写了一篇文章，详细介绍了 Agile Query，希望大家能够充分了解

https://www.agiquery.com/blog/analysis-patterns/


3 数据分析模式
细分： 零售或电商中（其它领域也有类似的场景），商品和客户的数量会比较多，无法实现单体分析，通常会基于某类规则对商品或客户进行有限的分类， 然后观察分类的数据表现，分类规则和参考值灵活多变。

多维度灵活组合： 维度是数据分析中基本的概念，是观察数据表现的一种视角，例如：以地区/商品类为视角，观察每个地区的客户重复购买情况，或者叠加时间维度， 观察每个地区、每个品类及每个月的数据表现，实时使用时，维度和聚合指标的组合非常多，不同的使用角色对维度的关注程度也不一样。维度的定义可能是原生属性， 例如：性别、颜色等，也有可能是派生属性，例如：年龄段（ Age Group ）、价格带（ Price Range ）等。

增长率： 增长率主要是基于时间维度，观察聚合指标的变化情况，有时也会组合高层次维度。部分领域还会出现基于时间维度上更多的计算方法，例如： 对聚合指标的移动平均、累加等分析方法，这类方法与 增长率 较为相似，不再赘述。

跨维度聚合计算： 跨维度聚合计算主要出现在占比分析的场景，例如：计算每个省份销售额占全国销售额的比例，有时也会出现多层次占比分析，例如： 同时观察省份占比和城市占省份的比例。

上述分析模式为抽象的分析方法，相比 SQL 中的分析方法还是具体的多，更贴近实际领域。在不同领域中基于上述方法，还可以衍生出很多不同的分析实践，例如： 留存分析、同环比分析、RFM 、复购分析等。

基于上述抽象的数据分析方法封装相应的函数或表达式，将会大大降低数据分析师的日常工作量，只需要设计指标涉及的字段和聚合方式即可， 不再关注具体的技术细节，也不再关注统计结果的准确性。