指标体系的管理
痛点分析
主要从业务、技术、产品三个视角来看：
- 业务视角：
- 业务分析场景指标、维度不明确；
- 频繁的需求变更和反复迭代，数据报表臃肿，数据参差不齐；
- 数据分析师分析具体业务问题找数据、核对确认数据成本较高。
- 技术视角：
- 指标定义，指标命名混乱，指标不唯一，指标维护口径不一致；
- 指标生产，重复建设；数据汇算成本较高；
- 指标消费，数据出口不统一，重复输出，输出口径不一致；
- 产品视角：
- 缺乏系统产品化支持从生产到消费数据流没有系统产品层面打通；
管理目标
- 技术目标：
统一指标和维度管理，指标命名、计算口径、统计来源唯一， 维度定义规范、维度值一致。
- 业务目标：
统一数据出口、场景化覆盖。
- 产品目标：
指标体系管理工具产品化落地；指标体系内容产品化落地支持决策、分析、运营例如决策北极星、智能运营分析产品等。
模型架构
1. 业务板块
业务逻辑层面进行抽象、物理组织架构层面进行细分，可根据实际业务情况进行层级分拆细化，层级分级建议进行最多进行三级分拆，一级细分可公司层面统一规范确定，二级及后续拆分可根据业务线实际业务进行拆分。这就是指标分级。
2. 规范定义：
- 数据域
面向业务分析，将业务过程或者维度进行抽象的集合。其中，业务过程可以概括为一个个不可拆分的行为事件，在业务过程之下，可以定义指标；维度是指度量的环境，如买家下单事件，买家是维度。为保障整个体系的生命力，数据域是需要抽象提炼、并且长期维护和更新的，但不轻易变动。在划分数据域时，既能涵盖当前所有的业务需求，又能在新业务进入时无影响的被包含进已有的数据域和扩展新的数据域。
- 业务过程
指公司的业务活动事件，如呼单、支付都是业务过程。其中，业务过程不可拆分。
- 时间周期
用来明确统计的时间范围或者时间点，如最近 30 天、自然周、截止当日等。
- 修饰类型
是对修饰词的一种抽象划分。修饰类型从属于某个业务域，如日志域的访问终端类型涵盖 APP 端、PC 端等修饰词。
- 修饰词
指的是统计维度以外指标的业务场景限定抽象，修饰词属于一种修饰类型，如在日志域的访问终端类型下，有修饰词 APP、PC 端等。
- 度量/原子指标
原子指标和度量含义相同，基于某一业务事件行为下的度量，是业务定义中不可再拆分的指标，具有明确业务含义的名称，如支付金额。
- 维度
维度是度量的环境，用来反映业务的一类属性，这类属性的集合构成一个维度，也可以称为实体对象。维度属于一个数据域，如地理维度（其中包括国家、地区、省市等）、时间维度（其中包括年、季、月、周、日等级别内容）。
- 维度属性
维度属性隶属于一个维度，如地理维度里面的国家名称、国家 ID、省份名称等都属于维度属性。
- 指标分类
指标分类主要分为原子指标、派生指标、衍生指标。
① 原子指标
基于某一业务事件行为下的度量，是业务定义中不可再拆分的指标，具有明确业务含义的名称，如呼单量、交易金额。
② 派生指标
派生指标由原子指标、业务限定、时间周期、统计粒度组合得到。原子指标、业务限定，直接归属在业务过程下。派生指标唯一归属一个原子指标，继承原子指标的数据域。
派生指标又分以下二种类型：
a. 事务型指标
事务型指标是指对业务活动进行衡量的指标。例如，新发商品数，重发商品数，新增注册会员数，订单支付金额，这类指标需维护原子指标及业务限定，在此基础上根据指定的统计粒度创建派生指标。
b. 存量型指标
存量型指标是指对实体对象(如商品、会员)某些状态的统计，它最典型的特点是它的总量不是一个统计时间范围内的增量，而是历史累计到统计时间点的全量。例如，当前商品总数，当前会员总数，这类指标维护原子指标及修饰词，在此基础上创建派生指标，对应的时间周期为“历史截止到当前”。
c. 衍生指标
衍生指标是在事务性指标和存量型指标的基础上复合成的。例如，店铺最近 1 天无线端支付金额按行业降序排名、本月成交额与去年同期同比变化率等。主要有排名型、排名对象集合型、变化量型、变化率型、比率型、比例型、统计型均值。
如何确定指标体系
明确业务目的，确定核心指标
指标的选取是核心的一步。如果我们选择了正确的指标，它就像一个晴雨表，能很好地衡量业务的健康状况。如果我们选择了一个错误的或者是虚荣的指标，它可能会把我们引导到一个错误的路径上去，这是一个很大的陷阱。业务目标其实是和我们的产品息息相关的，我们可以大致将我们的产品划分到下面四类中去。
针对每一类的产品，我们都可以抽象出下面的一些比较通用的指标。
1. 工具类业务
帮助用户节省时间，产品自身提供价值。如墨迹天气、TEA。核心指标应该聚焦到判断工具的使用率。比如说为用户提供工具类型业务策略，一般是为了让用户节省时间，快速的定位到所需要的信息或者完成某一种任务， 那么这种策略核心的价值就在于提升效率，一般的衡量指标是：使用量，目标达成率， 频次；以电商的例子来讲的话，就是第一步中的流量推荐位，以及搜索功能是不是能够让用户快速的定位到它所感兴趣的直播内容，那这种情况下做优化流量位的内容和搜索匹配优化我的衡量标准就是它的效率，曝光，点击，转化效率。
