如何搭建一套完整的数据指标体系？

这里有一篇我们商业分析经理 6000 字的详解「如何搭建一套业务、数据一体化的数据指标体系」

开门见山！这是我们总结出的一条让业务+数据一体化的指标体系规划思路：

首先通过OSM（Objective-Strategy-Measurement）使业务目标结构化，然后融合UJM（User-Journey-Map）使用户体验流程化，并用之反哺、校准业务目标，最后通过将业务场景模块化，使整个指标体系快速落地。

下面就来给大家介绍一下这三个框架的定义、如何产生以及三个框架之间的关联。

1， OSM 模型：业务目标下沉式实现数据驱动的最核心逻辑

▪ 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。

以上就是 OSM 的基本的框架。之后我会给分享一个电商经典的 OSM 模型，来帮助大家更好的理解它。

2， UJM 作用：梳理用户生命旅程，与业务目标耦合

UJM 就是我们在设计一款产品的过程中，必须要去梳理的用户生命旅程。

为什么我们会在搭建指标体系这个过程中引入用户生命旅程的思路呢？

前面我们通过 OSM 的框架设计好了业务目标、策略和度量指标之后，需要回过头来梳理整个产品的用户生命旅程，以校准我们的业务目标，判断它能否与用户每个阶段的旅程进行吻合。

也就是说，UJM 是用来与我们的业务目标不断进行耦合的，两者相互影响、相互作用，促使业务目标能够更好地贴合用户需求，业务策略能够更好地回答业务问题。

为了方便大家更好的理解，这里简单介绍一下 UJM 的思路。

如上图，一个简化版的电商产品 UJM，它包括：拆解用户所处的每一个旅程阶段，了解每个阶段中用户的行为，明确每个阶段中产品的目标，发现各阶段中产品与用户的接触点，最终从接触点里找到产品的痛点和机会点。

也就是说，用户使用一款电商产品，会经历这六个阶段：

从各个途径了解该电商平台，并进入该产品 → 通过首页、搜索功能乃至商品类目页等其他各个入口“逛”平台 → 对商品产生兴趣，进入到商品详情页 → 进入付费流程，完成一次重要的转化 → 分享、复购阶段。

在整个用户旅程中，用户会反复发生各环节间互相的跳转。

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。

3， OSM × UJM：关联业务目标与用户旅程

这里仍然举一个电商经典的案例。

首先 GrowingIO 将电商的一个战略目标（O）——“提升 GMV”根据电商的经典公式进行了拆解，拆解成为三大目标，分别是提升用户基数、提高转化率以及提升客单价。

每个目标下面都会有对应的一个策略（S），而这里的策略其实都来自于刚刚的 UJM 框架梳理出的用户每一阶段的机会点，每个策略也都会有对应的一个度量指标（M）。

也就是说，这里的每一个目标对应的策略、度量指标都是与用户旅程的每一环节对应。这样就有了一个指标体系的大框架。

4， 围绕业务场景推动指标体系落地

但是有了大框架之后，就能直接开始去落地采集数据、看数据了吗？

我们在与很多客户一起实践探索的过程中发现，光有 OSM 和 UJM 两个大框架，在实际落地过程中还是有一些掣肘，这个框架还是过于庞大，当我们想要快速切入、快速落地的时候，往往可能会找不到明确的切入点。

如何将这些高高在上的战略目标下沉到一线执行人员的具体工作当中？紧接着我们引进了“场景化”这个概念。

场景化其实就是为了帮助我们在庞大的 OSM×UJM 指标体系框架之下，能够模块化、结构化地快速切入落地指标体系。 也就是说，场景化在这里作用是推动指标体系的落地。

以上是 GrowingIO 的分析师团队在与我们的上千家客户一起落地指标实践过程中梳理出来的、能够满足指标体系落地的 20 个通用型场景。

有了一个整体的 OSM×UJM 架构之后，我们就会根据用户的路径，在这 20 个场景中进行对号入座，来满足不同部门从拉新到转化最终到提升管理效率等环节、不同层级的需求。

同样把这 20 个场景带入到我们的电商指标体系中。

在前面 OSM 与 UJM 关联的基础上，我们在每一个环节上又对号入座了各自关键的场景。

举个例子，第一个目标提升用户基数，对应的用户旅程阶段是需要用户从不同的渠道、平台了解产品，所以需要对应的就是“找到最优渠道”这一场景。

或者考虑是否有线下活动可以导入私域流量，如果有线下活动的渠道，还需要融入“线下导私域流量”的场景。

有了 OSM 和 UJM 并匹配到了我们的各个场景后，整个指标体系就可以从一个非常大的战略目标进行层层拆解，拆解到我们一线执行人员可落地的场景中。

这张图就是 GrowingIO 帮助一家客户梳理了整个框架，按照用户生命旅程的每一个节点，结合 OSM+UJM+场景化，真正的实现了战略目标以及用户生命旅程的数据化。

5，GrowingIO 数据指标体系搭建最佳实践

数据指标体系搭建并不是单个部门能够完成的，应当至少有业务团队、数据团队以及开发团队三个团队进行协作（业务部门包括但不限于市场、运营和产品团队）。

上图是 GrowingIO 总结及建议的，在企业内部搭建数据指标体系的最佳实践流程。分为以下 6 大阶段：

1. 需求收集阶段：一般由业务团队提出业务需求，数据团队评估、归纳业务需求。

2. 方案规划阶段：需要业务团队和数据团队共同制定、梳理 OSM 和 UJM，并且归纳出每一个环节的场景，设计出一套指标体系。

3. 数据采集阶段：指标体系在团队内部达成一致之后，建议由数据团队牵头设计数据采集方案，规范指标命名。命名是非常一件重要的事情，可以说是互联网行业两大痛点之一，下篇文章会为大家分享。

4. 采集方案评估：数据方案采集方案设计完成后，需要联合业务、数据、以及开发三大团队一起进行采集方案的评估，评估实现成本以及实践的优先级。这里就可以按照之前说到场景化模块，根据成本和重要性，评估优先去落地实施哪一场景。

5. 数据采集与数据验证上线阶段：这个环节主要需要开发团队来设计一些数据库，按照前端、后端埋点等等数据采集方案进行数据采集；然后进入到一个非常重要的环节——数据校验，这里必须要保证我们的数据校验与指标体系需要的数据口径一致，这样得到的数据才是业务方需要的数据，才能够回答业务问题。

6. 效果评估阶段：最后是一个非常有价值的阶段，即效果评估。这个环节中，需要由数据团队牵头，将数据搭建出可视化看板，通过看板指导实现业务迭代效果。

业务迭代肯定会有很多的新功能、新业务线产生，这些新业务线同时也需要反哺指标体系。也就是说，指标体系的搭建不是一蹴而就的，而是要在原有的基础上不断地迭代的。

还有一个重要的环节，是在指标体系看板搭建完成之后，需要输出一个数据字典。数据字典能够协调全公司的一个步调，使大家都在同一个数据口径看待数据，提高公司整体的协同效率。

以上就是整体的一个协作流程。

基于这个流程，GrowingIO 和我们的客户可以高效地实现指标体系的落地。在这个过程中，会由客户的业务方和技术方，以及 GrowingIO 的项目团队和分析师团队一起完成。

在大概在 8 周之内，我们就可以实现一套指标体系的高效落地，帮助客户将“数据增长”融入到企业日常工作流程中，帮助客户理解增长体系、真正地落地增长。

以上回答，希望能对大家有所帮助。

知友福利：

福利一：点击申请 GrowingIO 数据指标体系搭建方案 ⬇⬇⬇

GrowingIO 数据指标体系搭建方案，提供“埋点+无埋点”双模式高效采集数据，可视化数据看板指导业务增长。我们拥有国内外专业的商务数据分析师团队，帮助客户梳理数据指标体系，提出解决方案，切实找到可落地的数据增长点。

福利二： 点击免费下载《指标体系与数据采集》电子书 ⬇⬇⬇

我们结合 5 年来服务上千家客户的经验，融合经典方法论与成功实践，推出这本电子书。围绕「数据指标体系搭建」展开，共计 69 页，详细介绍了如何运用模型规划、如何选择采集方式、如何管理数据指标等一系列知识框架与经典案例

帮助产品经理、运营/市场、数据分析师等建立系统的认知，掌握可复制的方法，落地数据驱动增长！

这是部分内容预览，希望这本电子书对您有帮助～

接着目前的最高赞（我们公司的分享），再补充一个我们最新的「5X3」矩阵，帮助企业分阶段、分层次，更快落地整个企业的指标体系搭建。

1. 「OSM×UJM×场景化」

规划数据指标体系遵循「OSM×UJM×场景化」三步走思路。

首先，通过 OSM（Objective-Strategy-Measurement）拆解业务目标，使之结构化。然后结合 UJM（User-Journey-Map）梳理用户生命旅程，将公司目标、策略与业务流程快速耦合在一起。最后通过场景化模块，推动指标体系落地。

第一步：OSM 拆解具体业务目标

规划指标体系的第一步，是通过 OSM 模型使业务目标结构化。通过拆解业务的具体目标，落地业务执行战略，进一步评估业务策略的有效性，以反映执行策略是否达标。其中，业务目标拆解是我们认为最重要的一点。

接下来给大家举例一个电商经典的目标拆解，通过拆解电商的黄金公式，即将营业销售额（GMV）拆解成为用户数×转化率×客单价。拆解业务目标点，可以发现提升 GMV 依赖于用户数提升、转化率提升和客单价提升三个阶段。

第二步：UJM 梳理用户生命旅程

UJM 是用户生命旅程。举例电商产品，通过抽象业务流程，可以把用户产品使用过程分解为「了解平台—浏览平台—产生兴趣—付费购买—用户分享—产生复购」六大阶段。

在整个用户旅程中，用户会反复发生各环节间的相互跳转。确定 UJM 后，需要与业务目标相耦合。处在不同生命周期内的用户都有与之对应的业务目标值。

如在用户进入阶段，我们的首要目标就是用户留存。为了达到这一目标我们需要寻找用户产生的接触点。了解接触点后，我们就能找到每个环节的痛点和机会，反哺业务目标。

第三步：落地业务场景搭建指标体系

有了 OSM 和 UJM 两大框架之后，需要借助场景化推动指标体系落地。在搭建指标体系的实践中，要将目标拆解和用户旅程映射到真实的业务场景中。

GrowingIO 分析师团队在上千家客户实践中，抽象出了 20 个通用的业务场景，提供适配的指标体系搭建方案。

举个例子，当我们的战略目标为提升 GMV 时，可以将其拆解为 3 个细分业务目标，其中目标 1「提升用户数」在关联用户生命旅程后，对应出「找到最优投放渠道」的业务场景。该场景又涵盖了线下活动导流私域流量、通过裂变活动寻找 KOC 等特殊的变形场景。

「OSM×UJM×业务场景」是 GrowingIO 在服务上千家客户后总结出的一套指标体系搭建思路。借助这套方法论，新兴行业能够快速找到指标体系搭建的黄金公式，细化业务目标，映射于用户的 UJM 路径之中，最终匹配对应的场景。

2.「5×3」矩阵搭建企业指标体系

接下来和大家分享企业进入数字化进程后，搭建指标体系时需要关注的五项工作和三个阶段。

我们把搭建指标体系的过程划分为 5 纵 3 横的几个模块。

纵向的五项工作，对应着 OSM 模型的策略执行场景。依次是拓展高质量渠道、流量分发、产品体验、运营促销及商品运营。

横向代表了企业的三个运营阶段，分别是全局统一运营、会员分层运营和智能模型运营。

尽管企业因为行业性质、目标用户等不同，构建指标体系的落足点也有所不同。但 GrowingIO 在服务企业的初级阶段，所面临的用户第一需求几乎都是搭建全局统一的运营体系，即渠道投放、首页分发、解决转化瓶颈等基础场景。只有关注基础场景，才能快速发掘产品的痛点和问题，做出基于全局的诊断。

其次，企业需要关注分层运营的需求和场景，建立分层会员体系支持运营需求。最后是实现自动化的管理与分发，提升个性化推荐的效率和效果。

2.1 全局统一运营阶段

全局统一运营是搭建指标体系的第一阶段。在这个阶段，企业的核心在于识别用户：我们的用户是谁？从何而来？有无转化阻碍？

为了达到这个目的，我们抽取出了三个最关键的场景：

• 打通渠道数据，找到最优投放渠道
• 监管首页分发，优化用户引导
• 串联访问数据与业务支付数据，获取真实转化率

通过数据打通数据，我们可以获得两个业务场景的应用效果。

第一个场景是准确识别渠道质量。获取不同渠道的获客质量和获客能力，是市场投放与外部引流中最关注的环节，因此需要建立合适的指标衡量不同渠道产生的用户效果。

上图展示了不同广告来源的流量效果。橙色框代表着各个广告渠道获得的流量；蓝色框用于衡量用户访问行为，使用跳出率、人均浏览页数和人均访问时长三个指标；黄色框用于衡量业务效果，涵盖浏览详情页、加购成功、购买成功三个用户行为。

打通渠道数据、访问数据、业务支付数据后，我们就能得到各个渠道的用户转化率，识别出高质量的广告渠道。

从上图可知，仅从用户量而言，B 是一个较小的流量渠道，如果只看访问数据，它的整体跳出率低，人均访问质量非常高，B 是访问效果较好的渠道。

结合业务效果指标分析，就会发现 B 渠道的购买转化率非常低，只有 0.01%。像 B 渠道是交互效果强但真实购买转化效果差的渠道，就是业务部门常说的异常渠道，需要重点关注，把握渠道流量，提升转化效果。

还原平台转化地图，识别转化痛点，是打通数据后的第二个应用场景。分享一个客户案例。上图展示了一套电商平台从来源引导到访问，再到高价值行为、支付的标准流程图。

通过打通全局数据，我们可以清晰地描绘出该电商小程序用户来源的渠道构成、整体访问情况，包含从首页、搜索再到高价值支付行为的全流程用户数据，挖掘可优化的用户转化环节。

在全流程监控用户行为后，我们发现了客户产品设计中的最大问题——加购流程过于复杂。与首页列表或产品列表页直接加购的设计不同，该电商小程序要求用户必须进入产品详情页面才能完成加购。

通过还原数据行为，我们佐证了该电商小程序中过于复杂加购设置对用户转化率的负向影响。

基于该流失转化率，我们为客户提出了优化意见：缩短转化路径。即通过首页或产品页的加购引导，使用户点击小程序后可直接跳转至高转化率的产品列表页，变相提升小程序的付费转化率。

