一、什么是数据指标体系？
- 指标体系是从不同维度梳理业务，把指标有系统的组织起来。简而言之，指标体系=指标+体系，所以一个指标不能叫指标体系，几个毫无关系的指标也不叫指标体系。指标体系就像是一个整体、一辆车，各个零件组成一辆车，严密结合，口径一致。也可以像一颗大树，主干代表公司的整体业务，不同分叉树枝代表拆解出来的业务维度，每个分支的树叶就是对应的指标。通过数据指标体系的搭建，公司各层级的人员就能从整体和局部不同的需求出发点快速发现并针对性的解决问题，并且大家得出来的口径一致，结果一致。
二、为什么建设数据指标体系？
- 对业务质量提出衡量标准
没有指标对业务进行系统衡量，我们就无法把控业务发展，无法对业务质量进行衡量，尤其现在很多企业多项业务并行，单一数据指标衡量很可能片面化。因此，搭建系统的指标体系，才能全面衡量业务发展情况，促进业务有序增长。 - 明确结果型指标和过程型指标的关系
完整的指标体系，能够帮我们明确结果型指标和过程型指标的关系。不仅能分析结果，更能分析过程。通过结果指标回溯到和用户行为相关的过程指标，找到解决问题的核心原因。如结果型指标转化率，但影响它的多为浏览行为、停留时间等过程型指标，通过指标体系，能清晰明确转化率和和浏览次数、停留时间的关联关系。 - 指导内部产品、营销、运营的工作
产品、营销、运营等部门都是促进公司发展的重要组成部分，通过完成的指标体系和数据分析，可以有效指导各部门成员的工作，以数据驱动，找到不足，提升业绩。 - 指导数据采集
完善的指标体系可以让采集更有目的性，避免分析时的指标数据遗漏或缺失。虽然我们有些数据分析软件可以对数据缺失值进行处理，但如果连指标都没有，这种缺失肯定是软件无法处理的，尤其是关键指标的缺失，将会造成分析结果的可信度下降。 - 统一指标口径，降低公司内部数据对接时的沟通成本。
- 通过指标体系的梳理搭建能够更加全面的监控业务发展，及时准确的发现业务机会/问题。
三、如何建设数据指标体系？
数据指标搭建模型
（一）osm-明确业务目标，数据赋能业务
▪ O（Objective）：是指我们的业务目标。在这个环节我们需要思考或者回答的问题是，我们的业务、产品，甚至是其中的一个小的功能，它存在的目的是什么、能够解决用户什么问题、满足用户的什么需求？
▪ S（Strategy）：是指清楚业务目标之后，为了达成上述目标，我们应当采取的业务策略。
▪ M（Measurement）：是用来反映业务策略有效性、反映策略执行是否能达成业务目标的度量指标。
（二）AARRR模型和UJM模型–理清用户生命周期以及行为路径
1、ujm
梳理用户生命旅程，与业务目标耦合
我们需要为每一个阶段都设置对应的一个目标。在这一思路中设置出的目标就可以去反哺我们之前制定出来的 OSM 框架，判断其是否有遗漏。各阶段目标确定后，我们需要寻找到产品中为了达到这一目标，与用户产生的接触点，例如首页、搜索页面、商品类目页等就是用户逛产品时的接触点。了解接触点之后，我们紧接着就能够找到每个环节的痛点，而痛点的反面就是我们的机会点。同时，这里每一个机会点都可以反哺前面 OSM 框架中的 S，就是我们的策略，机会点是否与策略相互吻合。所以 UJM 的价值就在于，这样梳理了用户旅程之后，将 UJM 和 OSM 进行关联，就可以起到用户旅程与业务目标相互耦合、相互影响的作用，使得我们的业务目标能够满足用户需求，我们策略能够回答业务问题。
2、aarrr
AARRR模型是基于产品角度，简单地来说就是拉新，促活，留存，付费，推广。对于一款产品来说，我们首先要从各个渠道获取用户；其次需要激活这些用户并让他们留存下来；对于留存下来的用户引导他们付费以及推广产品。
（三）mece模型–指标体系分级治理
首先我们明确了业务核心目标；其次，我们将业务核心的KPI下钻到产品生命周期或者用户路径行为中；接下来我们需要对这些核心KPI向下进行三到五层的拆解，这个过程我们成为指标体系分级治理，用到的模型是MECE模型。MECE模型的指导思想是完全独立，相互穷尽，根据这个原则拆分可以暴露业务最本质的问题，帮助数据分析师们快速地定位业务问题。例如，客户总成交额GMV进行以及拆解可以是付费用户数与平均客单价的乘积。
