# 客户已在用 Superset，项目成效就放在那里衡量

> 指标定义在对的地方，每次客户会议上数字都站得住，没人再花一小时追问出处。

原文: https://fdetimes.net/zh/tools/measure-project-results-in-client-superset/

如果客户已经在用 Apache Superset，衡量项目成效的看板就应该放在那里。项目 README 写明，Superset 可以查询任何支持 SQL 的数据存储或引擎，因此可以直接接入客户现有的数据仓库。

智能体上线到生产环境后，客户会想知道它到底帮了多少忙。如果为了展示数字专门再搭一套 BI 工具，听众很可能开始追问这些数字从哪里来，而不是讨论结果本身。

看板如果就摆在客户每天早上打开的报表旁边，一开始就更容易获得信任。这正是前线部署工程师（FDE）在进入已使用 Superset 的客户现场之前，值得先学会它的原因。

Superset 也不是新东西。据 Preset 介绍，它起源于 2015 年夏天 Airbnb 的一次黑客马拉松，2021 年 1 月 21 日成为 Apache 软件基金会顶级项目。如今 README 称它是一款“现代、企业级”（modern, enterprise-ready）的 BI Web 应用，采用 Apache 2.0 许可证发布。

## Superset 能为 FDE 提供什么？

根据 README，Superset 提供无代码图表构建器，客户团队可以自己做图表；提供基于 Web 的 SQL 编辑器，用于编写复杂查询；还有一个“轻量级”语义层，用来定义共享的维度和指标。这三项都与客户现场的日常工作对得上。

数据源方面，每种引擎都需要一个 Python DB-API 驱动和一个 SQLAlchemy 方言。具备这两样，就能直接连接客户现有的数据仓库，无需把数据复制到别处。项目还提供可配置的安全角色、多种认证方式，以及用于程序化定制的 API。

在客户项目中，这三项功能的使用顺序应与 README 的列举顺序不同：先在 SQL 编辑器里核对数字，再把公式固定到语义层，图表构建器留到最后。

## 一个 KPI，从 SQL 到看板

举一个假设的例子。你的智能体会自动分流并解决支持工单，客户想知道“智能体独立解决的工单占比”。数据仓库中的 `tickets` 表有一列 `resolved_by`，取值为 `agent` 或 `human`。

先在 SQL 编辑器中写：`SELECT SUM(CASE WHEN resolved_by = 'agent' THEN 1 ELSE 0 END) * 1.0 / COUNT(*) FROM tickets`。如果第一周有 1,200 张工单，智能体处理了其中 420 张，结果应为 0.35，即 35%。在相信这个数字之前，先抽出 10 行手工数一遍。

公式确认无误后，把它移到语义层，存为一个命名清晰的指标，例如 `agent_resolution_rate`。此后无论是你做图表，还是客户的分析师在无代码界面里做，所有图表都使用同一个定义。

这一阶段的常见问题是：某位经理过滤掉了垃圾工单，分母随之改变，两个看板就报出两个不同的数字。

**要点:** 画第一张图表之前，先和客户把 KPI 公式定下来。

因此，到现场的第一件事是和 KPI 负责人坐下来，确定哪些工单计入分母，然后把这个口径原样写进指标。

## 把看板放进客户门户

客户常常希望用户在内部应用或门户里直接看到结果，而不必登录 Superset。Embedded SDK 可以做到这一点：它把包含 Superset 页面的 iframe 插入宿主应用。

真正有价值的是认证。嵌入式看板的查看者通过 guest token 认证，token 可以携带行级安全（RLS）规则，按持有者身份过滤数据。这样全公司可以共用一个看板，而 A 分部的经理只能看到 A 分部的工单。

一个容易犯的错误是：只用自己能看到所有行的账号测试嵌入式看板，就断定 RLS 生效了。

应该做的测试是：签发两个 guest token，一个给 A 分部，一个给 B 分部，分别用它们打开同一个看板。

然后在 SQL 编辑器里按分部过滤查询，与两边看到的工单总数做对比。

RLS 规则从一开始就要和客户的安全团队一起设计。一个泄露其他分部数据的看板，摧毁信任的速度比一个算错的 KPI 还快。

## Superset 替你做不了的事

Superset 只支持具备 DB-API 驱动和 SQLAlchemy 方言的 SQL 数据源。如果智能体的日志存放在文件里，或存放在不支持 SQL 的系统中，就得先把它们导入数据仓库。这条数据管道由你负责。

项目自己也称其语义层“轻量级”。因此，复杂的业务逻辑，比如工单去重、把工单归到正确的智能体版本，应在数据仓库中处理，落成干净的表。Superset 只负责计算比率和绘制图表。

嵌入同样需要客户应用的配合：它必须有地方放 iframe，还要有办法给对的人签发 guest token。把这部分工作排进上线计划，不要承诺“一个下午就能嵌好”。

## 先学什么，简历上写什么

按工作发生的顺序学。先是 SQL，要扎实到能写出比率公式，以及不会让行数翻倍的 join。然后是语义层，再是嵌入和 RLS。图表构建器上手最快，放到最后。

在简历和面试中要具体，例如：“在 Superset 语义层中定义了自主解决率 KPI，并将带行级安全的看板嵌入客户门户。”这样一句话能说明你既懂数据，也懂客户。

只有当客户的 KPI 负责人打开熟悉的看板，看到的数字完全按双方约定的方式计算出来，项目才算真正成功。

**本周动手试试:**

- 在本地运行 Superset，连接一个示例 SQL 数据库，为自选的一个 KPI 做一张图表。
- 用 SQL 写出一个项目 KPI 的公式，在 SQL 编辑器中运行，并与你在 10 行数据上手工算出的结果对比。
- 阅读 Superset Embedded SDK 的 README，为一个有两组查看者的门户画出 guest token 流程草图。

## 信源

- [apache/superset README.md](https://raw.githubusercontent.com/apache/superset/master/README.md)

- [The Apache Software Foundation Announces Apache® Superset™ as a Top-Level Project](https://news.apache.org/foundation/entry/the-apache-software-foundation-announces70)

- [Superset Embedded SDK (README)](https://raw.githubusercontent.com/apache/superset/master/superset-embedded-sdk/README.md)

- [Preset's Origin Story](https://preset.io/about/)