在该案例中， GrowingIO 通过埋点流量分发环节，帮助客户识别最优渠道、提供产品优化思路，使该电商平台支付转化率提升 20%以上。

2.2 会员分层运营

在完成数据积累后，就进入到会员分层运营的阶段。会员分层运营指向多样的场景：比如基础的用户运营、会员运营，再到定向的活动推送、弹窗曝光……

在用户运营上，GrowingIO 通过细分用户生命周期，划分出不同类型、不同状态的用户，针对性设置差异化提升指标，匹配精细化运营策略。

举个例子：对于新客而言，复购转化是其阶段目标。可进一步拆解成复购率、次月留存率，通过保证留存来提升用户复购。

对于新客而言，运营策略应集中于新客优惠福利。通过识别处于新客阶段的用户，使用定向推荐红包、满减优惠等策略，进行精细化运营，提高用户复购及次月留存。

分享一个内容平台的案例帮助大家理解会员分层运营。这个案例的目标是希望通过派发免费会员权益，引导新用户完成付费转化，实现平台付费和留存率的提高。

为了提高新用户付费和留存率，我们在用户领取会员权益后，设计分阶段转化率测试，识别影响用户付费转化的关键因素。在测试设计的过程中，需要特别关注以下两个问题：

第一，识别用户行为。在进行分阶路径设计时，需要明确的是我们到底要对什么样的用户进行测试——是领取过会员卡的用户还是没有领卡的用户？

显然，测试的对象为领过会员权益卡的用户。因此我们需要判断平台上的用户行为属性，这就依赖于用户行为数据的采集。

第二，判断兴趣标签。在找到领取会员卡的用户群后，需要根据采集到的行为数据构建用户兴趣标签。

比如用户是喜欢历史的、还是喜欢地理的？是有内容偏好的、还是进行泛阅读的？不同用户标签标记都会影响后续的运营分组测试。

以上就是我们数据准备过程的一个概述。

在划分领卡用户后，就可以进行用户测试，通过回收数据、复盘数据实现测试迭代。在这个过程中，我们使用了 GrowingIO 智能运营平台（欢迎注册体验），测试有无内容偏好对购买转化率的影响。

此外，我们还测试了用户触达时点对转化率的影响——是在会员卡有效期内做触达效果更好，还是失效后的效果更好？如果是失效后的效果更好，是失效后的 15 天内，还是 4 周后？

通过测试，我们洞察出在用户领取会员卡 0-15 天内做触达得到的付费转化率最高，业务部门快速将这个结论落地于文案设计的实践中。

比如在文案中设置紧迫性的语言提示，要求用户必须当日领取会员权益、或是在三天内兑换会员，以达到提升转化效果的目的。

通过结合测试结论与业务实践，我们帮助客户实现了两大跨越：

第一，付费转化率达提升 58%。

第二，构建了完整的用户标签体系，助力平台精细化运营。

通过获取用户行为数据，可以测试不同因素对付费转化的影响。充分利用运营的持续性，进一步通过回收用户数据不断调整和迭代影响因素测试，实现用户精细化运营。

2.3 智能模型运营

人治阶段的运营以经验导向为主，可以通过收集数据、标签用户，完成用户精细化运营。相较于基础版的全局运营，极大地提升了整体运营效果。但在长期运营中，人治的方式在效率上还有所欠缺。

因此在搭建指标体系的第三个阶段，我们可以通过智能运营模型，实现“黄金铺位”的管理和分发，进一步提升运营效率。

下面我们将通过一个案例，分享智能推荐的实操。在该项目当中，GrowingIO 与头部电商合作，帮助客户汇总用户的行为数据，并做出以下成果：

第一，丰富了用户的特征列表。通过 GrowingIO 采集用户行为数据，商城可以设置基于商品标签的推送逻辑，动态调整推送商品。

比如，当我们发现用户对“水杯”类产品浏览次数增加却没有下单时，可以判断用户有购买该产品的需求却没有找到理想款式。于是通过商品标签的推送逻辑，在用户浏览页推送款式、功能、价格相近的水杯，缩减用户搜索时间，提高商品成交率。

其次，GrowingIO 通过强大的用户标签体系，帮助平台构建基于用户属性的推荐模型。通过整合用户行为数据，可以为每位用户贴上标签，并进行深入化的应用。

比如，一个用户的标签为：20-25岁，女性，白领阶层，单身…最近购买了某品牌的连衣裙。那么具有相似标签的用户群体，我们推断她们有很大的可能在该时间段产生相似的需求，并基于此做出相应的推荐。基于用户属性推荐的商品列表，能够唤醒用户潜在消费需求，扩大电商的 GMV。

第二，实时调整运营场景动作。通过收集用户行为数据，我们可以洞察用户推荐接受偏好。推荐弹窗是平台商品推荐的方式，也是激发用户购买兴趣的首发页，研究推送方式对推荐点击率的影响非常必要。

用户接触推送弹窗可以分为主动点击和被动点击两种。通过追踪平台上用户的弹窗点击行为，可以区分出高弹窗点击兴趣和低弹窗点击兴趣两种类型用户，根据用户的动作偏好设计浏览页。

比如年轻的用户群体可能喜欢主动点击弹窗，那么我们就可以提高弹窗在年轻用户浏览页中出现的频率，吸引用户点击。

当我们发现某类群体对弹窗的态度相对被动时，就需要及时调整页面的推送动作，提升用户体验感。

通过智能化运营，该电商平台实现了推荐位点击率 10%的提升。值得注意的是，推荐位点击只是一个中间效果，不能将其看成是关键指标，最终还是需要围绕电商平台的成交量指标去做转化。

目前，GrowingIO 与该电商平台的合作还在持续进行，如果还有机会，期待和大家分享进一步的结果。

综上可知，搭建指标体系是一个 5×3 的一个推进过程，也是企业逐步提升运营效率和效果的过程。

3. 指标体系搭建的实操流程

3.1 6 大核心模块

前面的部分和大家分享了指标体系的搭建阶段和搭建环节，明确了相关的指标模块、场景模块以及数据要求。这部分我们会带大家进入一个真实的指标搭建情景，提供实操的建议。

我们把指标体系的搭建过程做了一个去行业化的整理，保留了以下 6 个比较核心的模块。

在全局统一运营阶段，我们需要核心打通的有三个环节。第一个就是渠道的数据打通，明确用户的渠道来源。第二个是各个渠道的分发效率，它的转化表现如何。第三个是监控转化效率，也就是打通访问数据和效果数据。

在会员分层阶段，除了监控活动效果，还需要打通用户属性。即汇集 CRM 的数据，串联用户属性和用户行为。

智能模型运营阶段中，核心环节在于推荐位的智能运营。

以上这六块是「5×3」矩阵中较为核心的工作项目。通过串联用户行为与企业运营阶段，就能构建出与企业阶段发展目标相匹配的指标体系。

3.2 协作赋能 高效落地

搭建指标体系依赖多维度的用户数据，因此需要公司全体部门联动实践。市场、运营、产品、数据、开发等部门均需赋能指标体系搭建过程，协助完成需求收集、方案规划、数据采集、方案评估、数据验证、效果评估等工作，共同搭建数据驱动业绩增长的指标体系。

在企业指标体系搭建过程中，GrowingIO 提供高效的咨询团队，咨询团队可以帮助企业高效完成 OSM×UJM×业务场景的方案规划，8 周内搭建完整的企业指标体系，并提供数据打包输出、问题诊断报告及最终效果评价等服务，助力企业高效落地指标体系建设。

以上是搭建企业指标体系方法论、体系和实践应用的分享。希望能够对大家有所帮助，有所启发。

也欢迎大家 注册免费领取 GrowingIO 的数据指标体系搭建方案，我们不仅提供“埋点+无埋点”双模式高效采集数据，可视化数据看板指导业务增长。还拥有国内外专业的商务数据分析师团队，帮助客户梳理数据指标体系，提出解决方案，切实找到可落地的数据增长点。

前言：

这一篇严格说来应该是在 共享出行分享的订单篇（5）之后，我的想法是：1）大家要具备一些前置知识，业务经验，才好理解接下来我的分享；2）搭建指标体系是一个工程，而不是个人分析，所以初学者通常急于在这个事情上有所表现，但最终只是为指标体系的搭建做了取数工作，我想和大家说，这很正常，需要一个过程。

所以下面我基于自己的实际经历，和自身的学习理解，分享一下我对指标体系的看法和实操过程，欢迎斧正。

一、初接项目

建设仪表盘的项目是我写在简历上的其中一个项目，大概是在毕业一年半左右被领导委任跟进，后来mentor离职，我逐渐接手，在三年期跳槽的时候也有问到一点

PS：不过后面就少了，我理解指标体系搭建这个事情，如果不是bi或者数仓，纯业务向的数据分析师问的会很少，三年期问主要还是找一个执行者而非主导者。

搭建指标体系的背景，在当时是：数据口径杂乱，老板看数出了偏差，业务数据无法明确指向问题，所以我们需要做一个仪表盘来给老板。

说的高级点叫仪表盘，说人话就是按老板的需求做个报表，只是要往上说，或者内部报项目的时候，会起仪表盘的名字。好名字有时候也重要，虽然主要的作用是老板开心，但老板开心就是最重要的嘛。

可如果仅仅是做一个报表，其实也不能解决问题。我自己的理解，仪表盘要解决的问题就是老板要看数，看了数要指出问题，指出问题了需要你这个中间人去处理。

所以在这个项目里，指标体系的价值体现在售后，体现在由于这件事情牵扯出来的其他业务问题。

如果老板本身就有数看，就不会额外有这个项目，而建设结束后，后人也就是在这个上面修修补补，所以这是个一把子生意。

这也是我理解为什么很多公司招聘有这个需求，但其实大部分人工作中一头雾水，找不到这个项目，要去外面学，我觉得还是因为这种经验本身不是常规需求。不是说今天配一个活动，明天改一个功能，从它的需求目的，和后续的工作来看，它通常只会发生在公司发展中的某几个环节，所以经验难得。

当时是按季度来申报的项目，给的时间是三个月。

二、梳理指标

第一个工作通常是梳理现有指标的统计口径，比如：

订单量 = 每天正常开关锁的记录数量 = 一段写订单的SQL

有了之前的文章，其实最初的指标已经出来了。

这个看板虽然是用excel整理出周报，但是也要上报表，每天更新给管理层看。

上面的这些指标，其实都好办，很多大数字其实SQL不会出错，但是再往下一步就容易进深水区。

例如我举一个例子，失联车辆数的定义是被打上失联标签的车辆数，这个逻辑从埋点或者宽表就能轻松取到，但是这是一个结果指标，而不是业务部门执行策略的指标。

这就要开始聊，业务部门是怎么解决失联问题的：

1.车辆会有一个预失联的概念，算法会预测一个预失联的结果，打上标签，然后线下就会有人专门找回。这个时候车辆还会上传位置，失联后就没有位置了。

2.车辆的失联通常会发生在“容易导致车辆没电”的场景，这是由于智能锁是由太阳能电板供电的，如果没电车辆就容易失联，防止车辆进入失联场所也是一个命题。

当然，实际的业务细节肯定业务更了解，我再举一个具象化的场景：

共享单车很容易被城管收走，堆到城管仓库，堆的车辆太多了，被压在下面的车就容易没电，接触不到阳光。而取车又都是从上往下取，所以车辆很容易失联。

解决的策略是什么呢：通过分析智能锁各时段的耗电量，和进城管仓库时候的平均剩余电量，系统设置这个区域的车减少上报位置的次数，节省电源消耗，最后减少失联比例。

这个策略的考量是建立在：车辆已经进仓库，不大可能再被挪动，如果仓库的车辆够多，后台才会这么设置。

当然，这个小策略只能解决一部分的问题，但是顺着这个思路我们往下说。

如果我们想明白了这一点，你会发现梳理的指标变多了。比如就失联车辆数这一个指标，还要再细分到：

1.预失联车辆数

2.城管仓库失联车辆数占比

3.非核心区失联车辆数占比

注意，这三个指标，均指向一个更细分的执行场景。如果把你的视角放到业务身上，失联车辆数是主要的kpi，而上面三个指标就是解决这个指标的主要手段。如果预失联变多了且失联也变多了，说明处理的效率下降了，这就要进一步看到处理失联车辆的人效，是否要更多招人，解决这个问题花这个钱值不值？又或者说还有没有什么方法，可以通过不加人就解决的？

这个时候运营就会取数，调研，询问，写方案，逻辑还是去看：预失联怎么增加的，是算法问题还是确实增加了那么多？预失联到失联的处理效率是不是下降了，是城市有问题还是全国都有问题？

这个时候城市也会担心，因为失联车会导致资损，会影响订单，他们就会和业务中台联合起来解决问题，最终让这个值稳定在目标范围内。

好，当你站在他们的视角，把这本书打开来看清楚了，你就会在指标上面新增下多笔。不止失联车，调度车辆数，城管、仓库车辆数，还有用户侧的数据，全都会打开再看一遍。

最后落地在报表上的，是非常多的指标，每个sql你都要看一遍，并且如果口径不合理，需要你说服各方改过来。

这种小问题其实非常耽误时间，尤其是在项目刚启动的时候，业务自己觉得，内部怎么算这个数，最后那个资损降了就行，失联车数量降了就行，但是例如失联车在不在城管仓库里，城管仓库划分的准不准，车辆离开仓库后还会不会统计，什么时候统计，统计到当天的十二点还是六点，刷新一次还是两次，这都会影响这个数的结果。

PS：到这个地方请自查自己的SQL能力，取数就是你做的最多的事情。

而且你说不对，你要给个对的。但是你要给对的，你就要去问，怎么样才算合理的，你也要和业务部门达成一致。但是假如你自己就是业务部门的人，中台下来一个人要和你盘口径，你做这个业务都那么久了，他还没你懂，他为了推业务态度可能还不太好，你会协同吗？那还不是，今天没空，明天也没空？这事就慢下来了。

所以做到前面那一块，差不多用了一个月，给到老板看的报表才出具雏形。

三、分类管理

上面的做法，相当于指标体系完成了指标两个字，你收集了足够的素材，但是他们只是报表上毫无生气的罗列结果。

而下一步，大概花1~2周的时间，让这些指标真的成体系。

最后的目标是：当老板对指标有疑问的时候，报表能够更快速的定位到问题在哪里，能够指向谁。

在上面的例子中，你发现你默默的摸清楚了失联车业务同学看数据的逻辑，那么从逻辑上来说，是不是看到了失联车数量变动，再看是城管仓库失联车占比变高，那么就知道现在出问题的是失联车，失联车出问题的地方是在城管仓库，那么你就能找到对应的同学。

够了吗？

还有点不够。

事实上一个相对完美的结果是：

1.纵向来说能够定位到问题具体的责任方，也就是问题在哪里，问题有多大，这个是上面说的这一点。

2.横向来说要定位问题的来源，既然是城管仓库的失联车占比高了，那城管仓库有没有问题，管城管仓库的同学有没有意识到问题，是否联动解决才是更好的策略

3.哪件事更重要？

第三点这一期我们不讲，难度太高，我们说到第二点，其实就是指标体系期望能发挥的作用。相当于第一点是及格线，你把问题摸清楚了，口径摸清楚了，能用，这是一个仪表盘了。

但是第二点，仪表盘上还要有一个操控人，作为中台数分，能够发现各部门之间的问题，及时配置资源，高效解决问题才是。因为管失联车的和管城管仓库的可能不是一个人，等到他发现问题，他要去上游找管城管仓库的人，但是管城管仓库的人的kpi可不是资损，这未必是他看重的事情。

