如何搭建指标管理体系？

01 指标的定义

什么是指标？指标是反映某种事物或现象，描述在一定时间和条件下的规模、程度、比例、结构等概念，通常由指标名称和指标数值组成。

指标有三个特点：可描述、可度量、可拆解，根据这三个特点，指标可用来衡量评估业务发展和业务目标，比如，员工流失率、门店客流量、客单价等都是对一种结果的数据化描述。

而指标体系是从不同维度梳理业务，并将零散单点的具有相互联系的指标，系统化地组织起来，体系化的评估，通过单点看全局，通过全局解决单点的问题。

02 指标的分类

定性指标和量化指标：前者通常是非结构化，经验性，难以分类的，吸纳了主观因素；后者涉及数值和统计数据，有可靠的量化结果，但缺乏直观的洞察。

虚假指标和可付诸行动指标：前者看起来很美，实际上没什么价值，如点击量，访问量；后者有实际意义的，可以指导商业行为。

先见性指标和后见性指标：前者指可预测未来，如潜在的客户数；后者则用于解释过去；相比较来说，先见性指标更有价值，能预示将来会发生什么，缩短迭代周期，精益求精。

相关性指标和因果性指标：如果两个指标总是同一变化，则说明它们是相关的，如何其中一个指标导致了另一个指标的变化，则它们之间是因果关系。

结果型指标和过程性指标：前者用于衡量用户发生某个动作后所产生的结果，通常是延后知道的，很难进行干预；后者指用户在做某个动作时候所产生的指标，可以通过某些运营策略来影响这个过程指标，从而影响最终的结果。

03 指标体系的作用

衡量业务发展质量：指标体系可以反映业务客观事实，看清业务发展现状，通过指标对业务质量进行衡量，把控业务发展情况，针对发现的业务问题聚焦解决，促进业务有序增长。

建立指标因果关系：主要明确结果型指标和过程型指标关系，通过结果指标回溯过程指标，找到解决问题的核心原因。

指导用户分析工作：目的建立产品评估体系、活动效果评估体系、智能运营分析体系。

指导基础数据建设：明确基础数据建设方向，集中资源，避免过程和结果分析指标数据的遗漏或缺失。

统一指标目标：企业内统一关键指标业务口径及计算口径，统一企业业务目标，实现自上而下目标驱动，凝聚团队，激励团队。

04 什么是好的指标？

好的数据指标是比较性的：如果能比较某数据在不同的时间段，用户群体，竞争产品之间的表现，可以更好地洞察产品的实际走向。“本周的用户转化率比上周高”显然比“转化率为2%”更有意义。

好的数据指标是一个比率：比率比较容易对比，容易理解，而且比率的可操作性强，是行动的向导。

好的数据指标是简单易懂的：如果人们不能很容易地记住或讨论某指标，那么通过改变它来改变公司的作为会十分困难。

好的数据指标会改变行为：这是最重要的评判标准，错误的数据指标会引导错误的业务行为。现实中，最常见的导向错误行为的指标是“虚荣指标”，即数字看起来很好看，但是实际上对业务并没有什么帮助。

05 指标体系的生命周期

生命周期主要包含定义、生产、消费、淘汰四个阶段。针对整个生命周期要持续做指标运维、质量评估，同时为了提高指标数据复用度，降低用户使用成本需要做对应的数据运营工作。

06 指标体系的设计和选择

指标体系建设的通常以业务场景化和以用户视角场景化来思考建设，自上而下业务驱动指标体系建设，下面是几种常见指标建设的思路：

1）基于产品模块类型

工具模块：帮助用户节省时间，产品自身提供价值。如墨迹天气、TEA。关注的指标有使用量，目标达成率，使用频次等。

内容模块：杀掉用户时间，产品自身提供价值。如今日头条、一点资讯。关注的指标有浏览数，浏览广度，浏览深度，内容互动等。

交易模块：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。关注的指标有转化率，客单价，复购率等。

社交模块：杀掉用户时间，产品通过链接其他资源提供价值。如Soul；关注的指标有发布量，互动量，关系密度等。

2）基于北极星指标分级

指标分级比较简单，即将公司的北极星指标拆解成业务线指标，到最后执行的指标。体现了金字塔式的结构化思维。

指标分级主要是指标内容拆分的思考，根据企业北极星战略目标、组织部门及业务过程进行自上而下的指标分级，对指标进行层层剖析，主要分为1级、2级、3级：

1级指标：公司战略层面指标

用于衡量公司整体目标达成情况的指标，主要是决策类指标，1级指标使用通常服务于公司战略决策层。

2级指标：业务策略层面指标

通过一级指标的拆解，会对目标拆解到业务线或事业群，并有针对性做出一系列运营策略，2级指标通常反映的是策略结果属于支持性指标同时也是业务线或事业群的核心指标。2级指标是1级指标的纵向的路径拆解，便于1级指标的问题定位，2级指标使用通常服务业务线或事业群。

