系统的设计一个指标体系

|0x00 如何理解指标体系

讲道理，虽然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：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-AWPcG12f-1617021765102)(media/16163754979490/16170028080971.jpg)]

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。

|0x01 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。

比如今年的电商业务，目标是提高收入，那么平台的交易量就要上去，指标体系就要围绕订单量来展开；比如今年的企业业务，希望能够获得更多的潜在客户，那么如何提高平台的注册用户量，就是指标体系的设计目标……

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。

• 探索：关注用户的关键行为，比如PV、UV、转化率等；
• 成长：关注用户的留存情况，比如留存率、自传播量等；
• 成熟：关注用户的活跃与商业化，比如DAU、付费用户数等；
• 衰退：关注用户的流失情况，比如流失用户数、召回量等。

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。

|0x02 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》。

|0xFF 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。

最后

以上就是缓慢毛巾为你收集整理的系统的设计一个指标体系的全部内容，希望文章能够帮你解决系统的设计一个指标体系所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。