那么作为分析师，你的观点是什么？这件事是一个该解决的事吗？他比哪件事更重要呢？

或许没有想那么多，只要告诉老板，现在问题从失联车蔓延到城管仓库，那么他去做决定即可，这本身也是老板的能力和权力，你又不一定有机会配资源。

所以，上面这些是：我为什么要它成体系。

下面是：我应该怎么做

简单来说就是：分类

再简单点：订单数应该是最重要的指标，那么订单数等于活跃用户数 * 人均订单数；又等于车辆数 * 车均订单数。

看起来，订单可以归为一级指标，用户和车辆归为二级，那么失联车是三级，失联车城管仓库车辆数占比是四级。

其实大体上就是这个思路，剩下是一些细节的实际问题：

1.订单数可以等于两个公式，那我是不是事无巨细的都放，因为这看起来像废话。所以就别放，因为确实是废话。

2.车辆数的下一级可以是失联车辆数，但是要把失联车这个东西讲透，仅靠下一层指标是不够的。可能会参照历史情况，对一些城市、场景、时间序列的规律进行拆解（比如冬天北方日照短，可能失联比例就不同）

3.谁应该放二级，谁应该放三级呢？比如说，用户数和车辆数的影响，哪个对订单数更重要？这里就需要对数据有分析，就像做用户分层一样，把问题捋清楚了，再排列指标。

分类本身并不困难，但是对比第一点，它考验的是统计学+分析能力，这块是完全交给你的。

这个差事做的对不对呢？看有没有人反驳。

增一个指标，少一个指标，都要有理由。

如果老板问你，那用户数对订单影响不深，为什么要放在一级指标上呢？因为他看了也没意义，今天一百个订单，一百个用户，明天一百二十个订单，一百二十个用户，有什么意义呢？

当然，有些改动可能仅仅是为了老板的心意，看到方便，那也行。

所以你看，分类这个事情并不算特别困难，难的是怎么把每个指标安排到位，让看的人更高效的定位问题。当我看到了订单数，自然就想到看车辆数，因为车辆数才是影响我订单的主因，而且是我能掌控的部分。

看到车辆数就想到仓库的和路面的，看到路面的想到闲置的，想到闲置的就想着我处理闲置花了多少钱；看到仓库的想着有多少车没能出单，维修费用多少，维修人工多少。

所以我会发现，一个所谓体系是否是好的，本身是没有定式的，如果说有，那就是：你按照一个合理的逻辑，用指标说清楚了一个故事，并且所有人都认可，你也能推动别人认可，这个就是体系。

从这个逻辑出发你可以反推你要做的事:

1）你要和业务方达成近似的一致，别人是怎么看的，老板大概率也是怎么看的，因为业务毕竟不可能全错，你要做的是把正确的逻辑主线抽出来；

2）当你把指标体系做好以后，自己顺一顺逻辑，看看有没有不对的地方。

注意，这个时候很多同学会说，我顺不出来，我觉得挺对的啊。

这就像写小说的时候，作为作者觉得没什么问题，但是作为读者云里雾里。

事实上包括我到现在都有要提高的地方，但这也是你需要提高的地方。

所以进一步，要提高这一点，就要不断的交流，沟通，验证错误，当没人反驳你的逻辑的时候，你就是提高到位了。

四、赶在业务前头

当第三点确定的时候，报表的雏形已经出来了，在完全发挥功能之前，我们还在上面加了一些小料，这个是基于我们当时的需求确定的。

这几个小料包括：

1.梳理业务指标和部门的职能，对数据中无人看管的部分新增指标用来描述

2.美化报表，增加同环比，历史峰值均值，近期峰值均值等指标，用颜色指示变化。

3.基于看板再做一个固定的周报和月报，在里面加上我们的分析和理解

上面这些动作的目的也很明确，就是：业务发现问题前，我们能更快的发现问题。

所以里面有些功能是给我们自己用的，我自己的+1看到数据后也会有自己的判断，从而可能直接早上和老板说一句最近的情况，或者作为和其他部门交谈的信息武器。

想要信息成为武器，其实秘诀就是快。

对于第一点来说，我举一个例子：在上面我们说失联车的时候，我们举了三个场景的占比，可能这三个场景占比80%了，还有20%业务可能不关心。

但是一定是业务不关心吗？还是没注意到问题，还是故意不关心？但不管怎么样，如果数据结果告诉你，这20%其实也有一定的规律，例如聚集在一些地方，或者有一些特殊的来源。

相当于你站在业务的角度把边角料说清楚，因为有可能是业务自己知道有问题，但是解决不了，所以他没告诉你这个指标。另一方面，考验你数据分析+业务知识的能力也是你表现自己的一环。

并且在这个基础上，我们延伸出来了一类特殊的指标，叫：精益类指标。

通常我们理解，今天的车辆数和闲置车辆数是一个截面指标，今天300万，明天400万。

但是这里有个问题，我们没办法去串联从指标到成本，比如今天多了10个闲置车，成本也多了十块钱吗？不是。

那影响成本的是什么，是线下的师傅实际去找到车辆，扫码车辆，搬运车辆再扫码，最后车辆出单，指标才体现出来。

所以中间那么一大堆节点，如果均用截面数据说明问题，其实是很繁杂的。

所以我们新造了一类指标：车辆的闲置周期。

同理，车辆的失联周期，车辆的活跃周期，仓库周期等，所有的周期最终聚合成一辆车从工厂出来，到活跃、闲置、维修等处理流程的总周期，来衡量在他有限的生命内，到底多少天是在赚钱的，多少天是在花钱的。

你看，其实我当时把用户生命周期的逻辑用在了这里，我才会在另一篇文章里和大家聊，万事万物其实都有生命周期，这个思维的目的是更全面的切分一个事物，而非仅仅是做一个用户分层。而在共享单车领域，这类指标严重关系到成本，因为一个师傅要找到一辆车，如果要花一个小时，那么一天只能找八辆车，而要招一个人，一个人一天可能要给两百块钱才够，那么一辆车就要给16块钱，那很明显的，通过工厂造价我就能看出来这笔钱花的值不值了。

当然，走远了，后面在分享这些。我们继续指标体系。

对于第二点来说，如何用指标来说明问题是统计学的考核点，我们前面聊了时间序列，用来衡量一个指标的波动是否是有问题的其实有理论依据。用来判断两个指标是否强相关的，也有理论依据。

那么剩下的就是用简单的指标告诉业务方，或者做一个综合的指标，比如：车辆数对比去年同期有涨幅，涨幅比订单涨幅低，而且环比上个月和近期均值也下降，下降幅度也比订单下降幅度高。

那么一长串的判断，给它标注一个黄灯就好了，严重的打标一个红灯。

对于第三点来说，是一个职场流程问题。很多人说，我做了指标体系，业务拿去用了，也不说我的好，也不说不好，我怎么知道他们作了什么？

废话，别人有好东西用了干嘛还分你。

所以有一个流程很重要，数据你是优先看到的，数据的处理和分析你也是有能力的，那么这就是你们部门存在的价值。既然有价值，那就每周和每个月拉一个会，告诉大老板这个是你们做的，你们的产出比业务的效果好，而不是业务那你们的数据产出了报告又给老板看。

既然都是一个数，为什么不是你们出，而是业务出，这个是需要流程来逼的。

所以为了赶在业务前面，我们需要：看他们没看到的角落，更专业的处理数据，以及填补属于数据部门的流程。有了这些动作，指标体系或者说仪表盘才算是掌握在数据部门手里，开始发挥价值。

如果没做到这一点，我举一个例子，指标体系你梳理晚了，但是有一天业务自己发现了角落的问题，自己先写一个逻辑开始监控起来并且解决，最后就是他告诉老板：“哎，数据部门这个仪表盘没有监控到哎，是不是人不行?”

嗯哼~

五、发挥作用+写简历

在我们分享了那么多，你对指标体系到底是个什么东西其实更了解了，他不是一个做完就会发生价值的东西，你打造了一个武器，还必须要能够挥动的起这个武器，才有价值。

所以：因为指标体系的存在，而推动的新问题，新项目，就是仪表盘的的成绩。就像我上面说的，我们作出了一类指标，推动了车辆生命周期项目的推进，建立了一个简单的异动分析模型，这些就是我写在简历上的成绩。

我对这个成绩的理解体现在我的表述上，即我认为它并非直接导致了经营利润，而是通过它发现了新的问题，推动新的东西，才是他的成绩。

所以你想让指标体系发挥作用，其实核心并不在那些指标上，功夫还是在课外的，包括：

1.你是怎么思考并排列这些指标的，在排列的过程中，你发现了业务存在什么样的问题

2.你给出了什么解法，通过怎么调整这个仪表盘的表现形式和逻辑，是否问题可以得到缓解或者解决

3.你基于你自己做的这个东西，是怎么化为新项目的子弹去支持的

所以你会发现，如果你只是生搬硬套的把这些东西搬到公司里，而没有自己的思考，你会发现他还是没作用。

很真实的，不要以为干了活就有结果，很多人干了很多活也没有结果。

所以为什么要有圣旨再去做这个项目，因为如果没需求，老板没想法，就是别人要有我就要有。你也一样，别人作了我也就作，后来发现没什么用，开始怀疑是其它公司作了是不是也没用啊之类的。

如果没有圣旨，就按各位两三年三脚猫的水平（我当时也是三脚猫），我们能推动这个东西吗？不能。所以回收开头，这个东西是要看一点命的，命里给你了你接好，命里没你的去培训班也没用。

从我个人的经历出发，搭建这个东西，醉翁之意不在酒。

数据做为信息的一部分，实则是为了回收权力，让数据解读和分析的权力更像中后台靠拢，避免业务部门有自己的小主意或者各自为政或者效率低下。

所以，当我们确认这个指标体系里面，有关精益类的指标可以做事情的时候，我们就开始推新项目了。

上面我举了一个例子：业务自己发现了指标，反过来指责你的能力，现在则是反过来，我们先发现了问题，制造了新的指标，作了新的分析，指出了新的方向，那么项目我们必须要参与吧~

最后总结几点，包括执行部分：

1.整个过程使用的都是SQL和Excel，如果有不得不专门通过数据分析研究的部分，也只是简单的时序和分类，给自己看的，老板和业务方都不会看。

2.整个过程的难点是：执行繁琐+需要借权，老板要能给你争取到沟通的机会，表现的机会，你也要耐得住去和别人吵架，去改SQL，把工作执行到位。说句封建主义的话，君臣一心，这玩意儿才做的下去。

3.想让他有效，核心竞争力在你的个人能力，外显竞争力在流程和会议上。有个人能力在才能自己借仪表盘分析，你没能力至少老板要能教你。但是能分析出来却没有沟通场合，就争取不到资源。两者缺一不可。

4.功夫在课外，在你对每一个指标的理解和思考。至于没做过的同学，对于到底怎么拆解，怎么分析，怎么设计，怎么讲故事，只要是没做过的，大概率就是盲人摸象，去培训班的，属于盲人教盲人摸象，剩下的看天赋，万一你真能摸出来呢？至于指标问题，我觉得中文和sql能看懂的人都能解决，毕业生的能力都能解决。

5.没结果是正常的事

补充番外——OSM是否是一个好的模型

目前网络上传播最广的指标体系搭建方式是：OSM模型，也就是——目标、策略和度量三件事。也是大部分新人面试的时候可能会说的故事。

从渭河的角度看，这个逻辑并没有太多的错误，逻辑是顺畅的：因为我有业务目标，所以我要去挖掘业务策略，最后通过数据的策略把他们两个关联起来。

用上面的失联车业务场景举例子，就是我的目标是减少资损，我的策略是尽量不要让车出我的管辖区，最后数据分析来衡量这个策略到底对解决资损起到什么样的效果。

事实上，中间很多命题也是搭建指标体系必须的，比如度量这个词非常重要，如果我们弄不清一个策略对目标的影响是什么，那么我们无法在指标分类这个过程上区分指标的重要程度。（例如减少一个失联车需要花20元，但是未来可以多增加100单订单，收入60元，这件事就可以做，或者比别的roi更低的事情更值得做）

大体的逻辑没问题，但是针对这个模型，基于上面的分享，我可能提出三个问题：

1、在这个模型中，数据分析师的作用是什么？

2、业务策略一定是达成目标的唯一路径吗？有没有可能存在没有做策略，但是对目标影响很大的场景？

3、业务度量对指标体系的影响是什么？他真的很影响搭建过程吗？A策略比B策略对目标的影响程度大，在体系中他要要归类到更高一级吗？

对于上面这些问题，我从数据分析师的角度，基于实际的工作中，我会发现有如下变化：

1、当前的互联网平台，目标这件事并不是非常清晰的，而是时刻在变化和调整，且不止一个目标。每次目标调整都牵引着组织架构和策略的变化，如果数据部门制定体系的时候，是跟在策略的屁股后面走，那么就很被动

2、目前大部分公司的策略是非常复杂的，仅仅一个营销活动为例，会有非常多的场景、形式、目标人群的设计，如果一定要把握所有策略对目标的影响，会浪费很多的管理和分析的资源。

3、由于行业已经不完全是增长的逻辑，也就是目标可能不单单会考虑业绩的增长，也会考虑整体经营模型是否优良，这就不得不将成本纳入考虑。而这种考虑又是复杂的，可能这个月我要重业绩，下个月我要重成本，我没法顺着这套OSM的逻辑时刻关注我做的这套指标体系。

所以基于这些思考，加上追本溯源，我发现OSM逻辑更多适用以下场景：

1、基于商业逻辑推理，而非数据分析实操，也就是这个东西并不是给数据分析看的，是商业负责人给老板看的。

2、OSM能够同目标往下推演，过于理想化，更适合在一个新业务下，从零开始打造一个冷启动的体系，而不是在业务发展到一定阶段的情况下对业务进行整合。很多时候企业去做指标体系的时候，目标都是不清晰的。

3、适合在目标和策略都持续稳定的企业中实现，并不适合互联网平台，更适合传统企业转型互联网过程中的一个指导。

基于上面的情况，你会发现一个误区：做互联网数据分析师，上面那套是越用越别扭，但并不是别人逻辑错了，只是适用场景不一样。

我这边思考了一段时间，抛出一个个人的理解来解决这类问题，如果有思考不周的地方，欢迎指正。

搭建一个指标体系的过程，应该从以下四个角度考虑：

CMOP（自创的）这四个方式，涵盖了从指标体系发起到最后产出的四个环节。相比于OSM，这个逻辑会更加适合数据分析师落地和实操，也更容易从数据的角度讲清楚价值，体现数据部门的驱动力。

全面+度量包括了：业务策略、指标统计和数据分析三件事情，需要数据分析师能够基于当前的业务提炼出有价值的，成关联关系的指标素材。

组织+流程：就是指标体系对企业的影响，指标体系可以通过明确权责给到管理层调整组织架构的依据，而只有组织架构变动，目标和业务策略才会随之变动；而后续的流程保证了指标体系的售后，这个体系是有人盯着的，并且不断监控和填补缺失，这样指标体系的意义也会凸显：它是业务的守护基石，对于已经发现的事情，有监控有复盘；对于业务没发现的事情，数据会及时反映并有反馈的渠道。

