Metrics & Data Sources: ภาพรวม

ทำไม metrics และข้อมูลจึงสำคัญ

Feature flags ช่วยให้คุณควบคุมสิ่งที่ผู้ใช้เห็น แต่เพื่อจะรู้ว่าการเปลี่ยนแปลงนั้นดีขึ้นจริงหรือเปล่า คุณต้องการข้อมูล แนวคิดหลักของ GrowthBook คือ ข้อมูลของคุณอยู่ใน warehouse ของคุณเอง และ GrowthBook จะเข้าไปวิเคราะห์โดยตรง — ไม่มีการคัดลอกหรือเก็บข้อมูลไว้ใน GrowthBook เอง

Pipeline ตั้งแต่ต้นจนจบ

ขั้นตอน	สิ่งที่เกิดขึ้น
Data Source	เชื่อมต่อ GrowthBook กับ warehouse ของคุณ (BigQuery, Postgres, Snowflake, ClickHouse ฯลฯ)
Experiment assignment	Query บอก GrowthBook ว่าผู้ใช้คนไหนเห็น variation ไหน และเมื่อไหร่
Fact Tables	คุณกำหนด event tables ที่เก็บ raw metric signals
Metrics	คุณสร้าง metrics (proportion, mean, ratio) บน Fact Tables
Experiment Results	GrowthBook รัน stats engine กับ warehouse และแสดงค่า metric แยกตาม variation

GrowthBook ใน stack ของคุณ

flowchart TD
  app["Your App"] --> sdk["SDK fires experiment_viewed(userId, variation)"]
  sdk --> wh["Warehouse (BigQuery / Snowflake / ...)"]
  wh --> gb["GrowthBook queries on demand"]
  gb --> ui["Results shown in GrowthBook UI"]

How GrowthBook fits in your stack

GrowthBook ไม่เคย ingest raw events โดยตรง แต่เชื่อมต่อกับ warehouse ของคุณด้วย read-only credentials และรัน SQL queries เมื่อคุณกด Update Data ใน UI หรือตั้งเวลา refresh

สิ่งที่ module นี้ครอบคลุม

บทเรียน	สิ่งที่คุณจะได้เรียนรู้
Data Sources	วิธีเชื่อมต่อ data source และเขียน experiment assignment query
Defining Metrics	Fact Tables, ประเภท metric, metric windows และ metric definitions ที่ใช้ซ้ำได้
Experiment Results	วิธีอ่านตาราง results, uplift, confidence intervals และ guardrail metrics
Stats Engine	Bayesian vs Frequentist, CUPED variance reduction และ sequential testing