3级指标：业务执行层面指标

3级指标是对2级指标的拆解，用于定位2级指标的问题。3级指标通常也是业务过程中最多的指标。根据各职能部门目标的不同，其关注的指标也各有差异。3级指标的使用通常可以指导一线运营或分析人员开展工作，内容偏过程性指标，可以快速引导一线人员做出相应的动作。

3）基于用户生命周期模型

[海盗模型]的AARRR，分别对应了用户生命周期中的五个阶段：Acquisition [获取] 、Activation [激活] 、Retention [存留] 、Revenue [收益] 和Referral [推荐] 。

当用户处于不同的用户生命周期不同阶段时，也需要使用不同的指标去定义。根据海盗模型 AARRR 产品增长模型，可以将指标分为五大类：拉新指标、活跃指标、留存指标、转化指标、传播指标。

A拉新
通过各种推广渠道，以cccccc各种方式获取目标用户，并对各种营销渠道的效果评估，不断优化投入策略，降低获客成本。涉及关键指标例如新增注册用户数、激活率、注册转化率、新客留存率、下载量、安装量等。

A活跃
活跃用户指真正开始使用了产品提供的价值，我们需要掌握用户的行为数据，监控产品健康程度。这个模块主要反映用户进入产品的行为表现，是产品体验的核心所在。涉及关键指标例如DAU/MAU 、日均使用时长、启动APP时长、启动APP次数等。

R留存
衡量用户粘性和质量的指标。涉及关键指标例如留存率、流失率等。

R变现
主要用来衡量产品商业价值。涉及关键指标例如生命周期价值(LTV)、客单价、GMV等。

R推荐

衡量用户自分享程度和口碑情况。涉及关键指标例如邀请率、裂变系数等。

4）基于OSM模型

OSM（Obejective，Strategy，Measurement）指标体系建设过程中辅助确定核心的重要方法思路，包含业务目标、业务策略、业务度量，是指标内容横向的思考。

O：用户使用产品的目标是什么？产品满足了用户的什么需求？主要从用户视角和业务视角确定目标，原则是切实可行、易理解、可干预、正向有益。

S：为了达成上述目标我采取的策略是什么？

M：这些策略随之带来的数据指标变化有哪些？

可以根据实际业务场景，结合使用指标分级，OSM和AARRR模型，来系统性的选择不同阶段所需要的核心数据指标。

指标体系搭建之后，然后就是分析维度选择了，维度选择层面主要通过数据分析视角结合实际分析业务场景来确定。例如设备维度、地区维度、渠道维度、时间维度、用户标签维度等。

07 指标体系的管理

1）管理的目标

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；维度定义规范、维度值一致。

业务目标：统一数据服务、场景化覆盖。

产品目标：指标体系管理产品化来支持决策、分析、运营；例如智能分析、运营监控产品等。

2）定义规范

业务域：指面向业务分析，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拆分的行为事件，在业务过程之下，可以定义指标；维度，是度量的环境，如支付订单事件，订单类型是维度。为了保障整个体系的生命力，业务域是需要抽象提炼，并且长期维护更新的，变动需执行变更流程。

业务事件：指企业的业务活动，如下单、支付都是业务事件。其中，业务事件不可拆分。

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APP的启动，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，如充值金额。

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。维度属于一个业务域，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：主要分为原子指标、派生指标、衍生指标。

• 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，如订单量、交易金额。
  

• 派生指标：是1个原子指标+多个修饰词（可选）+时间周期，是原子指标业务统计范围的圈定。派生指标又分以下二种类型：

1. 事务型指标：
   是指对业务过程进行衡量的指标。例如，订单量、订单支付金额，这类指标需要维护原子指标以及修饰词，在此基础上创建派生指标。

2. 存量型指标：

   是指对实体对象（如司机、乘客）某些状态的统计，例如注册司机总数、注册乘客总数，这类指标需要维护原子指标以及修饰词，在此基础上创建派生指标，对应的时间周期一般为“历史截止当前某个时间”。

• 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。主要有比率型、比例型、统计型均值。

<END>

大家都在看：

1、IBM数字化中台（PPT）
2、数据质量专项治理在政务大数据中的应用实践3、主数据管理（MDM）项目建设落地方案
4、数据中台建设方案（PPT）
5、普华永道：企业如何构建数据资产价值管理体系？（附下载）6、企业级数据治理解决方案（PPT）7、全网最全！《数据安全法》要点图解（附下载）8、华为数字化转型与数据管理实践（PPT）
9、阿里数据中台解决方案（PPT）10、建设大数据平台，从数据治理谈起11、数据资产盘点+数据治理+数据价值实现=数据资产管理运营12、京东全域大数据平台的演进与治理历程（PPT）13、万字长文详解数据仓库架构和建设方法论14、数据治理已成为数据中台的必争之地15、数据被污染很可怕？看看蚂蚁金服的数据治理之道

数据学堂

欢迎扫码添加歪老师个人微信（data-school），邀请加入数据学堂数据治理专业微信群，与业内大咖一起识数据、存数据、管数据、治数据、用数据！