系统的设计一个指标体系

01 如何理解指标体系

今天互联网企业已经足够的数字化，但看清楚公司的运行情况，依旧是一件很难的事情。看清楚，不仅包括看清楚企业的投入情况，也包括看清楚业务的运行情况。

比如，投入了几百万的预算，带回来多少DAU的增长？这其中每个阶段的转化情况怎么样？1/7/30天后留存的有多少？本次活动各个渠道的质量如何评估？当下的互联网企业，很多决策可以说是“无数据不决策”，不论是运营对活动效果的分析，还是高层对商业走势的判断，没有成熟的分析看板，临时做需求是接不住的。

但本文，要讲述的，是数据看板的灵魂部分：指标体系。

什么是指标体系？用一句简洁的话阐述，就是“对业务有帮助的统计结果”，什么是有帮助？即“描述发生了什么”、“度量发生了多少”以及“拆解发生的原因”，从而为业务提供帮助。

关于指标的分类，个人倾向于两种分类方式，一种是原子指标，不加任何修饰词，比如PV、UV、订单量；一种是派生指标，也叫复合指标，通过四则运算或修饰限定得出，比如平均交易金额、购买转化率、近N天订单量。

以下两个图是网上讲指标最常用的两个图，这里供大家参考：

指标体系要做的，技术从不同的“维度”梳理业务过程，将零散的、有关联性的指标，系统化的组织起来，通过数据看板或接口形式，提供给运营、算法等不同的业务方使用。对于使用指标体系的人来说，指标体系能够把业务体系化的展示出来，提高发现问题、分析问题、解决问题的效率。

02 如何设计指标分析

“指标体系”，代表的是对业务的分析思路。总的而言，大体有三个阶段：

• 圈定业务目标；
• 建立分析模型；
• 统计及展示数据。

定义指标体系，首先且最重要的一步，是要与高层的战略目标达成一致，不能“你说你的规划、我玩我的数据”。在实际工作中，指标与KPI是强相关的，数据是提高绩效的一种利器。

其次，选择合适的分析模型，常见的有OSM方法、PLC模型、AARRR等。

OSM是一种如何将大目标拆解到小行动的方法：

• O：目标——用户使用产品的目标是什么？产品满足了用户的什么需求？
• S：策略——为了达成上述目标我采取的策略是什么？
• M：度量——这些策略随之带来的数据指标变化有哪些？

例如在云计算行业，OSM的拆分可以按照下面的示例进行：

PLC模型则是另一种常见的方法论，即产品生命周期理论，将产品分成了探索、成长、成熟和衰退四个周期。

根据业务形态不同，可以自己定义相关的指标，周期示意图如下：

其他的如AARRR、RFM等，就不一一介绍了。

接下来，有了分析的目标，我们就需要把相应的数据统计出来，统计及展示数据，这里涉及到的就是数据建模理论/数据看板搭建等我们接触比较多的内容。

但有一些不同的是，数据建模理论，通常是把数据的采集与指标的统计分开来，例如CDM针对业务过程做统计，而ADS才是面向各个分析体系做统计的，CDM与ADS的区别，就在于是否存在跨业务域统计的情况。关于这部分内容，可以参考之前的文章：《数据建模实践》。其实分析问题的思路，或者说是“套路”，还是比较重要的，我们需要用报表的形式来展示统计好的结果，关于这部分内容，可以参考之前的文章：《数据看板的搭建思路》。

综上，不论是做报表也好、搭指标体系也罢，都是分析问题环节中的一部分，需要工程同学来搭建平台，需要数据同学来维护数仓，需要分析同学来定义思路，也需要运营同学来实现KPI。根本的根本，依旧是如何“提升价值、降本提效”，要么发现新的商机，要么自动化现有工作。

03 指标管理方法

指标体系并不是说建好了，就可以直接用，同样需要一些工作，来管理和解释这些指标。

让我们体验一个具体的场景。

某次促销活动中，运营同学希望统计爆款率，在分会场中，分子是专场中销量超过20件的商品数，分母则是专场内的总商品数。

那么，爆款率 = 销量超过20件的商品数 / 商品总数，按照会场划分维度。

看起来没什么问题，其实坑很多，比如：

• 为什么爆款是销量超过20，有没有分析师来分析下历史专场的销售分部情况？
• 如何定义“销量”，是加入购物车量、下单量还是支付量？退款情况要不要考虑进来？
• 销售的商品件数是按商品销售的件数还是按照商品下SKU的销售件数？运营不关心这个事，但是影响到模型的设计。

