企业级指标体系搭建全流程落地

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

1. 科学性：指标必须符合业务状况、计算方法要符合行业标准。
2. 系统性：各个指标之间要有逻辑关系。
3. 代表性：能突出反映业务现状。
4. 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

1. 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。

2. 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。

3. 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。

4. 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。

1. 表字段是否包含所有事件属性
2. 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：

1. 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。

2. 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。

3. 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。