在这样的一个设计下，我个人认为，对于业务复杂、多变的互联网平台，该逻辑能够更利于数据驱动业务的实现。

最终也会回到我们之前分享的一个xmind，回收一下伏笔：

做数据分析之前，我们首先需要明确我们的分析目的，也就是为什么我们要去做数据分析，以及希望通过数据分析改进手头工作哪些具体指标，最终希望取得什么样的效果。其次，明确了数据分析的目的以后，我们就要对手头的工作进行业务数据指标体系的搭建，搭建数据指标体系需要5步走。

首先快速了解企业业务，这块的内容我们在上周《 做好数据分析的前提是基于业务，一文教你快速了解企业业务》已做了详细讲解，今天我们继续讲讲搭建数据指标体系剩下的4步：①拆解业务模块；②定义核心业务指标；③梳理常见指标；④搭建指标体系。我们先了解一下如何去拆分企业的业务模块。

一、拆分企业业务模块

拆分企业业务模块，最主要的一点就是需要了解企业产品形态、业务逻辑、业务流程。

①产品形态：指的是熟悉整个产品的运作逻辑，关注的是用户角色，信息和渠道，以及他们之间的流转关系是什么样的，也就是产品的框架；
②业务逻辑：指的是要执行某个业务，用户角色需要走过的路径，会有什么角色参与，有什么功能模块（或子系统），模块之间的关联性，数据之间的流向是什么样的；
③业务流程图：在了解了业务逻辑的基础上，把功能分解下来，划分具体的细节流程，异常流程或提示等。

这里可以用到业务拆分方法中的：用户行为法、业务拆分法、指标推进法

1.用户行为法

数据分析的最终落脚点都会落到用户的行为分析上，只有更好地了解用户习惯、用户偏好、用户画像才能更好地创新或改进或迭代产品。用户行为法是将自己带入到产品与业务中去，实际的走一遍产品流程与业务流程，了解我们在这个过程中所收获的一些信息。

以淘宝为例，首先用户通过多种渠道了解淘宝，进入淘宝首页之后，用户会去搜索一些商品，或者是通过某些分类去了解一些商品，对商品产生兴趣之后，用户再去观看商品里面的评价与详情等信息，对商品满意与价格都满意之后，加入购物车，生成订单，最后支付。

以上每一个过程中用户的行为都可以作为产品迭代的研究方向，例如某用户浏览商品详情，什么样的详情介绍会让用户心理产生信任感，使用户将商品加入购物车，再做类似的产品详情页时，我们就可以迭代优化更会让人产生信任感的产品详情。

这里介绍的是一个标准的电商网站的用户行为路径，实际情况要更特殊一些。这里需要注意的是通过用户行为法将产品购买流程进行拆分，在每一个转化流程当中，都存在转化率这样的指标。

2.业务拆分法

业务拆分法针对的对象是一些大型的生态型企业，他们的业务多种多样，每个业务板块的产品布局也是不相同的。

业务拆分法其实就是一个企业把其业务板块进行划分，这里举例阿里巴巴集团的业务模块，共划分为4个部分：

①核心电商业务：产品包含了淘宝网、天猫商城、天猫、国际、聚划算等；
②云计算服务：阿里云提供的服务；
③数字媒体娱乐服务：产品布局包括阿里音乐、阿里体育、阿里影业、阿里文学等的一些服务；
④创新服务：高德地图、钉钉，Yunos等。

阿里巴巴作为一个生态型企业，把业务拆分成不同的子模块，既可以通过优势互补来达到共享资源，也可以将每个子业务经过重新定位来强化营收，同时业务之间增加其竞争力，在强化业务中寻求大创新与大突破。

3.指标推进法

指标推进法其实就是将企业的总指标进行层层划分，可以按照流程或者公式来进行拆解，根据分解的指标所涉及的工作内容，来了解整体业务的详细流程。

拿汽车经销商来举例说明，它的利润是作为一个最核心的指标，我们可以进一步拆分为毛利、费用、税金。而毛利又是来源于它的销售毛利、售后毛利、其他衍生业务的毛利，销售收入又是销售毛利的一个重要组成部分，同时销售收入主要来自于销量，而销量是根据它的一个销售线索进行的转换量。通过这种层层推进的方式，就可以详细了解整体业务。

二、如何定义业务核心指标

1.定义核心指标的6个标准

核心指标对于一个企业的发展有着重要的作用。一个核心指标能够反映这个产品的用户体验、产品核心价值、用户活跃程度与公司发展状态，可以实时指导企业的业务，因此需要全体团队人员一起去探讨这样的指标，这里我们参考曲卉老师的北极星指标的定义，也就是定义核心指标需要遵循以下6个标准：

我们以两家公司 Facebook 和 MySpace 为例，从上图可以显然得看出，早期 Facebook 月活是落后与 MySpace的，但之后实现了反超，导致这种现象的原因有很多，但其中一个就是他们分别定义了不同的核心指标。

MySpace 的核心指标是其注册量，但注册量反映不了用户活跃状态，很多人注册完之后不使用这款产品，又或者注册完之后隔了很久才会去使用，具有明显的滞后性。而用户不使用产品，一方面产品无法根据用户的体验来迭代优化，另一方面，产品的知名度会逐渐下降，从而被新的产品替代。由此可见，注册量不能引导企业进行业务指导，因此注册量不能成为核心指标的一个标准。

而 Facebook 的核心指标是其月活数量。月活就是用户每月登录或使用产品的情况，可以反映产品的活跃程度，同时它也具有实时性，其好坏变化也能反映运营公司的发展状态。因此月活具备定义核心指标的标准。除此以外，我们可以看一些国外的不同企业所定义的不同的核心指标也不尽相同：

上表中 Box 作为一个 SaaS 的云存储服务提供商，它定义的核心指标是文件操作数，而不是使用数。我们设身处地的想一下，你是一个用户，在使用云存储的时候，不光会上传数据，还会下载文件，又或者会删除一些文件，这些操作通过云存储的一个空间大小是反映不出来的，但文件操作数可以很好的反映出这款产品的活跃状态。

2.参考产品的生命周期

除了定义产品的核心指标以外，由于产品一般会经过经历4个周期

①引入期：刚开始研发，探索市场的一个状态，用户增长缓慢；
②成长期：因为用户基数的原因，用户数会快速得到增长，市场方向明确；
③成熟期：产品基本成型，用户较为稳定，谋求产品盈利；
④衰退期：新产品代替旧产品，用户转向其他产品，用户量大幅度下滑。
产品每个周期的特点不同，自然目标不同，所以产品每一个部分的核心指标也不相同，让我们一起看看产品不同周期的核心指标是什么。

（1）引入期：核心指标是留存情况

比如说罗永浩的子弹短信，后来也改名叫聊天宝，它在刚推出的时候，大量的用户涌进，短期内它的用户注册量、日活跃用户数都很高，为什么现在开始变得销声匿迹了，主要是因为聊天宝的留存情况不好。

留存状况反映初创期产品的成熟度，产品如果能被大家所接受，留存率就会很高，那么这款产品未来的用户增长就会很稳定，但是如果只是一时的兴趣去使用了，这款产品就会出现迅速的衰退。

（2）快速成长期：核心指标是用户转化情况

快速成长期跟刚说的初创期不一样的地方就在于产品已经逐渐成熟，这时候我们的目标就是引入大量的用户，这时各个渠道的用户转化和用户转化质量，就会成为考察重点，这时候需要将各个渠道的价值发挥到最大。

（3）成熟期：核心指标是营

用户已经比较稳定了，所以这时候企业会更致力于关注产品变现，以及产品变现所带来的一些价值体现，比如如何去提升ROI和营收就会成为这个时期的核心指标。

三、部分行业常见指标

1.互联网领域常见数据指标
互联网领域常见数据指标有PV、UV、日活、月活、CPM/CPC/CPA、跳出率等之类的数据指标用来考察广告效果，还有考察用户留存，比如重复购买率、ROI等，如图所示：

2.与销售有关的常见数据指标

销售常见的指标包括客单价、见单价、销售净利率、毛利率、库存周转率、交叉比率、平效等。每个指标的使用场景也是不相同的，例如拿其中销售的净利率来说，销售的净利率考察公司业务所带来的利润状况，销售的毛利率更关注的是具体产品带来的一个价值，而毛利率在减去运营成本之后才是净收入，运营成本不同会直接影响净收入，但毛利率可以用于同一公司中不同产品的营收对比。

四、如何搭建数据指标体系？

指标体系可以简单的理解为由不同多个有相互联系的小指标逐级构型一个指标系统，这个系统我们叫指标体系。

业务指标体系是根据企业整体的目标进行的一层一层拆解，首先它本身是一个数值，我们可以整体的去衡量它，比如说我们定义销售额是一个整体指标，销售额2000万其实就是一个总指标。同时又可以通过各种维度来衡量它，比如时间的维度、空间的维度、竞争维度、转化维度和分类维度。比如时间维度，那么销售额2000万可以看到每个月的销量分布，这个销售额可以和去年做对比，或者是和上个月做对比。

以订单数为例来看看业务指标体系是怎样从不同维度进行划分的。

首先是将订单数划分为用户属性维度、行为属性维度、商品属性维度和订单属性维度。不同的维度下，具有不同其维度特性的小指标，例如用户属性的维度下，我们可以看到这个产品的用户画像是怎样的，不同用户的不同下单状况是怎样的等等，商品维度下，可以了解到商品的用途、分类等。订单维度下，可以反映订单购买情况，不同的订单属性，还有订单转化效果等。通过不同维度下指标来看整体的指标数，形成指标体系。

五、指标体系的相关案例

1.微信公众号指标体系

很多微信公众号运营者关注点只放在微信公众号粉丝数、总阅读数，但是粉丝数衡量不了粉丝活跃度，有些公众号空有几十万粉丝，可是大多数用户都不会打开阅读，还不如一个粉丝少，但是打开率和转发分享率高的公众号，传播范围更广。

这里是我们微信公众号的一个传播指标体系，将其分为内容、渠道、时效三个部分，在内容方面，也可以划分为选题、标题、泛文案等方面，泛文案这一块，又可以将分享率、收藏率作为其指标。分享率这块可以通过不同的维度来看这个分享率的数据，例如时间维度（每日的分享率的变化）、分类维度（两种类型文章分享率的对比）和其他维度等，最后构成一个完整的体系搭建。

2.互联网产品运营指标体系

互联网产品运营从宏观数据上来讲可以构成如下的的指标体系：

还可以通过微观指标也可以来考察这个产品的特点。

六、小结

指标体系的建立非常考验相关业务人员的逻辑性，不同业务阶段的指标体系不一样，需要充分了解企业业务，并且拆解业务模块。

针对不同的业务模块的核心指标的选取一定要准确，需要注意不同产品的不同生命周期的核心指标也不一样。

在构建数据指标体系的过程中，需要遵循5个步骤：了解业务、拆解业务模块、定义核心业务指标、梳理常见指标、最后搭建相关产品的指标体系的流程，除此以外，注意对指标的意义深入思考，这样才能正确指引后续的数据分析。

关于 DataHunter

DataHunter是一家专业的数据可视化分析和商业智能服务提供商，为企业提供数据可视化工具、数据大屏展示工具，同时提供配套的敏捷BI数据运营技术服务。目前有探索式数据分析平台 Data Analytics、数据可视化大屏展示工具Data MAX、数据中台Data Formula等多款核心产品。

专业的数据分析软件旨在帮助企业提供从内外部数据源整合、数据治理到探索式分析，以及最终实现智能化决策的大数据分析能力，助力企业构建数据生态系统，帮助企业降本增收和实现数据资产的变现。

"不谋全局者，不足谋一域。" —— 陈澹然

全文：2923字；预计阅读时间：8分钟。

之前在整理 《好好的数据工具箱》中提到：“数据岗的核心职能，在于产出数据资产，提升信息的价值密度。”而指标体系就是一个组织最为重要的数据资产。

那么：

（1）为什么指标体系这么重要？

（2）它的本质是什么？

（3）指标体系的衡量标准是什么？

（4）如何去搭建一套好好的指标体系？

只要弄清楚了这4个问题，指标体系的搭建工作就迅速地开展、快速地落地，精准地产生业务价值。

首先，回答第一个问题。

\color{#3447B3}{\texttt{指标体系为什么重要？}}\\

要搞清楚指标体系为什么重要，很自然的想到的就是：为什么要有指标体系？ ^[1]要回答这个问题，我们就要回答一个更根本的问题：为什么要有指标？

我们需要指标是因为：如果没有指标，我们能够知道的信息就会变得很少，亦或是获取信息的成本会变得很高。（ 好好的分析师：《指标设计方法》）

那么是不是有了指标就够了呢？实则不然，如果只有指标，而没有体系，我们能够知道的信息就会变得很窄，亦或是获取的信息就会变得很乱。

进而，体系的缺位会导致组织的“数据指南针”失效，业务方向不清晰。越是在大型组织当中，因为决策者离一线业务较远，指标体系越为重要；公司的业务虚拟属性越强，因为由于公司与客户的距离较远，指标体系越为重要。这就是，我们为什么需要指标体系的原因。

简而言之，建立指标体系的目的就在于获取全局性的、有体系性的信息；进而通过这些信息去驱动业务的发展，达成组织目标，这就是指标体系之所以重要的原因。

回答完“Why”的问题，我们接着回答“What”的问题。

\color{#3447B3}{\texttt{什么是指标体系？}}\\

我们刚刚说没有体系的指标，所传递的信息是零散的、杂乱的。那么是什么使得指标成体系了呢？

是指标之间的关系，以及指标的使用方法。

所以，指标体系由三部分构成：指标库、关联关系，以及指标体系的使用指南。

快问快答：以最基本的“利润 = 收入 - 成本”为例。请问，有了这三个指标，以及这个等式（他们之间的关系），是否构成一个指标体系？
不构成，因为还缺失在具体场景下的使用方法。 假设我们用“利润、收入、成本”去衡量某公司的经营情况。五月份的收入是8000万，成本是6000万，利润是2000万。请问这个公司的经营状况如何？
● 不知道—— 因为没有参照标准。
● 非常棒，利润同比增长100% —— 和自己比，趋势向好。
● 还可以，至少是盈利的。—— 和目标比，表现比盈亏平衡好。
● 非常糟糕，经营效率低下。—— 和市场比，同业竞对以同样的成本可以创造4000万的利润 ^[2]。
所以说：
【√】使用方法对于指标体系而言是不可或缺的。
【×】指标体系不是指标的罗列。
【★】“和自己比、和目标比、和市场比”的三板斧是非常基础、非常有效、非常落地的比较方法。

如果我们把指标体系视作为一个产品，指标库就是这个产品的硬件，指标间的关联关系就是这个产品的软件，而使用指南就是这个产品的说明书。既然是一个产品，用户体验就有优劣之分。那么评价一套指标体系的用户体验的标准是什么呢？

\color{#3447B3}{\texttt{怎么评价一套指标体系的好坏？}}\\ 标准源自目标，目标源自问题。数据分析通常要解决的4类问题，分别是：描述现状、分析原因、预测未来、改善未来。（ 好好的分析师：《从界定问题开始做数据分析》）

