FineBI6.0的升级带来了一个全新的函数——DEF函数，据说它能够解决分析师新建指标的难题；近期也有不少用户来找大师兄咨询“这个函数，到底该怎么玩？”

不管之前是否听说过这个函数，各位看官今天不妨花个5分钟，听我和你唠一唠这个DEF函数。

算指标，我真的emo了

做bi数据分析，你一定遇到过这个情况：数据处理的差不多了，正准备进行一场行云流水的可视化分析，结果一个指标在组件里不会算，卡壳了。头疼了半天，最后还是回到数据集去做处理。一天的好心情就此宣告结束。

如果你还是没什么印象，那看看以下几个场景：

1、使用快速计算配置的组内占比，但是维度比较多，包含几个层级，没办法算出我实际想要的组内占比。（指定维度级别的计算）

2、我想计算近三个月销售额的平均值，比如5月的就计算3、4、5三个月的平均值，6月的就计算4、5、6三个月的平均值，以此类推。这其实是行间的滚动计算。组件内不太好做，数据集里处理也是相当麻烦。

具体以前是怎么解决的，我们先不讨论，但本来流畅的分析仅因一个指标算不出而被打断，真的是一件令人难受的事情。

今天咱要聊的DEF函数的价值就在于此：提供指定维度级别的计算、行间计算以及嵌套视图计算的强大能力，让你在新建指标的过程中不再受阻。

别把DEF函数想得太复杂

指定维度？行间计算？有些不太理解，没关系，咱们先简单学习下它。

DEF，即define的缩写，意为定义你想要的所有指标。在当前FineBI6.0版本中，你可以在分析主题的数据层以及在组件中创建计算字段时使用它。

• 函数语法：

DEF(聚合指标, [维度1,维度2,...], [过滤条件1, 过滤条件2,...]) 其中维度和过滤条件可以缺省。

它由三个参数构成，首先是定义计算的方式，即语法中的“聚合指标”。第二个是执行聚合计算时的维度，第三个则是计算前对数据的过滤条件。这里举两个例子帮助大家理解：

1、计算每个省份不同产品的销售总额：DEF(sum_agg(销售额),[省份,产品])解释：参数2-维度中我们选择了【省份】和【产品】两个字段，因此基于这两个维度对参数1中的【销售额】字段进行【sum_agg】计算，即求和。

2、计算2013年各省的销售总额：

DEF(sum_agg(销售额),[省份],[年份=2013])

解释：参数2-维度中我们选择了【省份】，于是基于“省份”对参数1中的【销售额】字段进行【sum_agg】计算，同时，由于参数3-过滤条件中，限制了年份要2013年，所以只得出2013年的销售总额。

再给大家举个例子：
RFM客户价值分析大家并不陌生。这一分析最主要的部分是新建三个指标，即R-最近一次消费时间，F-最近一段时间内消费频次，M-最近一段时间内消费金额。然后基于这些特征，将客户的重要性进行划分。

假设我们的基础明细表拥有以下字段【合同ID】【合同金额】【公司名称】【签单时间】，你要如何用DEF函数求出每个客户公司的RFM？

• F-每个客户的购买频次：维度是客户，因此参数2-维度应该是【公司名称】，接着要思考如何求出购买次数这一指标，我们可以通过对合同id计数来实现。于是不难得出以下公式：

    DEF(COUNT_AGG(合同ID),[公司名称])

• M-每个客户的贡献的销售额：维度依旧是客户，而这次要求出的指标是这个客户贡献的销售额总量，应该要对销售额进行求和，于是不难得出以下公式：

    DEF(SUM_AGG(合同金额),[公司名称])

• 最后，R-每个客户的最后一次购买日期该怎么求？就留给大家作为课后题自己思考吧～

让DEF更进一步——Earlier

DEF函数已经发布有一段时间了，研究过的小伙伴可能会注意到与他配合使用的另一个函数-Earlier。Earlier带来了“选取当前行”的能力，接下来我们通过刚才说的转化率的场景来认识他。

我想求出每一节点的转化率，即当前节点客户数量/上一节点客户数量。听起来很容易，但是在实际操作的时候，马上就愣住了：“我要怎么取到上一行的数据呢？”，这就是一种行间的计算，我在这里给大家推荐一种做法，希望能给你们带来一些启发。

首先，通过一个简单的DEF函数求出每个关键节点的客户数量：DEF(SUM_AGG({客户数}),{关键节点}) 

然后，通过DEF函数求出每个节点对应的序号：DEF(COUNTD_AGG({关键节点})+1,[{关键节点}],[{每个节点的客户数量}>EARLIER({每个节点的客户数量})])

这看起来是个很复杂的公式，让我们一点一点来理解他。

counted_agg（关键节点）+1：对关键节点进行计数，并且结果+1。其中难理解的点在于公式中过滤条件这一参数：{每个节点的客户数量}>EARLIER({每个节点的客户数量}，它看起来像是自己大于自己，乍一看完全不明白其中的逻辑。

为了便于大家理解，如下图，我在这里添加一列辅助列【客户数量1】。回到这个式子，{每个节点的客户数量}>EARLIER({每个节点的客户数量}，还记得我们说过earlier是选取当前行吗？

从第一行来看，这个大于号的意思是，【客户数量1】比【客户数量】字段的当前行（即39521）大的节点。可以看到【客户数量1】字段六行数据均不大于39521，因此符合条件的节点数量为0。又因为我们在counted结果后写了一个“+1”，所以最后【排名】字段在第一行输出了1的结果。

同理，计算第二行时只有1个节点比33008大，+1后输出2，以此类推，最终可以根据客户数量为节点进行排序。

得出序号后，就可以通过DEF(SUM_AGG(${每个节点的客户数量}),[${关键节点}],${排序}+1=EARLIER(${排序}))

求出对应的上一节点数量，以此进一步求得转化率。

小结

今天我们聊了很多高级分析、高级函数，但数据分析本身并不是越高级越复杂越好。函数也好，分析方法也罢，说到底都是帮助我们发现问题，解决问题的工具。DEF函数亦是如此，它可以让你在一些场景更快得到需要的指标。但并不是说我们所有的分析都要用它来解决，不要让工具限制我们的思考。

较低的上手门槛和没有上限的分析能力一直是我们的追求，未来我们也将不断封装常用的DEF函数计算供大家直接使用，借此带来更好的分析体验。也欢迎大家前往我们的FineBI社区论坛，同更多数据分析爱好者进行交流。

商业智能BI产品更多介绍：www.finebi.com

免费下载FineBI 立即体验Demo