在了解什么是数据指标之前，我们思考一下：为什么会出现指标?它是为了解决什么问题?

人类及科学的发展是与时俱进的，早期为了使自然科学的实验及结果更具统一性及方便标准化衡量，一些标准化的专业指标应运而生。随着人类社会的发展，社会科学也越来越需要统计学来进行事物的衡量，一系列统计学指标也逐步产生了。随着新信息技术的发展，数据指标逐步被大众认可为衡量目标的方法。

从社会科学角度看，指标是统计学的范畴，用于数据的描述性统计。指标是说明总体数量特征的概念及其数值的综合，故又称为综合指标。在实际的统计工作和统计理论研究中，往往直接将说明总体数量特征的概念称为指标。

传统的指标有国内生产总值(Gross Domestic Product，GDP)、国民生产总值(Gross National Product，GNP)、居民消费价格指数(Consumer Price Index，CPI)、沪深300指数等。

01、什么是数据指标？

数据指标有别于传统意义上的统计指标，它是通过对数据进行分析得到的一个汇总结果，是将业务单元精分和量化后的度量值，使得业务目标可描述、可度量、可拆解。数据指标需要对业务需求进行进一步抽象，通过埋点进行数据采集，设计一套计算规则，并通过BI和数据可视化呈现，最终能够解释用户行为变化及业务变化。常用的数据指标有PV、UV等。

本文所述的指标是衡量目标的方法，指标由维度、汇总方式和量度组成，如下图所示。

其中，维度是指从哪些角度衡量，是看待事物的视角与方向，决定了根据不同角度去衡量指标。汇总方式是指用哪些方法衡量，是统计汇总数据的方式。而量度主要是明确事物的具体目标是什么，是对一个物理量的测定，也用来明确数据的计量单位。

比如，播放总时长是指用户在一段时间内播放音频的时长总和(单位：分钟)。按照上述拆解，维度是指筛选的一段时间，汇总方式为计算了时间长度的总和，而量度就是统一的单位—分钟数。

这里，我们可以理解为指标是由这几个方面构成，相当于英文的构词法，前缀、后缀等共同形成了一个单词。

02、什么是指标体系？

体系化的本质是将数据指标系统性地组织起来，具体会按照业务模型、按标准对指标不同的属性分类及分层。当然，不同的业务阶段、不同业务类型会有不同阶段的划分标准。

数据指标体系含有十分丰富的统计量，从宏观上看，它是一个相对全面的有机整体;从微观上看，每个数据指标都有其特定含义，反映了某一细节的客观事实。不同的数据指标定义不同，逻辑也不同，这些各种各样的统计量共同构成了数据指标体系，使其产生不可磨灭的价值。

在构建指标体系的过程中，首要动作就是明确指标的分类以及约束指标命名方式，使各个指标能够做到见名知意、减少沟通成本，这里我们按照阿里对指标的划分规范指标命名：

数据指标分为原子指标和派生指标。

原子指标是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，是具有明确业务含义的名词 ，体现明确的业务统计口径和计算逻辑，例如支付金额。

.原子指标=业务过程+度量

.派生指标=时间周期+修饰词+原子指标，派生指标可以理解为对原子指标业务统计范围的圈定

下图是各个基本概念之间的关系：

业务板块：比数据域更高维度的业务划分方法，适用于特别庞大的业务系统。

业务过程：指企业的业务活动事件，如下单、支付、退款都是业务过程，请注意，业务过程是一个不可拆分的行为事件，通俗的讲，业务过程就是企业活动中的事件。

修饰类型：是对修饰词的一种抽象划分。修饰类型从属于某个业务域，如日志域的访问终端类型涵盖无线端、PC端等修饰词。

修饰词：指出了统计维度以外指标的业务场景限定抽象，修饰词隶属于一种修饰类型，如果在日志域的访问终端类型下，有修饰词PC端、无线端等。

时间周期：用来明确数据统计的时间范围或者时间点，如最近30天、自然周、截至当日等。

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词，通常是业务过程+度量组合而成，如支付金额。

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，也可以成为实体对象。维度属于一个数据域，如地理纬度、时间维度。例如， 在分析交易过程时，可以通过买家、卖家、商品和时间等维度描述交易发生的环境。

派生指标：派生指标=一个原子指标+多个修饰词(可选)+时间周期。可以理解为对原子指标业务统计范围的圈定。如原子指标：支付金额，最近一天海外买家支付金额则为派生指标(最近1天为时间周期，海外为修饰词，买家作为维度，而不作为修饰词)

03、如何设计指标体系？

下面详细介绍企业级指标体系设计方法，包括设计思路、实施步骤、应用方法和管理机制。通过学习，可以建立一套完善的企业级指标体系，更好地进行数据分析和业务决策，推动业务发展。