根据对问题的解答程度，我们可以将指标体系分为四个层次：

① 描述现状：这套指标体系，可以帮助我们基本还原业务整体的运营现状。

② 分析原因：这套指标体系，可以帮助我们对业务的变化进行归因，对问题进行定位。

③ 预测未来：这套指标体系，可以帮助我们，进行假设分析，对未来做出一些预判。

④ 改善未来：这套指标体系，可以帮助我们找到，改善业务的动作、策略、战略。具体而言，这套指标体系，可以围绕组织目标，找到某些人，驱使他们去做某些事（寻某人、行某事）。

一个可用的指标体系，至少要达到以上四个层次其中之一。能够达到的层次越高，这套指标体系能产生的价值越大。

快问快答：那么是不是说一开始搭建一个指标体系，就要搭建一个对所有业务细节都清晰量化的大而全的指标体系呢？
● No！这会导致分析瘫痪 ^[3]的现象出现；即决策分析的机会成本，将超出做出决定可获得的收益。 而且很多时候，好的指标体系是随着实践的深入、认识的提高，逐渐生产出来的；而并非是起初就完美设计出来的。
快问快答：那么当我们搭建一个指标体系的时候，应该将目标层次设定为“改善未来”吗？
● Yes！我们应该在有限的时间、精力、技术资源下，产出尽可能高价值的数据资产。事实上，只要掌握了科学的指标体系建设方法和数据探索方法，不需要太多的指标，就能构建出一套可以“改善未来”的指标体系。

总而言之，一套好的指标体系，能够帮助我们实现4个目标：描述现状、洞察原因、预判未来、寻某人行某事。

接下来，让我们开始实践。

\color{#3447B3}{\texttt{如何搭建一套好的指标体系？}}\\

“正确地开始，功成已近半。” ^[4] —— 亚里士多德

对于建立指标体系而言，近乎真理的起点在于“理解业务”。

以“理解业务”为起点，我们分别从纵向与横向两个方向思考，就能搭建起我们的指标体系。

以“业务理解”为起点，纵向出发，我们可以往4个方向深入对业务的理解：

① 业务目标：包括要创造的价值，以及要交付的结果等。

• 以呼叫中心的运营为例，运营提效的主要目标是——在保证服务水平的基础上，用同样的人力资源，承接更多的服务请求。

② 业务的运营模式：包括参与主体以及主体之间的关系等。

• 以传统保险业务为例，参与的主要主体有6个：保险人（保险公司）、保险业务员、投保人、保险标的（被保人/被保财产）、受益人、其他第三方。
• 在营销场景下，主要是保险人、业务员、投保人之间的关系较为紧密；而在理赔环节，则是保险标的、受益人、保险人、投保人、其他第三方 ^[5]之间的关系较为紧密。

③ 可控因素：对业务目标有重要影响的、可控的内外部影响因素。

• 以贸易公司为例，影响业务发展的内部环境因素可能有：库存状况、定价策略、销售团队等。

④ 不可控因素：对业务目标有重要影响的、可控性较差的内外部影响因素。

• 还是以贸易公司为例，汇率变动、原材料价格等都是可控性较差的外部影响因素；是值得监测的风险点。

以“业务理解”为起点，横向出发，我们可以经过3个步骤，完成数据资产的交付：

（1） 量化业务：将上述的四类业务事实，依次转化为对应的指标；业务目标 → 结果指标，运营模式 → 关键过程指标，内部环境因素 → 运营指标，外部环境因素 → 监控指标。

（2） 建立体系：建立上述指标的联系，以及整个指标体系的使用方法。

（3） 交付资产：将指标体系转化为数据资产交付。例如，一套指标体系的说明文档、数据表格、报表、看板、报告等。

\color{#3447B3}{\texttt{举个例子 〇 }}\\光说不练假把式。当代打工人，健康（身材）最重要 ，我们以“身材管理”这个业务场景为例，演练一下指标体系的搭建过程。

\color{#3447B3}{\texttt{小结一下～}}\\

• 建立指标体系的目的：获取全局性的、有体系性的信息；进而通过这些信息去驱动业务的发展，达成组织目标。
• 指标体系的本质：指标库 + 关联关系 + 使用指南。
• 评价指标体系的标准：一套好的指标体系，应该能够帮助我们实现4个目标：描述现状、洞察原因、预判未来、改善未来 ^[6]。
• 搭建指标体系的过程：搭建指标体系的过程可以分为横纵两个方向；纵向是“深入的理解业务”；横向是“工作流”，分为4个步骤：理解业务、量化业务、建立体系、交付资产。

\color{mediumslateblue}{\texttt{如果您感觉有帮助的话，双击屏幕，赞同一下吧~ }}\\

\color{mediumslateblue}{\texttt{更多干货内容，请关注“好好的分析师”~ }}\\

参考

1. ^我们从论证必要性的角度出发，去论证重要性。
2. ^为了避免引入新指标，这里没有使用利润率的概念。
3. ^ https://wiki.mbalib.com/wiki/%E5%88%86%E6%9E%90%E7%98%AB%E7%97%AA
4. ^well begun is half done.
5. ^例如：医疗险，其他第三方为医院；车险，其他第三方为交警、4S店、事故干系人等。
6. ^找到某些人去做某些事

部分内容转载自网络，侵删！

在正文开始前，分享一份指标体系搭建指南+四大行业指标体系：

十年数据分析师，给大家推荐一个指标体系建设的方法——SCDS四步法：

一、指标体系建立的四步法

在建立指标体系之前，我们先了解一下指标的构成，在我们工作过程中遇见的指标多为派生性指标，即，原子性指标+修饰词+时间段，修饰词指标本身是可选内容，而原子性指标和时间段为必选内容。

在这里，原子性指标指的是不可拆分的指标

如：交易额、支付金额、下单数之类；修饰词多是某种场景的表现；

如：通过搜索带来的交易等；时间段即为一个时间周期；

如：双十一期间，618活动期间等。三者叠加就形成派生指标；

如：“双11这一天通过搜索带来的交易额”，如果不需要修饰词，就是“双11这一天带来的交易额”。

同样，像此类日活、月活、次日留存、日转化率等都属于派生指标。

在合理筛选完指标后，就要着手建立对应的指标体系，主要分为四个步骤：理清业务阶段和方向、确定核心指标、对指标进行核心维度拆解、指标的宣贯、存档、落地。

1. 理清业务阶段和方向

对于一家公司往往分为三个阶段：

• 业务前期（创业期）
• 业务中期（上升期）
• 业务后期（成熟发展期）

针对不同的阶段关注的核心指标也是有差别的。

业务前期，最关注用户量，此时的指标体系应该紧密围绕用户量的提升来做各种维度的拆解，如渠道

而在业务中期，除了关注用户量的走势大小，更加重要的是优化当前的用户量结构，比如看用户留存，如果留存偏低，必然跟产品模块有关，是不是某个功能流量惩戒效果太差，这也是在分析产品的健康度，为产品体检

成熟发展期，更多关注的就是产品变现能力和市场份额，要关注收入指标ROI等，各种商业化模式的的收入，同时做好市场份额和竞品的监控，以防止新起势力抢占份额等。

2. 确定核心指标

此时最重要的是找到正确的核心指标，举个例子帮助大家理解。

例：某款产品的日活口径是打开APP，通过不断的买量，日活也一直在上升，然而分析时发现，打开APP的用户中，3秒跳出率高达30%，这是非常不健康的，那么当前的核心指标日活实际上已经有了问题，更加好的核心指标应该是停留时长大于3秒的用户数。

每个APP的核心指标不太一样，所以一定要多花时间去考虑这件事，这个非常重要，不只是看日活和留存那么简单。就像趣头条这款APP，它的日活和留存指标一定非常高，但仅关注这种指标肯定会出现问题，并且它的真正核心指标绝对不是单纯的日活和留存。

3. 核心指标维度拆解

核心指标的博定必然是某种维度的波动引起，所以要监控核心指标，本质上还是要监控维度核心指标。通用的拆解方法都是先对核心指标进行公式计算，在按照业务路径来拆解。假设，当前的核心指标是停留时长大于3秒的用户数。

公式：停留时长大于3秒的用户数=打开APP的用户数*停留时长大于3秒的占比

我们要关注渠道转化率，分析用户从哪里来；同时用户通过哪种方式打开的，如通过点击桌面图标、点击通知栏、点击Push等；并且，这类用户的用户画像是什么，用户画像也更多是在这个时候才最有作用，更多要基于场景和相应的指标来分析。

“停留时长大于3秒的占比”该指标要重点关注如，停留时长的分布，停留1秒的用户有多少、2秒的用户有多少、3秒的用户有多少，具体分布情况是怎样的；停留大于3秒的用户特征和行为特性是怎么样的情况；停留小于3秒的用户特征，并且要分析是否有作弊或刷量的可能性。

又或是，比如电商平台注重交易额，在真正达成交易之前，用户要打开APP、选择商品、确认订单、支付订单等整个交流漏斗模型。每一个环节的关键指标都可以通过公式的形式进行拆解，在根据拆解公式逐个分析对应的影响因素。

4. 指标宣贯、存档、落地

宣贯：就是在完成整个指标体系搭建后，要当面告知所有相关业务人员，最好开会并邮件。一方面为下一步工作做铺垫，另一方面是为了让所有相关人员知晓已完成，以防甩锅

存档：对指标口径也业务逻辑进行详细的描述存档，如xxx功能如渗透率=该功能的日点击人数/日活。只有完成这一步，之后的人在查阅时才能看懂是什么意思

落地：就是建立核心指标的相关报表，实际工作中，报表会在埋点前建好的，这样的话一旦版本上线就能立刻看到数据，而且也比较容易发现问题。

整个指标体系的搭建更多工作是由数据分析师来完成的，产品经理需要配合分析师选择并确认指标，这也是在建立之初最重要的一点。有的公司没有分析师这个岗位，就需要其他技术同时来配合完成了。

二、知乎APP指标体系案例

1. 当前业务发展阶段

知乎当前于业务发展期和成熟期之间，有2个论点：当前知乎的业务正在一个快速调整期间，内容向娱乐大众化转型；商业化进行较大的探索，但不是做的很重，也就是说无论是最核心的内容还是商业模式，都在探索当中。

在工作中，这块内容可通过每年的业务规划了解。

2. 核心指标拆解

我们单就首页推荐这个子模块进行分析，对于首页推荐子产品，最重要的指标就是问答数。

问答数=提问数+回答数=提问人数*人均提问数+回答人数*人均回答数

在整个过程都是要跟业务进行大量的交流，既不能被业务牵着走，也不能脱离业务，同时要有自己的独立思考。

有些同学会觉得评论、点赞、收藏数应该也是核心指标，而实际上：

• 评论点赞多跟产品的健康度没有直接关系，评论点赞多的本质原因是因为提问回答的内容比较精彩，这是一个相关性而不是因果性关系；
• 很多做内容的同学会觉得评论很重要，只要评论做上去了，日活就能涨上去，数据相关性上是这样的，但业务逻辑性不对。

所以，评论、点赞、收藏这些都是一个二级功能，更底层的理解实际上是增加APP的社交属性。

3. 会议、存档、建表

• 会议：产品（负责使用）、研发（负责打点）；
• 存档：对不太好理解的指标要进行单独的解释，比如什么是日活；
• 建表：确定好打点之后，就要建表，确保数据第一时间出来，能及时获得数据反馈并发现问题。

三、其他行业的指标体系

如果需要高清去水印版，可以关注我的公众号“数据分析不是个事儿”在后台回复“指标”就可以获得！

1、互联网行业

互联网的指标体系可以从多个方面来划分，我这边依据了AAARR模型来进行划分，更适用于产品岗和运营岗的朋友。

（1）拉新阶段：运营者通过各种推广渠道，以各种方式获取目标用户，并对各种营销渠道的效果进行评估，从而更加合理的确定投入策略，最小化用户获取成本(CAC)。

（2）活跃阶段：新用户如何在产品机制或运营手段的影响下转变成为活跃（Activation）用户。这时我们需要关注周期性的活跃用户数、产品使用时长等指标

（3）留存阶段：如何让用户持续活跃、提高用户粘性、或者将已经流失的老用户重新召回成使用用户，所以留存率、流失率和召回率是这个阶段重点需要关注的

（4）转化阶段：用户开始贡献商业价值，不同产品的转化目标不同，具体可看图

（5）传播阶段：老用户传播推荐产品，带来新用户的过程。

2、在线教育行业

在线教育的分析指标在流程上可以按照：拉新获课-付费-续费复购的过程来分析，这一方面重点在于对提高转化率，降低投产比，同时对学员、课程进行分析，打造出符合用户需求，受用户欢迎的课程产品与组合。

3、零售行业

按照最基本的人、货、场来划分指标

（1）人：这里的人效是指两个方面，一是企业员工，二是消费者。在这个消费者掌握主动权的时代，想要做好零售，除了加强员工管理，提升人员效率之外，更重要的是提高消费者忠诚度；

（2）货：货就是指商品，商品数据分析的核心就是围绕进销存展开的，重点就是对商品结构的分析和商品消化跟进分析。

（3）场：场就是消费场景，所有连接消费者和商品的终端，就是场，比如线下门店、线上的购物网站、APP、小程序等。

4、电商行业

（1）总体运营指标：从流量、订单、总体销售业绩、整体指标进行把控，起码对运营的电商平台有个大致了解，到底运营的怎么样，是亏是赚

（2）网站流量指标：即对访问你网站的访客进行分析，基于这些数据可以对网页进行改进，以及对访客的行为进行分析。

（3）销售转化指标：分析从下单到支付整个过程的数据，帮助提升商品转化率，也可以对一些频繁异常的数据展开分析。

（4）客户价值指标：在面向客户制定运营策略、营销策略时，我们希望能够针对不同的客户推行不同的策略，实现精准化运营，以期获取最大的转化率。

（5）商品类指标：主要分析商品的种类，哪些商品卖得好，库存情况，以及可以建立关联模型，分析哪些商品同时销售的几率比较高，而进行捆绑销售

（6）市场营销活动指标：主要监控某次活动给电商网站带来的效果，以及监控广告的投放指标

（7）风控类指标：分析卖家评论，以及投诉情况，发现问题，改正问题

（8）市场竞争指标：主要分析市场份额以及网站排名，进一步进行调整

5、餐饮行业

（1）营收额分析：评估门店、区域的营收状况，根据营收状况及时发现解决问题

（2）门店分析：了解具体某一门店的地理位置、服务人员数量、折扣率、翻台率等经营情况，通常可以辅助发现问题，提高门店效率

（3）品类分析：发现爆款菜品、摒弃不受欢迎菜品，保证各类菜品的合理组合，也可以通过该类分析打造人气套餐产品，吸引顾客

（4）库存分析：是保证餐饮店正常运转的重要指标，通过分析预测实现及时供货、补货、淘汰不合格库存产品

（5）会员分析：当餐饮店做到一定规模后，就需要搭建会员系统，做好老顾客的留存和新顾客的吸引工作，保障忠诚顾客的数量，以实现更高的营运目标。

（6）服务分析：餐饮行业作为服务行业，服务能力直接影响门店的口碑、品牌声誉和用户的多次消费率，因此通过对门店服务进行分析，及时调整，保持门店服务水平在高水平，是必须要做的。

