与外界没有物质交换但有能量交换的系统。

开放系统：与外界既有物质交换又有能量交换的系统。

平衡态：对于一个孤立系，经过足够长的时间后，系统必将达到一个宏观性质不随时间变化的状态，这种状态称为平衡态。

热动平衡：在平衡态下，组成系统的微观粒子仍处在不停的无规则热运动之中，只是它们的统计平均效果不变，这是一种动态的平衡，又称为热动平衡。

状态参量：在平衡态下，热力学系统的宏观性质可以用一些确定的宏观参量来描述，这种描述系统状态的宏观参量称为状态参量。

态函数：由平衡态确定的其他宏观物理量可以表达为一组独立状态参量的函数，这些物理量称为“态函数”。

体积 V ：气体分子所能到达的空间，即气体容器的容积。单位立方米（ m3 ）,也用升（ L ）为单位。

压强 p ：气体作用与容器壁单位面积上的压力，是大量分子对器壁碰撞的宏观表现。SI单位制中单位是帕斯卡，简称帕（ Pa ）, 1Pa=1N/m2 。有时压强的单位还用大气压（ atm ）和毫米汞柱（ mmHg ）表示。换算关系为

1atm=1.013×105Pa 1mm Hg=1760atm=1.33×102Pa

温度：表征物体的冷热程度的物理量。

热平衡：在与外界影响隔绝的条件下，使两个热力学系统相互接触，让它们之间能发生传热，热的系统会慢慢变冷，冷的系统会慢慢变热，经过一段时间后，它们会达到一个共同的平衡状态，称这两个系统达到了热平衡。

温度相同：两个处于相互热平衡的相同温度相同。

温标：温度的数值表示。

摄氏温度：符号是 t ，单位摄氏度（ ∘C ）。摄氏温标规定，在标准大气压下，冰水混合物的平衡温度为 0∘C ，水沸腾的温度为 100∘C 。

热力学温度：热力学温标所确定的温度。符号是 T ，单位开尔文，简称开（ K ）。开是国际基本单位制中七个基本单位之一。 0K 叫做绝对零度， 1K 定义为水的三相点热力学温度的 1273.16。

热力学温度 T 与摄氏温度 t 的关系是 T=t+273.15 即规定热力学温标的273.15 K 为摄氏温标的零度。

气体的状态方程：平衡态下反映气体的 p 、 V 、 T 之间的关系的函数式。

理想气体：在任何情况下都严格遵从三条实验定律（玻意耳-马略特定律、盖-吕萨克定律、查理定律）

理想气体的状态方程（物态方程）： pV=MMmolRT=νRT

R 为普适气体常量， R=8.31J/mol⋅K=0.082atm⋅L/mol⋅K

ν 为气体的摩尔数。

六、幻想世界大穿越剧情梳理？

大穿越剧情梳理如下：包括主角穿越到幻想世界、逐步适应并融入该世界、揭示世界秘密、与反派对抗、最终拯救世界的故事情节。大穿越剧情梳理的原因在于该类型的故事情节能够吸引观众的兴趣，让他们沉浸在一个与现实世界完全不同的幻想世界中，体验主角的冒险和成长。在大穿越剧情中，主角通常会遇到各种奇幻生物、神秘力量和未知的挑战，通过与这些元素的互动，主角逐渐揭示了幻想世界的秘密，并发现自己在这个世界中扮演着重要的角色。同时，主角还会与反派展开对抗，通过勇气、智慧和团队合作最终拯救世界。这样的剧情梳理能够带给观众刺激和惊喜，同时也传递了一些积极的价值观，如勇敢、友爱和正义。

七、梳理组词？

梳：梳头，梳头发，梳理一下，梳子，梳洗，梳齿，梳篦，梳毛，梳个，梳的，梳梳，梳辫子等等。

理：理解，理由，理气，里外，理完，理人，理头发，理由，理事，理石，理顺，理得，理发，理工大学，理会，理科，理论，理疗，理智，理想，理性，理财，经理，理睬，道理，没理由，处理，查理九世，整理，治理，自理，总理等等。

八、密室大逃脱恐怖公馆故事线梳理？

剧情是陶家一家三口身上发生的诡异事情。诡异的机关、和恐怖的氛围把逃脱成员们吓的不轻，特别是半路“杀出”的陈赫，本来就胆子小，全程害怕的想逃离。

最后成员们通过团结一致，成功逃离了公馆，各种奇怪诡异的事情也得到了破解。原来是陶爸爸和陶妈妈希望儿子能变成一个成绩优秀的孩子，制定了严格的学习方式，让整个家庭陷入黑暗。最后儿子忍受不了选择割腕自杀，才让陶爸爸清醒。

最后成员们都针对家庭教育问题发表了自己的观点。望子成龙是每个家长都有的想法，但是现在的社会已经不仅仅是追求成绩，而是注重全身心健康发展。不应该牺牲孩子的快乐来换取学习成绩，逼迫孩子去学习只会让孩子更反感，不利于孩子的健康。

九、大空头电影故事情节梳理

电影《大空头》将镜头对准了2008年全球金融，讲述华尔街几位眼光独到的投资鬼才在2007年美国信贷风暴前看穿泡沫假象，通过做空次贷CDS而大幅获益，成为少数在金融灾难中大量获利的投资枭雄的故事。据悉，瑞恩·高斯林将扮演一个能把40亿美元单子做成37亿美元收入的德银代理人格雷格-李普曼(Gregg Lippmann) ；克里斯蒂安·贝尔扮演独眼基金管理人迈克尔·巴里(Michael J. Burry) ；史蒂夫-卡瑞尔扮演华尔街世家出身的史蒂夫·艾斯曼。

十、梳理的笔顺？

“梳” 字共有 11 画，笔画顺序为： 横、竖、撇、点、点、横、撇折、点、撇、竖、竖弯钩

“理” 字共有 11 画，笔画顺序为： 横、横、竖、提、竖、横折、横、横、竖、横、横

“梳”，现代汉语规范一级字（常用字），普通话读音为shū，“梳”的基本含义为整理头发的用具，如木梳、角梳；引申含义为用梳子整理头发，如梳头、梳洗。

“理”的基本含义为物质本身的纹路、层次，客观事物本身的次序，如心理、肌理；引申含义为事物的规律，是非得失的标准，根据，如理由、理性。

在日常使用中，“理”也常做动词，表示加工雕琢玉石。