企业指标体系设计过程中常见的5个问题：

.权责错误或不清晰

.指标口径不统一

.指标概念认知偏差

.指标管理待完善

.缺乏指标标准

构建企业级指标体系主要有以下5个步骤，：

.业务分析与数据盘点

.指标体系框架制定

.业务指标发现

.指标清单梳理

.指标标准建设

.指标体系应用

.业务拆解：梳理业务流程及管理要求

.数据盘点：盘点系统中的指标、维度

.行业标杆研究

.基于业务管理需求，自上而下逐层展开，设计指标体系框架，并参考行业模型。

.如何基于业务系统，自下而上逐层筛选，梳理数据指标体系，并参考业务价值。

匹配指标体系框架、维度及指标，梳理指标内容，形成指标清单。

指标清单的典型成果示例，包括原子指标、统计周期、统计粒度、业务限定和派生指标等信息。

指标标准的内容，包括维度、规则和指标的定义要素。

.以“产品均价”指标为例，指标标准的详细内容包括指标编号、名称、含义、计算公式、数据来源等。

.并以采购流程为例，展示指标标准体系的示例。

基于 5W2H 分析法，设计指标应用逻辑，并举例说明。

指标体系场景化应用的三种类型：

.描述性场景

.诊断性场景

.预测性场景

指标与报表的关系，并说明报表设计的原则，例如全面性、底表思维和分析思维。

指标体系在不同层级的应用场景，包括战略层、经营层和业务层，并列举具体的指标和应用方法。

数据、组织和流程在指标体系建设中的重要性不言而喻，强调组织保障和流程机制的配套作用。

根据指标分类、指标管理模块和部门职责，划分各部门在指标体系中的权责，并构建组织管理魔方，形成指标体系管理长效管理机制。

最后总结指标体系建设的典型经验，例如数据探查、指标设计原则、指标分级灵活化等。

04、数据指标体系的价值

数据指标体系是业务数据标准化的基础，其对指标进行了统一管理，体系化是为了方便统一修改、共享及维护。

宏观方面，数据指标体系建设是数据中台建设的重要一环，不仅符合“创新驱动”的意识，更是企业实现自身“数据驱动”发展的重要途径。

随着大数据和人工智能技术的发展，很多企业选择借助信息技术实现转型升级。在大数据时代早期，大部分数据并没有被充分地挖掘分析和利用。虽然数据规模非常大，但是却很难利用这些数据创造价值。而数据中台的提出及数据指标体系的构建，使得数据产生了实际价值。

有了数据指标，人们做决策时不再是按照经验“拍脑袋”，而是看看数据是怎样呈现的，能够及时基于数据进行战略调整及决策规划。

数据指标体系的价值主要体现在全面支持决策、指导业务运营、驱动用户增长，同时统一统计口径(见图2)。其中，作为压轴作用的统一统计口径对于数据指标体系而言具有战略意义。

在一个整体中，如果不能统一口径，那么一切分析及对比的参考价值就会显得无意义，各方也会陷入公说公有理，婆说婆有理的尴尬局面。由此说明，对于衡量整个公司的业务价值而言，建立一套统一标准的数据指标体系的作用不言而喻。

数据指标体系的价值

1. 全面支持决策

数据指标极具参考价值，公司的管理层为了更准确地进行战略决策，需要搭建完备的数据指标体系。一个相对全面的数据指标体系，可以让管理者对公司的发展从数据层面有一个比较客观的认知，而不是管中窥豹，这样在进行战略决策时，可以保持相对理性。

而对于新业务的洞察，也可以不断融入新的数据指标，丰富指标体系，灵活且全面地把握业务发展趋势，为未来的决策提供借鉴。

2. 指导业务运营

不懂数据的产品不是好运营，为了便捷地了解产品现状及业务效果，指标体系中会有很多拆解的细分指标，这些数据的变动反映的是用户对于运营情况的最新反馈，为运营的业务决策提供了数据支持。用户运营可以根据这些数据，了解用户的喜好，决定下一步的运营策略和活动开展。

例如，对于阅读行业来说，内容编辑会基于自己对内容的认知，将一组有共性特征的书籍组成一个书单推送给用户，那么指标体系中也会有相应的指标反映用户对这个书单的偏好。内容编辑就可以通过这些指标，了解用户的偏好，决定下一步是否要继续尝试这种类型的专题。

3. 统一统计口径

从技术角度来看，数据中台是为了汇总与融合企业内的全部数据，甚至外部数据，打破数据隔阂，解决数据标准与口径不一致的问题。数据指标体系化有个好处是可以实现指标的统一管理，实现统一的统计口径，避免定义模糊和逻辑混乱，影响数据质量。

同时，完备的数据指标体系也可减少重复统计的问题，从而避免日志上报产生的数据冗余和重复分析产生的服务器资源浪费。