6、保险行业

可从业务发展、成本费用、资金运用、盈利管理和风险管理这五个保险业的重要模块进行数据指标的划分。

7、银行业

8、制造业

可以根据制造业生产销售的全流程去进行指标划分，生产、采购、库存、销售、财务等。传统制造业在生产环节涉及到的指标尤其多，需要根据企业情况具体拆解、划定指标。

9、物流业

10、财务分析指标体系

11、财务管理指标体系

12、人力资源指标体系

13、渠道指标体系

14、广告指标体系

搭建指标体系是数据分析师招聘JD中高频出现的一条要求，基于我的经验，来系统的讨论一下这个问题。

一、指标体系建立方法：OKR拆解法

指标体系一句话来讲，就是由多个不同级别指标组成，能够全面反映业务发展状况，并能系统的解释业务变化的一套综合性指标。在为业务搭建指标体系时，可以先采用 OKR拆解法进行结构拆解，能够帮助分析师更加系统的设计指标。

OKR（Objectives and Key Results）即目标与关键成果法，是一套明确和跟踪目标及其完成情况的管理工具和方法，由英特尔公司创始人安迪·葛洛夫（AndyGrove）发明。并由约翰·道尔（JohnDoerr）引入到谷歌使用，1999年OKR在谷歌发扬光大，在Facebook、Linked in等企业广泛使用。2014年，OKR传入中国。2015年后，百度、华为、字节跳动、佐佳咨询等企业都逐渐使用和推广OKR。

O:Objective，业务当前的目标是什么？KR:Key Results,为了达到业务目标，需要达到哪些关键的结果？举个例子，我开了一家小超市，今年的小目标是净利润达到100万，为了达到这个目标，我需要达到哪些关键性结果呢？我的思路是开源节流，首先是开源，营业额相对去年需要提升，今年目标营业额是200万，然后是节流，目标是降低成本至100万。完成了这两个KR，我的O也随之达成，这样我就初步梳理出了我今年的OKR。

• O:净利润100万
• KR1:营业额200万
• KR2:成本控制在100万

当然，仅仅拆解到这种程度肯定是不够的，大目标下的KR，也是下一级的O，营业额200万是KR，但本身可以作为一个O继续去拆解。营业额该怎么拆解呢？营业额=每天进店人数*购买转化率*客单价*365天，根据这个公式，我们就拆解出了3个KR。这里需要注意，KR中具体指标的制定应是合理的，比如一个年的客单价是10元，今年的目标要提升到100元，作为一个小超市来说，肯定是过高了。

• O：营业额200万
• KR1：每天进店人数500人
• KR2：客单价20元
• KR3：购买转化率60%、
• O：成本100万
• KR1：进货成本50万
• KR2：员工成本30万
• KR3：经营成本20万

我们基于净利润200万的Objective拆解出了两层OKR体系，这个体系出来后，指标体系也随之产出。通过两层OKR体系我们设计出了三层指标，层层拆解，每一层指标都可以用来解释上一级指标的变化。比如最终发现净利润只有80万，不及预期，查看其下一级指标发现营业额只有150万，没有达到目标，再查看营业额的下一级指标可能最终发现是每日进店人数不够，需要吸引更多客人。

在这里我们举的是一套两层OKR体系的例子，在实际应用中其实还可以继续拆解，直到拆到最小颗粒度为止。

二、指标体系建立流程：四步走

在实际业务中，指标体系的建立可能不会如案例一样清晰，其中还会涉及到大量跨部门协作工作，一般来说，需要遵循以下流程。

1.需求收集阶段：需求收集阶段也可以称为目标对齐阶段，在这一阶段，数据分析师需要和不同的业务部门沟通，了解业务方的业务目标，收集业务方的需求，进行整理归纳。

2.方案梳理阶段：在明确了业务方的目标（Objective）后，数据分析师应具有能拆解出KR的能力，为了达到这个目标，你认为需要达到哪些关键的KR？在拆解出KR后进行相应的指标设计，并可以和业务方进行二次对齐。

3.数据采集阶段：确定了指标体系后，分析师下一步需要考虑的是怎么获取相应的数据来计算指标，在这个阶段不同的行业数据的来源不同，对于互联网行业最常见的数据采集方法是客户端埋点，这里就涉及到与研发部门沟通。

4.线上监控阶段：在指标体系建立好之后，最后一步就是将所设计的指标体系以看板的形式展现出来，对于不同的指标应选取合适的图表进行展示，清晰易懂为第一目标，不要过度追求一些看起来“炫酷”的图表。

总结：好的指标体系一定是贴近业务的，分析师在确立指标体系的过程中一定要和业务方多沟通多对齐，这样设计出来的指标体系才能是被业务方认可的。

著名管理学大师彼得·德鲁克曾经说过“你如果无法度量它，你就无法管理它”。说明了量化业务和事物的重要性。

量化业务关键就在于设计数据指标和搭建数据指标体系。

关于数据指标体系，我在《商业分析方法论与实践指南》这本书里有详细介绍。

而搭建数据指标体系最关键的就是北极星指标、OSM模型、UJM模型。

先来目睹一下用OSM和UJM模型搭建的某电商公司的基础数据指标体系。

01 ｜什么是数据指标？

当我们需要科学合理决策业务或事情时，就需要将业务或事情量化。量化业务或事物的最小单元就是数据指标。

（1）没有量化的世界是这样子的：

描述一个人的胖瘦时，我们往往会说：她很胖；

描述一个人的身体健康状况时，往往会说：他不健康；

描述天气时，往往会说：天很热。

（2）而有了量化的世界会变成这样子的：

描述一个人的胖瘦时，我们往往会说：她目前的体重50kg；

描述一个人的身体健康状况时，往往会说：他目前的收缩压接近150mmHg；

描述天气时，往往会说：今天的温度是28°C。

在日常生活中，体重、收缩压和温度就是我们量化胖瘦、健康和天气的指标。

在公司和企业里，“GMV”是量化和评估业务规模的指标；“DAU”是量化和评估活跃用户数量的指标；“利润率”是量化和评估企业是否盈利的指标。

02｜什么是数据指标体系？

体系是将某些东西系统地组织起来。所谓“独木不成立林”，同样道理，单个指标不能成为数据指标体系。

将多个指标按照某种特征有系统地组合到一起，才能形成数据指标体系。

那为什么要建设数据指标体系？因为当指标上升为指标体系之后，就可以更加全面、准确地评估事物或业务了。

以评价人的胖瘦为例，来看看一个指标和数据指标体系的不同。

当用一个指标“体重”来评价时，就会出现不准确的现象，因为没有考虑到身高、体脂率等。

而当用“体重”、“BMI”和“体脂率”等多个指标组成的指标体系来衡量时，就可以综合考虑一个人的身高、脂肪、肌肉含量等，更加准确地评估胖瘦。

延伸到一个公司的业务，以评价用户为例，来看看一个指标和数据指标体系的不同。

当用“UV”一个指标来评价用户时，只能判断用户的规模如何。

如果上升到指标体系，加上“在线时长”、“打开次数”、“留存率”、“流失率”等质量指标时，就可以判断用户的质量如何。

如果再加上“客单价”、“付费转化率”、“购买频次”等指标，就能判断用户的付费价值。

有了这些指标体系，就可以从规模、质量、价值等多个维度评估用户，对用户的评估会更加准确，制定的策略会更加落地和实用。

03｜如何用OSM和UJM模型搭建数据指标体系？

数据指标体系的搭建是一个系统性的复杂工作，我们这里来讲讲如何搭建基础的框架。

总结为一个口诀就是：一个北极星两个模型。

Step1：确定北极星指标

北极星指标是一家公司最重要的指标，它紧承公司战略，像夜晚的北极星一样，指引公司全体人员朝着制定的同一目标努力，它是指明灯和方向。

同时，北极星指标也是其他数据指标的基础，其他数据指标的搭建和设计都要围绕北极星指标开展。因此，量化业务的首要工作就是确定北极星指标。

如何确定北极星指标呢？可以点击链接详细学习： 你还在苦苦寻觅北极星指标吗？快领走这份攻略和疑难杂症！

Step 2：使用OSM模型确定业务策略和二级指标

OSM模型是三个英文单词的缩写，分别代表目标、业务策略和度量指标。三者之间具备严格的上下层次和拆解关系，是一个从上到下的拆解过程。

• O：Objective，代表业务目标—北极星指标，与公司战略紧密相关。
• S：Strategy，代表业务策略，即为了达到北极星指标采取的策略。
• M：Measurement，代表业务度量，即用来衡量每一个策略的结果。

OSM模型的作用是将公司的北极星指标进行业务策略和二级指标的拆解。它可以将北极星指标通过策略落实到各业务部门，同时为了保证各业务部门的策略落地和目标达成，又制定若干二级指标进行监控和衡量。

案例展现：以某电商公司为例，电商公司的北极星指标多为GMV。为了为了完成GMV这个北极星指标，按照OSM模型，其可以拆解为3种业务策略和3个二级指标。

• 策略1：让更多的用户购买商品。衡量这个策略的二级指标为：购买用户数。
• 策略2：让用户购买更贵的商品。衡量这个策略的二级指标为：客单价。
• 策略3：让用户多次频繁复购。衡量这个策略的二级指标为：复购频次。

Step 3：利用UJM模型确定业务流程和过程指标

UJM（User Journey Map）模型，代表用户旅程地图。其作用是从产品流程或用户生命周期旅程出发，对北极星指标和二级指标进行拆解，从流程和过程上确保目标和策略的实现。

UJM模型可以将业务策略拆解为若干个环节，这些环节串联起来就形成“业务流程”；同时设计若干指标衡量流程就形成了“过程指标”。

案例展现：以上文的电商公司的业务策略1为例，为了让更多的用户购买商品，实现“购买用户数”的增长。如何设计业务流程和过程指标呢？

（1）如何设计业务流程？

该电商公司的用户旅程地图如下，不知道用户旅程地图如何画的，可以点击链接详细学习： 一张生命旅程地图，学会收入成本拆解指南，再不怕经营分析！

根据旅程地图，即可设计出业务流程：首先电商公司从各个渠道获取用户到电商平台，让用户在App里完成注册，之后用户访问店铺首页，看到想买的商品后进入商品详情页详细了解商品，满意后加入购物车，点击结算提交订单，确认付款，最后购买成功，成为购买用户数中的一员。

（2）如何梳理过程指标？

与此同时，通借助旅程地图，可以画出用户转化漏斗图，梳理出过程指标，包含“数量”和“转化率”两类。

“数量”类过程指标：注册用户数、访问店铺首页用户数、访问商品详情页用户数、加购用户数、提交订单用户数、确认付款用户数。

“转化率”类过程指标：进店率、商品详情页访问率、加购率、订单提交率、付款率、购买成功率。

04｜用1张图来总结OSM模型和UJM模型的异同

OSM模型承接北极星指标，将北极星指标拆解为业务策略，并设计若干二级指标来衡量业务策略的效果，保证战略能够落实到业务团队。

UJM模型承接业务策略，帮助各业务团队将策略拆解至业务流程，并将二级指标拆解为过程指标，保证业务策略在流程上的落地。

利用OSM模型和UJM模型搭建的基础数据指标体系，如下面的经典图所示。

最后，做一个新书宣传：《商业分析方法论和实践指南》，关于商业分析的流程、方法论、实践案例的系统梳理和总结，目前已上市，可在京东、当当、天猫各大电商平台购买！

全书总共58万字，分6篇15章，阐述了由业务、数据、方法论和案例实战构成的商业分析循环全景图。

1. 第1篇以一个经典案例揭示商业分析的神秘面纱，描述了商业分析的能力模型、岗位类型和工作流程。
2. 第2篇重点介绍商业分析的起源“业务”，从三个方面讲述如何了解和熟悉业务。
3. 第3篇通过4个章节介绍如何量化业务，将业务指标化和数据化。
4. 第4篇通过4个章节介绍商业分析的归宿“业务”，即如何在实际工作场景中利用数据驱动业务优化和增长。
5. 第5篇揭示了商业分析的重生和新一轮的循环。即如何进行新业务评估，如何进行新业务的量化，如何驱动新业务的优化和增长。
6. 第6篇登高望远，展望了商业分析的发展前景，提出了锻炼商业分析能力的四种方法，总结了商业分析必经的四条路径和发展阶段。

转载自数据分析大V @李启方 的回答：

之前整理过指标体系，对不少人的数据分析工作有很大帮助，但是不同行业的业务场景不同，我整理好的指标体系不一定能适应大家的分析需求。“授人以鱼不如授人以渔”，于是我又花时间整理了我搭建数据指标体系的一些方法论和经验，希望大家能够真正掌握数据指标体系的搭建方法。

开始之前给大家分享一份《指标搭建指南》，包含指标体系搭建步骤以及4大行业详细指标体系：

一、指标体系有什么用？

数据分析什么要搭建指标体系？有什么用？可能大部分人都说不清楚。在我看来，搭建指标体系的价值主要有3点：

1、建立业务量化衡量的标准

指标体系可以建立业务量化衡量的标准，数据分析的目的就是说明、衡量、预测业务的发展。比方说衡量一个门店经营的状况，一个门店月净利润20万元，刚看这个指标感觉这个店盈利不少，发展应该不错

但是再一看前两个月的净利润，发现前两个月的净利润都是40万以上，增加了这一个指标，我们就发现了这个店的经营状况可能存在问题了。

在衡量业务经营状况的过程中，单一数据指标衡量很可能片面化，需要通过补充其他的指标来使我们的判断更加准确。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。

2、减少重复工作，提高分析效率

有了指标体系，数据分析师就可以少干点临时提数的活，指标体系建立后应该能覆盖大部分临时数据分析需求，如果指标体系搭建完了，还是有很多临时的分析需求涌现，那证明这个指标体系是有问题的。

3、帮助快速定位问题

建立了系统指标体系，有了过程与结果指标，有了指标的前后关联关系，就可以通过回溯与下钻，快速找到关键指标波动的原因，老板让你分析原因，再也不用愁眉苦脸了。不过这些价值发挥的前提是建立合理、有效的指标体系，且数据质量有保证，数据质量都不能保证，指标体系搭的再好，分析出来的结果也没什么意义。

二、指标体系搭建原则

1、搭建指标体系要有重点

不能只是罗列指标，这是很多数据分析师都会犯的通病，上来先把大量的指标列好，也不说明优先级，先看哪个后看哪个，业务根本就看不懂。

2、搭建指标体系要有目标

很多人习惯了列指标，自有一套指标拆分的套路，不管我们要解决的业务问题是什么，反正就是按照时间、渠道、区域等纬度拆分，分来分去也没个具体的标准，最后还要纠结到底指标变化多少才是问题

3、指标体系不是越全越好，和业务最贴切的才是最好的

这个我在之前的指标体系文章里反复强调了，写文章的时候会为了吸引眼球，标题写XXX行业指标体系大全，虽然我给大家整理指标体系的时候尽量概括多个业务场景，指标列的很详细，但是不同的公司，业务复杂不一样，没有一套指标系统是能够通用的，只有和业务最贴切的才是最好用的