（四）具体搭建思路
1、公司核心指标拆解——mece
基于公司核心净销售额指标进行拆解，对指标进行分级。
以下为部分样例，主要基于公式拆解对于公司指标进行分级。基于要素法对各个维度进行拆分。
2、各业务线指标拆解
由于每个业务线对平台产生的价值不一样，所以对于各个业务线具体的考核指标是不同的。
对于东家来说，0元拍是为了吸引用户参与拍卖；直播拍、专场拍是为了产生交易额；拍卖行是为了拍卖重器。针对每个业务线需要梳理对应业务线的指标体系。目前我们主要采用 osm * ojm的模型进行梳理。
例如下面针对榜单工具的指标梳理流程：
（一）osm模型
o目标：提升静态商品用户浏览转化率
s策略：榜单工具
m度量：①由榜单进入的静态商品详情页-付款转化率 与 普通静态商品详情页-付款转化率对比 —— 判断榜单对于商品详情页-付款转化的帮助。
②榜单页面的付款转换率与其他超级模板付款转化率对比 —— 判断榜单整体页面转化
度量一是本次看板需要制作关注的目标，度量二是可以通过已有看板查询。
（二）ujm模型
UJM 模型，全称为 User-Journey-Map 模型，即用户旅途地图。
UJM 模型是用户在使用产品过程中的生命旅程，指用户从首次接触直至下单以及享受产品或服务期间，用户与企业产品或者平台互动的全过程。
用户旅途常常会和用户路线被混为一谈，其间的区别主要是描述的内容不一样。用户旅途描述的是场景的过程，比如电商 APP 的用户旅途是了解平台→在平台上逛→对某件商品感兴趣→付费下单→复购。而用户路线描述的是用户使用 APP 的步骤，还是以电商 APP 为例，付费下单的用户路线之一是打开 APP→搜索商品→选择心仪商品→付费下单，从这里可以说明，付费下单的用户路线是不止一条的，还会有其他的路线。
应用 UJM 模型
想要将 UJM 模型应用到实际工作中，不仅仅是需要梳理产品的用户旅途地图，还需要从以下几个维度对每一个旅途进行分析：
用户行为：用户在该旅途会进行什么操作
目标：在该旅途要完成的目标
接触点：产品与用户连接的地方
问题点：当前在该旅途会有什么困难或者不足
机会点：针对目标、行为和问题点总结出机会点
衡量指标：针对机会点选择合适的指标进行度量
我们还是以跨境独立站电商为例，首要先梳理清楚用户旅途：了解商品→在平台逛→心仪商品→注册登录→付费下单→复购。然后根据用户旅途去分析每个旅途节点的用户行为是什么，业务目标是什么，有什么和用户的接触点，在旅途中有什么问题，并针对这些问题找出机会点，最后根据机会点寻求合适的衡量指标。最终结果如上图所示。
写在最后
UJM 模型也不仅仅适用于做数据指标体系的规划，还可以用于做需求挖掘与分析，从用户旅途地图中挖掘用户的痛点，探索用户的需求。另外，UJM 也可以和 OSM 模型结合起来使用，其中 UJM 的机会点可以转换为 OSM 模型的策略。
三、数据指标中心
（一）概念
数据指标中心是规范化开发指标并对其进行管理维护的系统，将指标的组成部分解耦拆分开来，并在逻辑表中进行规范性的定义，在此基础上，后续可以按照一定规则进行自由拼装，实现自定义指标的功能。
（二）如何建立数据指标中心
1、首先定义指标并归集到对应的主题域
指标的本质是量化了的目标，比如常见的例子：
①我们要把用户的盘子做大，那对应的量化指标就是已注册用户数；
②我们要统计今天的销售额，那对应的量化指标就是总支付金额；
③我们要衡量一次活动的效果，那对应的量化指标就是下单率。
从上面的例子我们可以看到，我们比较常用的几个类型的指标就是，存量型指标（已注册用户数）、事务型指标（支付金额）、转化型指标（下单率），其它还有比例型、统计型、排名型等，这些比较不常用，就不在此赘述了。
这些不同类型的指标，分散在我们产品中的不同功能模块中，所以为了更好地规范与管理，我们需要将这些指标也按照主题域的方式归集起来。主题域在“仓库模型中心”进行创建与定义，在这里只需要将对应的指标划归到对应的主题域就行了。
