FDE Times 数据在招 FDE 职位 924▲33 近 7 天在招职位数的变化(同口径比较):不计入本周新开始追踪的公司的职位近 7 天新增 80在招公司 196支持远程 25%美国薪资中位数 $200k招聘最多 Databricks 107
ENVI

前线部署工程师(FDE)的专业媒体

工具

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。

分享微博

要点速览

  • 客户已在用 Superset,就把成效看板放在 Superset 里,不要另引入一套 BI 工具。
  • 指标只在语义层定义一次,并在 SQL 编辑器中核对,之后再做无代码图表。
  • 要把看板放进客户门户,就用 iframe 嵌入,并通过带 RLS 的 guest token 按查看者过滤数据。
数据流示意图:客户的数据仓库接入 Apache Superset,先在 SQL 编辑器中测试查询,再进入语义层,在那里固定 agent_resolved_rate 指标(橙色高亮),然后进入图表构建器。最后通过 guest token 和行级安全,把仪表盘嵌入客户门户。
先在 SQL 编辑器里测试 KPI 公式,再在语义层把它固定为指标,然后构建图表,并通过带行级安全的 guest token 嵌入客户门户。

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。

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。

这篇文章对你有帮助吗?

4 个信源
路线图上的下一篇 · 阶段 6: 价值度量客户改 API 之前,Pact 先告诉你集成会不会坏契约来自你自己的测试:客户可以随意新增字段,只有改坏你实际用到的部分才会被拦下。