三、如何搭建指标体系？

那怎么才能搭建有效的指标体系呢，我给大家分享一下几点经验：

1、掌握基本的思维模型，全面洞悉业务

数据分析离不开业务，了解业务是我们搭建指标体系的前提，掌握一些基本思维模型，可以帮助我们快速、全面的洞察业务：

• 5W2H模型

经典的数据分析思维模型。以五个W开头的英语单词和两个H开头的英语单词进行提问，从回答中发现解决问题的线索，即何因（why）、何事（what）、何人（Who）、何时（When）、何地（where）、如何做（How）、何价（How much）。

5w2h能帮助我们培养一种严谨全面的思维模式，让分析的过程更加全面更有条理，不会产生混乱和遗漏，当你觉得你的指标体系已经很完美的时候，可以用这个模型来帮助你肯找到思维的漏洞。

• 逻辑树方法及MECE原则

逻辑树方法可以帮我们将复杂的业务问题拆解成多个简单问题，从而帮助我们拆分更细的数据指标

Mece原则的意思是“相互独立，完全穷尽”，我们搭建指标体系的一个重要标准就是不重复不遗漏，运用mece原则可以很好的帮助我们把握核心指标，提升指标系统的有效性。

• 商业画布

商业画布是一种分析企业价值的工具，通过把商业模式中的元素标准化，引导我们的思维，将业务知识素材归档，在了解业务的过程中，我们可以按照下面张图来完善填充，从多个角度全面的洞察业务。

除了上面的思维模型，最好的了解业务的方式就是和业务方多交流，认识当前业务的关键问题，毕竟建立完善系统的指标体系需要很长一段时间，最好从部分关键点开始，先解决问题。

2、指标体系搭建方法论

对应业务场景的指标体系有相应的方法论，比如基于用户生命周期的指标体系AARRR、客户满意度指标体系等等，简单给大家分享几个：

• 第一关键指标

这个概念是我在《精益数据分析》中看到的，指的是当前阶段无比重要的第一指标，同时也指出了在创业阶段的任意时间点上应该且只关注一项重要指标。这个概念在我们搭建数据分析指标体系的时候同样有指导意义。先抓住公司当前阶段的“第一关键指标”，然后再把这个指标拆解到各部门，形成各部门的“第一关键指标”，也就是我们说的OKR，或者是KPI，然后再根据各部门的业务，基于这个第一关键指标思考应该关注哪些细化的指标/

• 基于用户生命周期的指标体系：AARRR

• 客户满意度指标体系：RATER指数模型

四、总结

总之，关于指标体系的搭建可以先模仿再优化，重点是解决业务问题，我整理的一些特定业务场景的指标体系，可以先模仿套用，再根据业务形态加以调整。

最后给大家分享一份《指标搭建指南》，包含指标体系搭建步骤以及4大行业详细指标体系：

数据指标体系的搭建这个是数据分析人员必备技能，但实际中很多da同学只会取数或者背指标，并没有指标体系搭建的方法论以及能力。

数据指标体系这个知识点在实际的面试中也是一个非常常见的考察点，天介绍一种用于衡量某项策略效果的评估模型-OSM+UJM模型，整个过程非常简单易懂，但是一定要找一些实际的case多练练手才能记得住。

整体构建分为两个部分，首先通过OSM模型来理清业务目标及具体策略，搭建指标体系的整体架构，再通过UJM梳理每个策略下的用户journey map，细化指标框架。

一、指标体系搭建细节

O（Objective）：每个策略都有其既定的目标。例如签到分享送红包活动，就是通过红包来提升老用户的活跃度，同时通过分享进行裂变拉新。所以这个策略下的目标可以分为：

1. 用户留存
2. 用户使用时长
3. 新增用户数

S（strategy）：为了实现签到分享送红包活动，我们需要设计具体的方案。例如我们设计方案为在首页增加抽奖环节，连续签到即可获得抽奖机会，通过观看视频获得红包膨胀机会，通过分享获得更多抽奖机会。所以具体的策略为：

1. 连续签到
2. 看视频
3. 分享

M（measurement）：指标衡量。在指标衡量环节，我们需要找到合适的指标对S步骤中的策略进行衡量计算。

这里我们使用UJM模型对用户使用路径进行梳理，来得到具体的监控指标。

连续签到的用户路径：首页 -> 活动页 -> 签到页 -> 签到成功

看视频用户路径：首页 -> 详情页 -> 内容播放

分享用户路径：签到成功页 -> 分享页 -> 选择好友列表 -> 邀请成功

在明确用户的行为旅程步骤后，我们需要对每个步骤进行指标具体衡量方式的确定。

例如我们衡量只要有一次页面曝光，我们就算一个成功行为，那我们相当于就是计算每个页面的pv值。

二、评估体系

在搭建好数据指标体系后就可以通过指标对业务进行评估了，评估方式时首先要建立评估体系。常见的标准包括：

1、同目标对比：一般来说在项目开始前，对于目标指标都会有一个经济性测算，通常会折算成ROI，在ROI达到一定可能性时才会实际开发，所以目标值首先就是判断标准之一

2、历史对比：环比、同比，测算变化趋势以及变化比例

3、竞品分析对比：以竞争对手的表现作为为参考，对比自身业务指标和竞相比的情况及变化趋势

三、评估方式

在搭建好评估体系后就可以进行评估了，评估的方式也非常简单，基本可以用三步完成

1.看主指标+判断标准，比如主指标是dau，先看本月是否达标了，没达标差多少达标。再看年累计达标没有。这样分析下来就能知道整体上是否有问题，问题有多大

2.看分类维度：分各个维度看，是哪个群体/哪个功能/哪个时间点做得好，哪个做的不好；做得好的是勉强达标，还是好的离谱

3. 看过程指标：哪个环节没做好，具体是哪些环节没做好

关于帅比

数据科学、商业分析双栖打工人。定期分享关于数据分析、用户增长、商业分析相关case及学习路径。

提供商业分析、数据分析职业规划，学习路径及项目的咨询及分享，欢迎大家私信骚扰。

参考资料

• 来自小龙的执着：数据指标体系：什么是好的数据指标？
• 见微知锂：数据指标体系详解
• 渔好学：如何搭建一套完整的指标体系
• 数据蛙datafrog：如何搭建数据分析指标体系？
• 爱数据-橙子：数据指标体系「搭建流程+真实应用」全解！数据分析师&产品经理必看！

企业发展程度不同，其BI体系建设会有一些差异，好的BI指标体系都是不断优化出来的，很难说哪个方法论就可以做出好的指标体系。那么如何来判断好或者不好呢？

什么是好的看板：1-以用户为中心，全方位量化业务状态；2-平衡指标全面性和复杂度；3-尽可能短的用户操作、思维链路

什么是失败的看板：1-需求方提什么，就开发什么；2-缺少组织逻辑，看板随意排版；3-可维护性差，无文档、中间层混乱

好的看板在设计过程中，一定会遵循某些原则。以下，是顶尖数据分析师经过不断的实战，总结出来的四个原则——

1. 聚焦业务OKR

BI看板应该在短时间内，就让使用者得到相关的信息，建议时间：5秒。

2.极简主义：少即是多

好的看板只讲一个故事，一次讲述就让人听懂！如果是业务需需要，可通过过滤器、下钻等功能进行实现。

3.看板逻辑：倒金字塔结构

看板内容排版建议：倒金字塔结构！优先呈现最重要、最核心的指标，其次是重要的细节、图表，最后是细节内容。

4.合适的可视化工具

优秀的图形可以“正确表达数据的意义”，同时减少用户的理解成本。在选择可视化方案之前，先问自己想要用数据表达什么？趋势、关联、构成、分布......

5.较低的维护成本

业务注定不断调整、更新，BI看板也同样要符合业务需要！详细的文档、规范的命名、逻辑清晰的DP任务等都是好看板的重要支撑。

欢迎关注公众号：读数，一起交流学习！

所谓的数据指标就是对所观察事物的一种量化统计。大到企业的收入利润，小到每个一线销售人员每天的客户拜访量、成单量等。

而体系，就是用一套逻辑把一大堆东西连接起来。比如，人的生命体系包括大脑、心脏、血液、各种器官等等，每一个组成部分都在这个体系中有自己独特的功能，都是这个体系不可或缺的一部分。

开始前给大家分享一份制造、零售、金融、物流4大行业数据指标体系，需要直接查看下方PDF：

而企业的指标体系，就是能够将大到企业的总收入、利润，小到每个销售员的成交量等单个指标用一套逻辑连接起来（见下图）。

在这套逻辑里，你能从局部看到整体，能从整体划分到局部。

例如你头疼（整体），医生能够按照人的生命体系一一检查，直到发现你上呼吸道不正常，发生了感染（局部）；也能从你手扎破了（局部），如果不及时处理伤口，可能由于感染丢失了性命（整体）。

企业也一样，通过企业的指标体系，也能看到企业利润没有达成，是哪个部门（个人）出现了问题，也可从一个销售员的业绩推断出公司的整体情况。

由此可以看出，指标体系最重要的是“指标”和“逻辑”。

解决问题：指标体系到底如何搭建？

那么，如果我们想要搭建一套完整指标体系，就得有一大堆衡量企业健康状况的指标，还得有一整套逻辑将企业的各个指标有机连接起来。

“指标”和“逻辑”虽然是指标体系的两个组成部分，但是构造“指标”和“逻辑”的过程却是同一个过程，那就是“自上而下，从大到小”，层层拆解，步步细分（业绩目标的设定过程可能相反）。

1、首先，每个企业都有自己每年的整体目标，这个目标一般是营收、利润、或销量。

这个大指标的问题在于，它无法把责任落在某一个具体的人或部门（CEO不算，因为整个指标体系就是为了他达成大指标使用的管理工具，他又不能一个人把公司所有活干了），所以就需要把这个大指标进行拆解，直到拆解到责任可以落实到每一个部门（个人）头上。

2、其次，就是如何拆解企业目标，这一步至关重要。一般来说，指标体系是按照本企业的业务流程进行拆解。

那什么是业务流程呢？它指的就是你要将从消费者（或者客户）那里收到钱所经历的所有的步骤进行拆解（也有人说按照消费者消费路径来拆解的，个人认为主要是业务流程，因为一般公司的部门是按照业务流程设置的）。

例如一家汽车制造公司，要想从客户手里收到购车款，大体来说需要经历造车——>营销——>物流——>销售的环节。那如何将企业一年的收入在这些环节进行分解，这时可以就需要“将业务流程抽象为数学公式”，因为指标本质上还是数据，所以指标的拆解当然离不开数学。

以上汽车销售的业务流程用数学公式表达出来如下：

汽车厂的销售收入=Max{出厂车辆数，营销产生的销售线索数✖️销售转化率✖️门店数量}✖️单车利润

因此，要达成营业利润那么子指标就是销售车辆数，而销售车辆数的子指标就是出厂车辆数、销售线索数、销售转化率。

这是大指标的一级拆解，一级拆解，一般建议子指标可以找到一个具体负责的部门。因为说一千道一万，企业是由各部门组成的，不论是传统企业是互联网公司，当然集团除外，我们这里主要说的是某一板块业务。

这样拆解的好处就是，虽然这个部门无法完全控制整个公司大指标，但是总可以控制部门的子指标。

例如，营销部可能无法对整个公司的销售收入负责，毕竟如果你车造的很烂，或者销售人员不努力，即使我把产品吹上天，消费者实际到店一试驾，还是不会买不是吗。但是，有多少人看广告，有多人看了广告愿意试驾（销售线索）你总不能甩锅吧。

3、就是将每个业务流程的目标再次在本流程的子流程层面进行二级拆解（见下图）。

例如，营销部负责销售线索数，但是你可能在很多媒介上做广告，例如电视、门户网站、移动端APP等等，那么每一个媒介上有多少销售线索数，你总得有一个统计指标吧，或者每一个媒介都有一个具体的人员在负责，那么将“销售线索数”这个子指标再细分，就是“XX媒介产生的销售线索数”。

这样，我们就可以看出这个媒介在整年的表现，如果责任到人的话，可以直接去看负责这个媒介投放的人员的业绩表现，进而通过这个子指标看其对整个营业收入（公司大指标）的影响。

其实这方面没有很好的方法，网上很多人都在鼓吹“OSM模型”，O就是Objective，S 是Strategy，M 是Measurement，其实它更多指的是一个概念框架，而且是高度抽象、大道至简的那种，而在真实的应用上能够参考的意义是有限的（就像 SWOT 分析一样）。

因此，最好的方法，就是你对这个业务流程相当了解，这也是现实中为什么 HR 部门无法设置好的指标体系了，因为他们对业务流程的了解一般少之又少。所以，指标的拆解（指标体系的搭建），其实是非常内行的一件事情。

4、是将一些职能部门的指标以及业务部门的保障性指标加入进去。

如果按照上述方法拆解KPI，那么基本上只有销售部、营销部、生产部等主要业务部门的指标，但是问题是整个公司的运行不是只有业务部门，还有很多职能部门，这些职能部门的工作也很重要，因为他们是保障整个公司的健康运行，也就是以上业务部门的指标能够达成的基础环境（参见波特价值链）。

举个例子，如果财务部门不好好工作，导致出现一个财务漏洞，那整个公司好几年的营收估计都搭进去了，又何谈一年的目标实现呢？

那职能部门的指标如何拆解呢？

首先，你必须得了解它们的主要工作内容、工作目标、工作流程。例如财务部门，主要指标可能是财务报告的及时性和准确性，以及预算管理的好与坏，这些都是可以量化的。

还有数据分析部门可能主要是一个支撑部门，那目标就是、及时准确地支撑业务部门数据需求、报表开发、给管理层的深度分析报告等，这些服务可以由各业务部门来打分，这样你就可以设置数据分析部门的指标诸如“数据提供满意度”、“数据分析报告满意度”等。

此外，业务部门也有保障性指标。例如生产部的指标肯定不光是生产合格的产品数量，你还得在一定时间、按照一定成本、按照一定良品率把合格的产品生产出来，那这个部门（业务）的指标就不光是生产合格的产品数量，还有以上提到的保障性指标。

通过之前搭建的业务指标体系（总指标——>细分——>细分——>……），加上诸如风险管理、财务、人事等职能（支撑）部门的保障性指标以及业务部门的业务保障性指标，覆盖整个公司的指标体系就搭建起来了。

这个体系整体像一颗巨大的数，但是在内在结构上又是枝与枝相关联，例如各部门的预算控制好了，整个财务的预算才能控制好；或者说数据部门要提供好用的报表，也得开发部门开发出好用的报表套件才行。毕竟，各部门相互连接，整个公司才是一个“有机的”整体（下图）。

源：谈数据，侵删

很多数据分析招聘的要求里会写“构建指标体系”，所以建立指标体系是数据分析人员的一项基本技能。下面从4个问题出发，系统介绍指标体系：

（1）什么是指标体系？

（2）指标体系有什么用？

（3）如何建立指标体系？

（4）建立指标体系有哪些注意事项？

1.什么是指标体系？

实际工作中，想要准确说清楚一件事是不容易的。例如，你在金融公司工作，工作中可能会听到这样的对话：“大概有1万多人申请贷款吧”“有很多人都没有申请通过”“感觉咱们的审核太严了”。