然后，还有其他的问题，比如我们统计的维度是什么？统计的周期是什么？这个指标有什么用？这个指标给谁用？

虽然是一个看起来很简单的场景，但如果解答不好，不仅会产生非常多的数据返工情况，争吵甚至投诉，也就在所难免。

再比如，以网约车业务为例，今天的收入下降了50%，为什么？

分析师经过一顿操作，解答到：受疫情影响，乘客下单量降低20%。但问题是，还有30%，不知道什么原因，因为指标体系没有体现出来。经过又一顿的分析，发现接单率也降低了，但因为之前指标体系没有做，于是临时倒排需求就来了。

其实，并不是我们算的每一个指标，都有实际的意义，但每个指标，都需要投入实实在在的人力资源。这个时候，作为数据团队，计算某个指标的投入产出比，以及所消耗的机器资源，就是一项必备工作。运营的工作要支持，但也不能乱支持，数据本身不管是存储还是计算，都是非常费钱的。

这其实就是阿里的OneData方法论希望做的事情：统一口径、减少分歧、准确衡量效果，但更重要的是，降低投入的成本。

在超大规模数据量 + 超大业务复杂度情况下，《阿里巴巴大数据实践》这本书，才能看出一些门道来。

正常规模的公司，其实用不到复杂的指标管理方法。但“量变都会引起质变”，当数据表的数量达到千万级别时，就需要专门的方法论来治理数据，以及相应的指标了。

我们通常把这些工作，称之为“数据治理”。

因此，指标体系的管理方法，与数据治理类似，需要平台来管理，也需要数据来维护数据。详情见文章：《数据资产治理概要：用数据来治理数据》。

04 正确认识指标体系

很多人碰到“指标体系”四个字，都觉得是个不错的东西，想要一个模板来实践一下。

但，指标体系并没有一个“放之四海而皆准”的模板，就像管理体系没有具体的拆解图一样，不同的业务，对于指标的需求是不同的，而这其中的差异，就像管理一样，需要日积月累的深刻洞察，才能做出匹配业务需要的体系。当然，像电商这种发展了很多年的业务，其体系相对成熟，照抄大公司的模板，不失为一种走捷径的方法。

“指标体系”，难在管理上，而不是技术上。

这里捎带提一句，在互联网的从业者，对于很多问题的定义，其实是不同的，大家学的都是同一套技术，但并没有一套标准来约束你怎么使用这些技术。像财务等一些学科，对于问题的定义和分析，都是有明确定义的，总账、资产、负债、利润，等等，不论你在哪个国家、哪个学校，学到的都是同一套知识。因为电商的兴起，互联网对于分析业务（电商、广告等），衍生出了自己的学科，比如数据运营，分析问题的思路，是近些年才逐步成熟的。过去数据开发岗位比较热门，是因为基础的数据技术与分析体系不成熟，但最近这几年的数据从业者，分析师岗位与算法岗位是大热选择，其趋势也是在技术不断成熟、分析体系不断完善的大背景下，逐步的发展起来的。

从这个角度看，指标体系，虽然对外透出的是各种指标与报表，但其内在的核心，是对于一个行业成熟的分析方法，这些都是在历年的积累中打磨出来的。久而久之，这些分析方法沉淀之后，指标体系的历史使命，大约也就完成了。因此，不建议在这个问题上花费过多的精力投入，而应该扎根到细分的行业之中，打行业专家的牌。

当行业增长到天花板，过去电商游戏这种躺着赚钱的业务，逐步的被其他玩家所掌握时，我们会喊着：“狼来了”，每个人都在焦虑行业的未来发展；但自然界总是处在动态的平衡之中，这时候，一些新的机会，也就悄然冒了出来。

上一个时代，是“人人都是产品经理”的时代；这一个时代，是“人人都是数据分析师”的时代。

了解更多精彩内容

数据工程师

构建数据工程师生态圈