本文先介绍了指标体系的概念，然后论证了引入指标体系的必要性，最后详细讲解了企业中搭建指标体系的全流程。
本文通过黄金思维圈（what-why-how）的逻辑来呈现。
数据指标体系是什么？
指标，即具备业务含义，能够反映业务特征的数据。
因此，一个指标应该至少满足以下条件：
- 指标必须为数值，不能是文本。例如“订单”不是指标，“支付订单数”，“核销订单数”等才是指标。
- 指标都是汇总计算出来的。单一个体的明细数据不是指标，因为它不具备任何业务意义，例如“用户A的订单数”不能够反映业务特征，因此它也不是指标。
但是，在实际情况中，单一一个指标很难描述清楚业务现状，例如指标为“支付订单数”，那么“支付订单数”的增加究竟是拉新带来的呢？还是运营促活带来的呢？这样就可能出现不同部门之间相互扯皮的现象。
所以，想要更好地描述业务，实际上需要的是一整套指标体系。
指标体系是指根据业务的目标，将多个指标创建联系后形成的整体。
可以看出，指标体系中的多个指标之间一定是存在逻辑关系的，而不是多个指标的简单堆砌。
好的指标体系的特征
- 科学性：指标必须符合业务状况、计算方法要符合行业标准。
- 系统性：各个指标之间要有逻辑关系。
- 代表性：能突出反映业务现状。
- 统一性：在各指标被不同部门使用的时候，需要保证指标的计算口径的统一。
为什么需要数据指标体系？
根据奥卡姆剃刀原理，如无必要，勿增实体，我们在引入一样东西之前需要先论证其必要性。
所以，数据指标体系究竟有什么作用呢，为什么值得我们引入它？
指标体系的作用
- 看清业务现状 通过数据对业务进行描述统计，避免了不明确、不清楚、不确定的情况，这是指标体系最基础的作用。
- 合理调配公司资源，明确工作重点 指标体系是一个树形结构，如果是企业级的指标体系，可以对应到产品市场运营团队的组织架构，能够让每个人都能明确自己的工作重心。
- 向上评估指标的影响范围和程度 除了顶层指标（北极星指标）外，指标体系中的每个指标都有其父指标，因此通过分析指标在其父指标中的占比，以及分析指标与父指标的相关性，就能够评估指标的影响范围和程度。
- 向下寻找指标异动的原因 除了最底层指标外，指标体系中的每个指标都有其子指标，因此当指标发生明显变化时，就能够通过子指标寻找原因。
在企业中，有2种常见状况需要搭建指标体系：
- 整个公司缺乏系统性的指标体系，这时需要搭建的是企业级的指标体系；
- 新上线的业务/活动，需要设立监控指标，这时需要搭建的是项目级的指标体系。
那么，该怎么搭建呢？
如何搭建数据指标体系？
搭建数据指标体系的完整流程如下：
Step 1 确定北极星指标
北极星指标（North Star Metric），又叫作第一关键指标（One Metric That Matters, OMTM），是指在当前阶段最重要的指标，就像天上的北极星一样，具备良好的指向性。
根据定义，北极星指标应该具有以下特性：
- 阶段性：北极星指标是一个阶段性的中期指标；
- 唯一性：企业的投入成本是有限的，在不同阶段都应该有一个唯一性的指标，不可能朝着所有方向同时努力。
有几个常用的方法可以帮助我们确定北极星指标。
1 通过KPI/OKR确定北极星指标
这是最简单直接的确定方法，例如老板定下的KPI就是“日均支付订单数超过10万”，那么北极星指标就可以定位“日均支付订单数”。
2 判断指标是否符合商业目标和用户价值
- 商业目标：一个企业的最终愿景，而北极星指标，是实现这个愿景的一个中期战略目标。
- 用户价值：用户对于产品的主要需求。
步骤如下：
以一个电商平台为例（该平台是通过订单提成作为主要盈利模式）：
3 结合产品生命周期确定
每个产品生命周期可以使用的北极星指标如下：
- 探索期：验证PMF，侧重留存；
- 成长期：重点在拉新，变现提上日程；
- 成熟期：重点在付费转化；
- 衰退期：挖掘新场景；
具体可以参考：为你的产品选择合适的北极星指标，从了解产品开始
Step 2 梳理业务，拆解指标
1.按照某个维度进行拆解
要求维度内遵循MECE原则，且每个维度内的子指标求和等于上层指标。
例如，以城市为维度进行拆解：
注意：拆解时需要根据公司的业务情况选择分类维度，而不是按照用户性别、地域、来源渠道等等一堆维度胡乱拆解，显得数据指标很丰富，但是实际上没有任何的业务意义。
2.按照计算方式/统计口径进行拆解
比率型指标天然就由分子和分母两部分组成，所以可以按照口径先进行拆解，其他指标也可以按照计算方式进行拆解。
例如，以有效购买转化率为例进行拆解：
指标拆解完成后需要进行核查：
- 是否存在重复指标
- 上下级指标是否存在明确、直接的关系
- 指标关联的维度是否尽可能完备
- 每个指标是否具备一定的业务指导意义
- 每个指标是否能够对应到负责人
Step 3 明确指标定义
指标拆解完成之后，我们需要拉上业务团队，技术团队，一起讨论确认指标定义和数据更新周期，指标定义应该包含指标名称、指标说明、计算公式、注意事项等。
示例：
指标名称 | 指标说明 | 计算公式 |
|---|---|---|
新用户N日留存率 | 新用户在注册日后的第N日当天返回的比例 | N日留存率 = N日留存用户数/注册用户数 |
确定好指标定义之后以文档形式留存，避免后面扯皮。
Step 4 埋点设计
如果公司采用的是第三方埋点，那么大概率就不需要再进行埋点设计了，只需要根据参考文档进行取数即可；而如果是公司自己埋点的话，那么可能还需要进行埋点设计，然后让前端进行开发。
Step 5 数据验证
项目开发完成后我们需要对采集到的数据进行验证。
- 表字段是否包含所有事件属性
- 表数据是否符合正确性、顺序性、完整性
- 正确性：是否有数据，内容和格式是否正确
- 顺序性：有顺序的行为，上发时间是否符合顺序
- 完整性：需要针对所有场景进行测试
Step 6 指标体系报表可视化开发
前面的所有准备工作做好之后，我们才能进入到最后的开发阶段。
底层数据跟宽表数据应该是数据开发提前做好的，我们要做的就是构建业务统计表，以及根据业务统计表进行数据可视化，数据分析，数据报表等后续工作。
数据可视化报表我们可以采用以下的一些实现方式：
- 邮件报表：最简单的可以是定时任务工具
crontab，或者是任务调度工具Celery，甚至是任务调度平台Airflow，都是可以实现自动化定时任务的。 - BI工具：Quick BI、Tableau、FineBI等商业智能软件也能够呈现我们搭建的数据指标体系。
- Web开发：更加定制化的方式自然是自己进行Web开发，可以使用Python的一些Web框架来实现，例如
Django、Flask等。
Step 7 后续优化迭代
完成了数据指标体系的搭建之后，随着公司业务的发展变更，指标体系也需要随着业务情况进行调整更新，不断地适应新的业务情况，才能起到其应有的作用。