2. 内容类业务
比如说为了用户提供消遣的内容，让用户可以消磨时间， 那么这种策略的核心价值就在于为了用户提供丰富的高质量的内容，不管是短视频， 直播， 或者活动玩法。那么这种策略的核心的价值就在于为用户提供内容的量与质，一般衡量指标是：消费人数， 消费广度， 消费市场，以及用户与内容的互动，用来衡量用户对于内容的喜爱。比如 B 站的弹幕就是一种用户对于内容认可的更高层次的情感表达。
3. 交易类业务
帮助用户节省时间，产品通过链接其他资源提供价值。如淘宝、京东金融。核心指标应该聚焦到转化率。那么这种策略的核心价值就在于为用户提供好的购物体验，能够提升付费页面转化效率， 提升购买的总规模，客单价以及复购率。
4. 社交类业务
杀掉用户时间，产品通过链接其他资源提供价值。如 Soul、探探。核心指标应该聚焦到用户的活跃程度。比如说为了用户提供与其他人的情感连接， 促进用户和用户之间的关系沉淀，进而让用户对于平台或者对于业务更有依赖性，促进用户的活跃和互动，一般的衡量指标是：内容的发布量，用户和用户之间的互动量，沉淀下来的关系对数。微信，是用户和用户之间的一个情感的连接，那衡量这种连接的紧密性主要是人与人之间的互动量，点评赞数量，沉淀的关系的数量。
拆解核心指标
明确业务类型和业务指标之后，我们要结合实际业务，将主要关注的指标拆解到可行动的程度。
图 指标拆解示意图
- 按场景拆分成多个子指标的和
DAU ≈ 日新增用户+留存用户+回流用户；
- 按一定的关系拆分成多个子指标的积
GMV（总消费额）≈ 用户数 x 购买频次 x 客单价；销售额 ≈ 用户总量 x 付费率 x 客单价；LTV（生命周期总价值 ，life time value ）=LT（生命周期 ，life time）x ARPU（每个用户的平均花费，Average Revenue Per Use）
指标迭代
一个好的指标肯定不是能一鼓作气就可以实现的，需要不断的迭代，而这个过程需要多方进行配合。
评价指标体系
在做一些数据分析的时候，我们都会看到列出来的一些标准：数据指标必须是准确的，是能够周期性统计，当然这只是一方面，另外一方面就是业务层面是有价值，可衡量业务真实情况，并且还要简单可执行。
从技术层面来看，一个好的指标，统一具备四个特点：容易收集快速衡量；准确度高；可被多维度分解；单一数据源。就像我们经常使用的衡量 APP 产品启动人数，使用 UUID 或者是 COOKIE 往往比使用 IP 更加准确。但很多时候，因为技术或者是业务自身的原因，我们往往很难找到很完美的指标。那么这个时候我们最重要的就是统一口径进行分析，更多地观察数据的波动情况。我们可以从下面几个方面去评价指标体系的好坏，其实主要还是分为两大类，一是真实贴合业务，可以反映业务；二是可以快速定位问题，提供解决方案。
1. 系统性
能够发现局部与整体的关系及问题定位，当数据发生异动时，通过指标体系的逻辑拆解，能迅速定位到大致的异动模块及原因。
2. 全面性
能满足不同数据使用方的日常需求，对产品经营及发展情况有整体了解。
3. 认知统一
指标体系服务于不同角色群体，简单科学可解释，符合大众认知，大家都共同认可。
4. 真实性
指标体系要能反映产品真实情况，杜绝华而不实的虚荣指标；指标是为了让公司，业务，或者项目的成员围绕着一个可量化的目标展开一系列的工作的。如果数据指标没有贴合业务核心目标的话，那么给公司，业务或者项目带来的会是巨大的损失。
5. 可迭代
指标体系随不同生命周期阶段而改变，指标体系要在发展中保持迭代。
6. 可操作
如果能从时间纵向对比、或者从其他维度比如用户群体、产品、地域等不同角度进行横向比较，可以更好地观察业务的发展趋势，定位问题，找到原因，以及改善业务中需要改善的环节。
- KPI 达标率：
如果你的核心指标是 KPI 指标，那就直接根据 KPI 达标率来判断即可。这个应该是最常见的一种方式。
- 竞品对标：
如果你能从靠谱渠道搜集到竞品相关数据，那以竞品为参照物进行判断。
- 环比对比：
查看环比数据，如果业务走势呈明显周期性，选择一个历史数据较为不错的数据进行对比。
- 同比对比：
查看同比数据，预估每个周期增长多少个百分点，与上一周期数据进行对比，看是否达标。
参考文献
[1] 玩物少年们:数据指标体系搭建实践
[2] 大数据技术派:数仓建模—指标体系
[3] NK冬至:数仓实践-数据指标体系建设OneData版本
[4] 大数据技术与架构:数据仓库&数据指标&数据治理体系搭建方法论
[5] PowerData满一：【万字长文】数仓构建理论
