在《三体》中，存活于三维空间的人类文明最终被来自更高维度的文明所毁灭。在面临被灭种的灾难时，人类甚至无法对敌人发起一次有效的反抗，甚至连对方的样貌都看不到，因为二者的竞争力完全不是处于同一个水平（维度）。引用这个情景主要是为了陈述维度的重要性。在BI领域，这个原理也是适用的。

数据分析的核心概念其实只有两个：数值与维度。

BI分析依据不同的维度（字段）（如国家维度、日期维度）将聚合数值（如销售金额、销售利润）切割成具体的数据立方体，即分析结果，如某年某国家的销售利润。这个过程被称之为切片。可想而知，切片越多，数值结果越详尽，分析的角度就越广，其所具有的洞察力就更强。因此，一款BI产品的执行力除了取决于其聚合能力，还取决于其创建维度的能力（见图1.2.1）。

1.原生维与派生维

原生维的概念很直观：一切直接来源于数据源，且可用于维度分析的字段，如案例文件中自带的【客户ID】【产品ID】字段，即为原生维。原生维可用于最基本的维度分析。但维度分析不仅仅局限于原生维自身。

在日常的分析场景中，分析师通过对原生维进行加工生成新的维度，即派生维。派生维的存在形式是依存于原生维的，例如在原生维【客户ID】和【订单ID】的基础上，通过计算，衍生出的【客户购买次数】维度，被称为派生维。使用派生维，可增加分析维度。

在图1.2.2所示的分析中，是对不同购买次数的顾客数量进行求和。其中 X 轴为【客户购买次数】，是派生维。如之前所述，【客户购买次数】维度并不直接存在于数据源中，需要派生。

需求强调的是，如果仅仅使用普通函数，则无法直观生成派生维。

例如，在Tableau中，创建普通字段【购买次数】。将【购买次数】字段和【客户名称】字段分别放入【列】和【行】中，如图1.2.3和图1.2.4所示。

按住Ctrl键，将【购买次数】胶囊放入筛选器中并将值固定，单击【确定】按钮退出。

将【客户名称】字段放入【标签】卡中，通过表计算完成汇总。

图1.2.5显示了购买5次的客户人数是5人。虽然我们最终能得出部分答案，但是其过程烦琐，效果也不直观。

上述案例说明，如果仅仅依靠原生维，则分析会受到局限。派生维的应用为分析师带来更加具有洞察力的分析结果。

回到工具应用层面，令人鼓舞的是，无论是Tableau还是Power BI，都有非常强大、成熟的功能用于创建派生维，而这也是自助式BI工具与传统BI工具的一大区别。高度灵活的维度分析能力，使Tableau和Power BI更加适合探索性分析场景。

Tableau和Power BI在魔力象限图中的 Y 轴（易用性）上的得分也正好印证了其具有强大的探索性分析能力。 XfGEU891+tndW5agtmg8S81DcDx6EB7LUVPlDxvB+ez4vS8MhpC9m3Rt3ErlqzyW