2、然后是拆分原子指标与派生指标
先来看看原子指标跟派生指标这两个概念具体是什么？
①原子指标：是事实表中，某一个字段的统计值（sum、count、max、min、avg），如下单用户数，下单金额等；
②派生指标：是基于原子指标，进行维度组合后产生的指标，如近1天商城下单用户数，本周商城黄金会员下单金额等。
原子指标无业务意义，它只是预定义的代码片段而已。业务中用到的指标基本都是派生指标。
3、接着定义原子指标与派生指标的生产逻辑
在本章的开头有提到这样一句话：“将指标的组成部分解耦拆分开来，并在逻辑表中进行规范性的定义”，这个解耦跟定义的过程，就是把一个派生指标拆解成原子指标、时间周期、限定维度、聚合粒度，然后再重新拼装，生成新的派生指标的过程：
①统计周期是这个原子指标进行统计运算的时间范围，在这里是本周；
②聚合粒度是指标的主体，即按照哪个维度来来进行聚合，这里是黄金会员；
③限定维度是限制原子指标的计算范围，这里限定在商城，即只计算商城相关的数据；
④原子指标则是预定义的某个字段计算规则。在这里是下单金额的累加。
4、最后通过指标管理平台对指标进行规范生产
（1）规范化指标命名
命名规范对于后期大量的指标管理来说非常重要，因为当指标多起来的时候，你要找一个指标经常需要用到检索功能，而检索的前提是你对指标有一些前置的认知。这就需要我们对指标的命名进行规范化。
指标命名规范有三个重点：
①简洁明了，易懂：最好是只要看到指标名，不需要看注释就可以知道它的意思，归属等；
②格式统一：每个指标的格式都是一样的，通过组合不同模块的命名拼凑起来；
③生成统一：原子指标与继承自它的派生指标的规范是一致的。
以商城相关的指标为例：
①所有业务下单跟支付指标，默认以主单为统计口径，不用带“主单”相关字眼，如商城下单次数；当统计口径为“子单”时则需要在命名中标出，如：商城子单下单次数；
②所有与人相关指标默认以“注册用户”为统计实体，不需要带“用户”相关字眼，如访问次数；当统计主体为“游客”时则需要在命名中标出，如：游客访问次数；
③无指定业务范围的指标默认为平台指标，不需要带“平台”相关字眼，如近30天支付人数。如果有限定业务范围，则需要加上业务名称，如：商城-近30天支付人数；
④无指定时间周期的指标默认为“近1天”（但需要保存小时粒度，便于后续下钻），不需要带“时间”相关字眼，如注册人数。如果有限定时间范围，则需要加上时间周期：如：近7天注册人数。
完整的命名的规范为：商城（业务板块）+用户（实体）+近7天（统计周期）+新增（业务动作）+子单（类型）+单日（间隔周期）+平均（统计运算规则）+支付金额（原子指标），如：商城-用户近7天新增子单单日平均支付金额（没有的部位可留空，如：商城-汇总支付金额）。
⑵规范化统计口径
当指标主体为实体（名词）：游客、用户、商品等，则只需定义单位为“人/个” 即可。如：游客人数、用户人数、商品个数。
当指标为业务动作（动词）：如点击、支付、下单等，单位除定义为“次数” 外，还需考虑跟这个动作关联的实体的单位，如“商品”时需要定义多一个单位“笔数”；为“用户”时则需要定义多一个“人数”等；所以一个下单动作的指标，会有多个不同的统计口径：下单次数，下单人数，下单笔数，下单金额……
在定义指标名时需要详细列出，避免出现“下单数”这样模糊的指标。
⑶规范化指标等级
我们都知道，随着公司的发展，产品在不断地进行迭代，功能的增删与业务的变化势必也影响着指标的发展，一些旧的指标被不断更新或废弃，而新的指标也不断增加。这时对指标的管理也成了一个问题，哪些指标由谁开发？后续谁来维护……
一个比较好的解决方案就是对指标进行等级划分，可以划分为两个等级：
①一级指标：即原子指标与小部分全平台的核心指标，从各业务部门收集需求后，统一由数据中台来产出，有一套完整规范的开发流程：需求-评审-排期-开发-测试-验收-上线。所有维护管理工作都由中台负责；
②二级指标：即派生指标，由各业务部门自定通过指标中心生成，没有严格的开发流程，各业务部门根据需要自行创建，但需要遵守命名规范。所有维护管理工作由部门内部负责。