9.2.4 从帧级到会话级：数据分析方法

指标有了口径（9.2.1），数据有了来源（9.2.2、9.2.3），还差最后一道工序：海量的单点数据，如何变成一句能指导行动的话。这套从原始事件到决策结论的聚合方法，本书其实早有一面之缘，第五章做视频特征分析时，我们走过同样的路：帧级差分特征太细，聚合成场景切分才有意义（5.3.2 的切点检测）。QoE 分析是同一条路，只是数据从像素换成了事件。

三级聚合：事件、会话、群体

QoE 数据的天然粒度是三级金字塔：

事件级数据几乎不可直接解读，一枚 缓冲开始 事件孤立地看，什么都说明不了。聚到会话级，四脉指标才能落地：这位观众首屏等了几秒、卡了多久、切了几档。再聚到群体级，产品的结论才浮出来：今晚这场直播的整体卡顿率是多少、比上周同期好了还是差了。分析的全部功夫，都在两级聚合的算法里：会话如何切分（断流多久算会话结束）、指标如何汇总（均值、中位数还是别的什么），每个选择都在悄悄塑造结论。

均值会说谎，分位数才交底

汇总方式里埋着 QoE 分析最大的陷阱，9.2.1 已经警告过一次：均值掩盖分布。卡顿率 0.5% 可能是人人微卡，也可能是百分之一的人卡成灾难，而决定舆情生死的，恰恰是后者。工程上的标准对策是分位数口径：P50 看典型体验，P95/P99 看尾部灾难。一场直播的首屏 P50 是 1.2 秒、P99 是 8 秒，两个数字讲的是同一个产品的两副面孔，大多数人与最不幸的那批人，体验可能天差地别。做体验优化的收益评估时，尾部分位数的改善往往比均值更有说服力：把 P99 从 8 秒拉到 3 秒，救回的是实实在在会流失的那批观众。

维度下钻：从 "是多少" 到 "为什么"

群体级结论回答了 "是多少"，归因还需要回答 "为什么"，靠维度下钻。9.2.2 埋点时强调的那些上下文字段，此刻全部派上用场：按地区拆，按运营商拆，按设备拆，按 CDN 节点拆，按码率档位拆。每一次拆分都是一次假设检验：卡顿率整体升高，按地区一拆（某省异军突起；再按运营商拆）该省某家宽带独自飙升；9.1.3 的故障域档案据此对号入座：区域加运营商的聚集指纹，先查 CDN 调度与该运营商的互联链路。下钻的尽头未必总是定论，但每一步都在缩小包围圈，归因不是灵光一闪，是维度的逐层围剿。

告警与趋势：监控的两种时态

聚合方法最终服务两种时态的决策。告警是将来时：阈值触发，分秒必争，阈值的设定本身是一门权衡，定得灵敏则告警风暴淹没值班人，定得迟钝则错过救火窗口；实践中的成熟做法是双阈值（预警线 + 熔断线）加持续时间条件，让 "瞬时抖动" 与 "持续恶化" 分流处理。趋势是过去时：周报月报里的同比环比，回答的是长期问题，这个季度的体验优化有没有奏效、下季度的预算该投向哪里。两种时态共用同一套聚合管线，只是窗口不同：告警按分钟滚动，趋势按天周归并。

9.1.4 说源站是协议的翻译官；本节可以说，分析是数据的翻译官，把亿级事件翻译成会话，把会话翻译成分位数，把分位数翻译成维度切片，最后翻译成一句人能听懂的结论。9.2 四节至此闭环：口径、埋点、监控、分析，QoE 体系的四梁八柱全部立起。

指标体系立起来了，但指标不会自己值班。9.2.5 我们给这套体系装上最后一块拼图：SLO 与告警工程，让指标在无人盯守的深夜里也能自动吹响哨子。