同事之间这样闲聊说话没什么问题，但是如果是向领导汇报或者是数据分析师在回答业务部门问题的时候就不能这么说了，一定要用准确的数据和指标来描述清楚。例如上边的对话可以改成：

5月4日新申请贷款用户10450人，超目标达成1450人；
5月4日当日申请贷款用户10450人，当日通过2468人；
截至5月6日，5月4日申请贷款的10450名用户中有3690人通过申请，申请通过率35.31%。

上面通过一个指标“申请通过率”说清楚了申请贷款用户的情况。但是实际工作中，往往一个指标没办法解决复杂的业务问题，这就需要使用多个指标从不同维度来评估业务，也就是使用指标体系。

指标体系是从不同维度梳理业务，把指标有系统地组织起来。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能叫指标体系。

2.指标体系有什么用？

我们在讨论一个人是否健康的时候，常常会说出一些名词：体温、血压、体脂率等。当把这些指标综合起来考量，大概就能了解一个人的健康状况。

同样，对于一家公司的业务是否正常（健康），可以通过指标体系对业务进行监控。当业务出现异常时，就能以最快的速度发现问题，开始分析，然后解决这些问题，最大化地减少损失。

指标体系的作用包括：

● 监控业务情况；

● 通过拆解指标寻找当前业务问题；

● 评估业务可改进的地方，找出下一步工作的方向。

3.如何建立指标体系？

可以用下面的方法建立指标体系。

（1）明确部门KPI，找到合适的一级指标

一级指标是用来评价公司或部门运营情况最核心的指标。例如，某旅游公司在会员积分方面的开销较大， 业务部门关心成本，定的的KPI是合理利用积分抵扣金额，节省成本，所以该部门一级指标定为积分抵扣金额。

一级指标并非只能是一个指标，有可能需要多个一级指标来做综合评价。例如，某网贷公司产品部门的主要职能是开发出符合市场需求的贷款产品，在提升业务量（放款量）的同时，也需要监控业务质量（放款逾期率）。

根据市场和业务运营情况及时调整产品政策，所以该部门的KPI有两个：贷款产品放款金额、贷款产品的坏账率。

贷款产品卖的好光看“放款金额”还不够，还要关注毛利润，这才是真正赚到的钱。同时也需要看用户数，因为用户数直接和获客成本挂钩，要防止营销成本太高、实际没利润这样不可持续情况的发生。

所以该部门确定了三个一级指标：放款金额、毛利润、用户数。

（2）了解业务运营情况，找到二级指标

有了一级指标以后，可以进一步将一级指标 拆解为二级指标。具体如何拆解，要看业务是如何运营的。比如销售部门一般按地区运营，就可以从地区维度拆解。市场部门一般按用户运营，就可以从用户维度拆解。

例如前面的案例中一级指标是积分抵扣金额，从订单维度拆解为积分抵扣金额 = 积分抵扣的订单数 * 平均订单抵扣金额，从会员维度拆解为积分抵扣金额 = 积分抵扣的会员数 * 人均抵扣金额。一级指标、二级指标指标的结构如下图。

（3）梳理业务流程，找到三级指标

一级指标往往是业务流程最终的结果，例如积分抵扣金额，是业务流程（会员->购买旅游产品->使用积分抵扣->支付金额） 最后的一个结果。

光看一个最后结果是无法监督、改进业务流程的，这就需要更细致一些的指标，也就是添加三级指标。例如，在业务流程中不同会员等级可以抵扣的金额不一样。不同旅游产品线可以抵扣的金额比例也不一样。所以，需要把二级指标按照业务流程拆解为更细的三级指标。

在会员业务节点可以拆解为LV1级会员数、LV2级会员数、LV3级会员数、LV4级会员数。在购买旅游产品业务节点可以拆解为酒店订单数、机票订单数、跟团游订单数、自由行订单数。最后，确定的指标如下图，因为一级指标、二级指标、三级指标的结构像金字塔，所以下图也叫做指标体系金字塔。

每个指标从3个方面确定统计口径：

• 指标含义：这个指标在业务上表示什么？
• 指标定义：这个指标是怎么定义的？
• 数据来源：从什么地方收集的原始数据？数据统计的时间范围是什么？

（4）通过报表监控指标，不断更新指标体系

前面步骤找到了一级指标、二级指标和三级指标，到这一步可以把这些指标制作到 报表中，通过报表监控指标，不断更新指标体系。

如果你想提升数据分析能力，或者0基础想入行数据分析，可以先从互联网数据分析的底层逻辑着手。我在知乎知学堂出品上线了数据分析短期训练营，会用3天时间，结合一线大厂真实案例，直播讲解数据分析底层逻辑+Excel操作技巧，培养职场人必备的数据能力和底层数据思维。有需要的点击链接领取：

4.指标体系有哪些注意事项？

建立指标体系需要注意以下4个问题。

（1）没有一级指标，抓不住重点

工作里最常见的情况是你获得的报表是从离职同事那里交接过来的，或者是领导给你的指标，你只是负责定时更新报表。但是为什么这样做报表？做完了报表给谁看？其实你是不清楚的。

弄清楚这些，需要知道一级指标是什么。如果不能围绕一级指标来做事会闹出笑话来。例如，某银行为了激励员工，根据KPI给分行经理制定的奖励规则如下：

投诉率最低的五个分行经理各奖励2000元现金；
分行客服月通话时长平均≥3.5小时，奖励3000元。

某个分行经理带领团队只放出贷款20万元，在150家分行中排名最后一名，但因为上面KPI达成的好，其收入反而比某些全额达成放款目标的分行经理高。这种不以一级指标（放款金额）为前提的激励方案就是无效的方案。

（2）指标之间没有逻辑关系

如果不按照业务流程来建立指标体系，虽然指标很多，但是指标之间没有逻辑关系。以至于出现问题的时候，找不到对应的业务节点是哪个，没办法解决问题。

（3）拆解的指标没有业务意义

有的报表上的指标很丰富，但是却没有实际的业务意义，导致报表就是一堆“没有用”的数字。

例如：在销售部门，最关注的是销售目标有没有达成，现在达成了多少，接下来的每天应该达成多少，哪些些区域达成最高，哪些区域达成最低。如果不围绕这个业务目标拆解指标，而是随意把指标拆解为用户年龄、性别，这就与业务没有任何关系，只是为了拆解而拆解。

（4）一个人就完成了指标体系和报表，也不和业务沟通

建立指标体系不是1个人能够完成的，需要业务部门（市场、运营、产品等部门统称为业务部门）、数据部门（这里把数据分析师所在的部门统称为数据部门）、开发部门相互之间进行协作。

业务部门会不断提出新的业务需求。如果业务部门认可数据部门做出的分析报告，并希望以后可以随时查询到相关的数据，那么数据部门会把数据产品化，也就是协助开发部门把数据产品做进公司后台系统，一般形式就是 报表。

日常工作中，业务部门、数据部门、开发部门部门是像下图这样紧密协作的。

建立指标体系需要各部门紧密沟通，还需要对公司业务和各部门职能的深刻理解，也就是这本书后面章节的业务知识，在此基础上再根据建立指标体系的方法，不断进行尝试就能够搭建出合适的指标体系。

如果你想掌握更多数据分析相关的技巧，可以点击下方链接，0.1 元即可享受「数据分析师 3 天实战训练营」，本课程由我亲自带你系统高效的学习数据分析。

首先说明一下：该文章会持续更新，因为数据指标的搜集是一个动态过程，随着行业的发展，指标名称可能变化，也可能衍生出新的指标，kusa会给大家不定期更新，形成全面的数据指标体系供参考！

1、数据指标价值

作为互联网领域数据运营人一枚，曾梳理一套企业数据指标体系，为所有需要看数据的小伙伴们做了次全面的数据指标培训；老大也曾让我设计一份数据指标字典表，做一个动态文档，实时更新文档中的数据指标体系，数据指标不局限于公司内部，可拓展至整个行业或相关行业！

数据指标的价值在于让每个人看懂数据，人人都是数据分析师的时代，数据指标是数据人沟通的符号密码，统一的、健全的数据指标对公司数据工作的推进非常重要！

2、数据指标定义与计算公式

2.1 用户数据指标

1、APP安装量：APP安装的次数

2、APP下载量：APP下载的次数

3、激活量：设备激活的次数

4、用户设备数：每个用户来源的设备数量

5、累计注册用户数：截至统计日期的注册用户数

6、新注册用户数：统计时间内新增注册用户数

7、退出用户数：失效用户数，从APP或平台注销的用户数

8、沉默用户数：与活跃用户对应的，通过用户行为判断出用户是活跃还是沉默，是潜在用户，很可能被召回

9、僵尸用户数：僵尸用户，腐朽的、没有生命力的用户，不可能被召回

10、DAU（Daily Active User ）：日活跃用户数，统计一日（统计日）之内，登陆或使用了某个产品的用户数（去重）

11、WAU（Weekly Active Users ）：周活跃用户量，统计一周（统计日）之内，登陆或使用了某个产品的用户数（去重）

12、MAU（Monthly Active User）：月活跃用户数，统计一月（统计日）之内，登陆或使用了某个产品的用户数（去重）

13、DNAU（Day New Active User）：日新增活跃用户，表示当天的新增活跃用户

14、DNU（Day New User）：日新增用户，表示当天的新增用户

15、DOU（Day Old User）：日老用户，当天登陆的老用户，非新增用户

16、 ACU（Average Concurrent Users）：平均同时在线人数，时间粒度（比如分钟）的在线人数，实时数据

17、 PCU（Peak Concurrent Users）：最高同时在线人数，时间粒度（比如分钟）在线人数走势中的峰值用户数，实时数据

2.2 行为数据指标

18、PV（Page View）：页面浏览次数/曝光数，在一个统计周期内，浏览页面的数之和

19、UV（Unique Visitor）：页面浏览用户数，在一个统计周期内，访问网站的人数之和。

20、PV点击率：页面转化率、PV点击率，页面的访问过程中点击了页面内容的比率

计算公式：点击次数/浏览次数

21、UV点击率：用户转化率、UV点击率，页面的访问过程中点击了页面内容用户占比

计算公式：点击用户数/浏览用户数

22、VV（Video View）：点击次数、播放数，是指在一个统计周期内，视频被打开的次数之和

23、CV（Content Views）：内容播放数，在一个统计周期内，视频被打开，且视频正片内容（除广告）被成功播放的次数之和。

24、人均访问时长：人均访问时长，用于统计每个人使用产品的平均时长

计算公式：总时长/总用户数

25、次均播放时长：次均播放时长，平均每次点击内容的播放时长

计算公式：总时长/总点击次数

26、点击时长：点击时长，视频播放时长

27、CTR（Click Through Rate）：点击通过率、点击率，衡量互联网广告效果的一项重要指标，指网络广告的点击到达率

计算公式：点击次数/浏览次数

28、次日留存率：次日留存率，第一天活跃用户中第二天仍活跃的用户占比

计算公式：第二天访问用户数/第一天访问用户数

29、7日留存率：7日留存率，第一天活跃用户中第七天仍活跃的用户占比

计算公式：第七天访问用户数/第一天访问用户数

30、流失率：用户流失率，客户流失数量与全部客户的数量的比例

计算公式：（上一步用户数-下一步用户数）/上一步用户数

31、跳出率：跳出率，某个时间段内，只浏览了一页即离开网站的访客人数占总访客人数的比例

计算公式：访问一个页面后离开网站的次数/总访问次数

32、完播率：完播率，视频的播放完成率,所有看到这个作品的用户中,有多少人是完整的100%看完这条视频

计算公式：播放时长/视频时长

33、订阅次数：订阅次数，产品被订阅的次数

34、订阅人数：订阅人数，产品被订阅的人数

35、邀请数：邀请数，用户邀请其它用户的次数

36、转发数：转发数，内容被用户转发的次数

37、评论数：评论数，用户评论的次数

2.3 推广付费指标

38、付费率：付费转化率，看到了某内容的用户中产生付费行为的用户占比

计算公式：付费用户数/访问用户数

39、付费频次：付费次数，用户付费的次数

40、付费用户数：付费用户数，产生付费行为的去重用户数

41、ARPPU（Average Revenue Per Paying User）：每付费用户平均收益，平均每个付费用户平均收益。统计周期内，付费用户对产品产生的平均收入。

计算公式：消费金额/付费用户数

42、ARPU（verage Revenue Per User）：人均消费金额、客单价，平均每个活跃用户收益

计算公式：消费金额/活跃用户数

43、GMV（Gross Merchandise Volume）：网站成交金额，是指下单产生的总金额

计算公式：付款金额+未付款金额（GMV=销售额+取消订单金额+退款金额）

44、LTV（Life Time Value）：用户的终身价值、用户生命周期价值，产品从用户所有互动中获取的全部经济收益的总和，只能预估，无法精确计算

计算公式：（Life Time）ARPU

45、支付UV： 支付UV，下单并成功支付的用户数

46、CAC（Customer Acquisition Cost）：用户获取成本，获取用户所花费的资金

计算公式：消费金额/用户数

47、CPA（Cost Per Action）：每次行动成本，按用户行为作为指标来计费的广告。行为可以是注册、下载、安装、加入购物车、下单、咨询等。

48、CPC（Cost Per Click）：平均点击价格，每点击一次广告客户向搜索引擎支付的金额

计算公式：消费量/点击量

49、CPM（Cost Per Mille）：千次点击价格，每点击一千次广告客户向搜索引擎支付的金额

计算公式：（消费量/点击量）*1000

50、CPV（Cost Per View）：平均显示价格，按显示次数计费模式下显示一次的费用

51、PV单价：每PV的收入，衡量页面流量变现能力的指标

52、CVR（Click Value Rate）：转化率，下一步操作用户数/上一步操作用户数

计算公式：转化量/展现量

53、PBP（Payback Period）：回收期，投资回收期，投资回收期是指从项目的投建之日起，用项目所得的净收益偿还原始投资所需要的年限

54、ROI（Return On Investment）：投资回报率，ROI=利润总额/投入成本总额*100%

计算公式：订单额/消费量

55、RPS（Revenue Per Search）：每搜索产生的收入，衡量搜索结果变现能力指标

56、平均客单价：平均客单价，GMV / 有消费的顾客总数

计算公式：GMV / 有消费的顾客总数

57、CPD（Cost Per Download）：每下载成本，按 APP 下载量计费

58、CPI（Cost Per Install）：每安装成本，按 APP 安装量计费

59、CPS（Cost Per Sale）：每销售成本，按实际销售产品量计费

60、CPL（Cost Per Lead）：每潜在客户获取成本，按搜集到潜在客户名单、销售线索数计费

61、ADimp（Adimpression）：单个广告展示次数，单个广告展示次数

62、ADPV（Advertisement Page View）：载有广告的页面浏览次数，载有广告的页面浏览次数

持续更新中......

3、数据指标汇总表