数据产品实用知识系列，由浅入深，将包括数据产品主要知识体系和市场主流数据产品介绍。

我们所有的数据工作，包括处理、查询、分析等。针对的是数据字段，本质上是数据指标。所以数据指标已经是大家熟悉的产品了。

指标包括一些宏观的一般指标，如PV、UV等。还有和具体业务结合的具体指标，比如零售行业的销售率和周转天数，或者游戏行业和ARPU的留存。对于企业来说，一个科学严谨的指标体系是了解和指导公司运营的关键。

为什么要有指标体系？

如果没有针对业务的指标体系，那么所有的分析都只是针对特定的一点，不可能观察到整个业务，每个分析过程都不可复用。

在企业管理过程中，实际上可以整理出大量的指标，分散在各个业务流程中。如果不明确指标优先级，不建立联系，每次分析数据、定位问题都会大海捞针，会有大量重复、无效的工作。

建立一套适合具体业务的指标体系，正是要通过指标的有机组合，简明清晰地反映业务经营状况。个人认为，构建指标体系主要有两种方式：

1.纵向构成是指标自上而下的拆解(也不太可能是自下而上的归纳)。一个典型的例子是第一关键指标法。了解成长型黑客的同学应该对北极星指标比较熟悉，其本质是定义一个企业在现阶段应该集中全部精力的指标。然后指标一步步拆解，最后的公式，指标体系，其实就是业务的增长模型。

例如，零售商以毛利为第一关键指标，可以构建如下指标体系。

垂直索引反汇编

2.横向推广横向推广用于分析业务流程，关注流程指标。用户转化漏斗和用户行为路径是横向推进的常用分析模型，每一步下的指标共同构成一套体系。更宏观、更长远的案例，可以参考AARRR模型，也叫盗版指数法，仍然是增加黑客的常用工具。AARRR模型将企业需要关注的指标分为五个阶段，即获取(收购)、激活(激活)、留存(留存)、收益(营收)和推荐(推荐)，具体指标可以在不同阶段重新定义和分解。对于这种模式，如果以后有机会写成长相关的内容，那就拓展一下。

一般来说，纵向指标体系和横向指标体系共同构成公司当前经营的全貌。需要注意的是，随着公司的发展，不同阶段涉及的指标和需要的指标体系也是不同的，需要及时调整。

指标体系的要点，一个是指标，一个是制度，缺一不可。更多时候，我们遇到的情况并不是构建一个从0到1的指标体系，而是公司可能有一系列的指标，但是并没有形成一个成熟的体系，这是数据治理中经常遇到的情况。这种情况下一般会经历四个阶段，我们也可以看看我们公司目前处于哪个阶段。

阶段1

有指标，没有体系。公司有关注指标，但通常数据粒度粗，深度浅，数据可能分散在各处。比如电商公司会关注GMV、订单量等常见指标，但每次关注都是一个独立的数据检索和单个数据观察的过程。

阶段2

有一定的分类和收集标准，并以适当的维度进行区分，这样对于数据的查询和处理就方便多了。例如，下图根据商品和销售维度对指标进行了分类。

阶段3

指标有可量化的衡量标准，更容易暴露问题，便于分析和解读。类似于我们去医院体检的报告，会告知各项指标的参考区间，并标注异常情况。

进口

形成体系可以梳理指标之间的相关性，可以观察问题的脉络并加以解决。

02指标字典当系统架构确定后，需要维护相应的指标字典。指标字典是数据标准化的前提，是构建后续数据分析产品的基础。通过索引字典，可以统一唯一地管理索引。

一个标准化的索引字典会规范数据的维度和维度，统一计算口径。指标字典必须有一个含义，即指标一旦录入，就必须确定其名称、维度以及所有钻取维度的默认维度。

词典中的指标可分为描述型和计算型，描述型又可分为基本指标和派生指标。

1.基础指标是基于单个实体的属性或行为的统计，没有更上游的指标，即该指标的父指标是自身。比如订单量、日活跃用户都是基本指标。

2.派生指标在某些维度上限制了单个母指标的值，其统计方法在整体上与基础指标一致。比如终端分别统计的PC端订单量和移动端订单量。

3.计算指标：对描述性指标进行计算、排序、累加后定义的指标，如客户单价、ARPU值等。也包括一些不适合公开的规则。