统计指标体系（统计指标体系的例子）
编辑导语：指标体系的建立，能够驱动业务或公司更好地前进，同时也有助于利用指标体系评判业务状态，发现有异常的指标并予以修正。本文作者从自己实际工作实践出发，总结分享了搭建指标体系的相关经验，希望对大家有所帮助。
你对越刷越上瘾的抖音又爱又恨，对千人千面淘宝智能推荐的心仪商品满心欢喜，对踏足一个陌生城市因为有了地图、共享出行以及众多 App 的攻略而不再感到未知和害怕，互联网和城市数字化带来的变革，不仅仅是更便捷，还有人与人之间边界的拉近。
这一切，依赖于海量数据的线上化，基于大数据和人工智能技术的价值挖掘。正如王坚博士的《在线》书中所言：数据量大不重要，让数据在线才重要。
无论是企业还是个体，我们都在逐渐成为这规模不可及数据富矿的一份子。不管是原生互联网企业，还是不断进化中的传统企业，今天的企业正在逐步进化成数据企业。“数据是核心竞争力”成为了主流观点，而数字化转型的本质是为了提高生产力，将数据变为生产资料。
这一切， 都是为了实现精细化运营从而达到降本增效的目的。正所谓：数据最了不起的地方，就是靠最小的成本撬动更大的价值。
01 数据与中台
互联网最典型的特征是将用户行为和触点线上化，积累着海量级别数据。
行为分析、运营触达、用户画像、智能推荐、千人千面。一个个看似简单的词语，背后是海量数据驱动的结果。首先需要对用户的行为进行量化并收集，用户行为数据、交易数据又或者产品数据，都是企业数字资产极其核心的内容。而这些数据，往往会散落在企业的不同业务线，不同数据库，被分为若干个数据集合单元，无法形成数据闭环。
“如果无法衡量，那么就无法管理”。
为了连接这些信息孤岛的数据，可以借助中台的理念，即沉淀和去重业务线的数据，将不同系统中的数据进行全面汇集和管理，提高信息传递效率。中台的输出形式为标准化的 API，数据中台可以简单理解为包含数仓体系和数据应用集的结合。
数据的利用可以分为四个阶段：采集、存储、分析、展示。，也对应着以上为数仓体系不同模块。包含了数据底层（采集和存储）、数据分析和数据展示。
数据底层主要负责管理数据，包括数据采集、数据 ETL、数据仓库构建等环节，提供数据基础；数据分析主要是利用SQL查询、OLAP 分析、数据挖掘以及可视化等方法抽取数据仓库中的数据，形成数据价值。
其中，数据分析和展示是堪比砂砾淘金的壮举，将数据转化为有价值的信息，减少主观决策。然而口号容易，落地难。
无论是营销活动，还是产品迭代，又或者是商业智能，做到数据决策的第一步，是搭建一套符合业务事实的指标体系。
02 指标与指标体系
指标是什么呢？我们为什么又需要指标体系。
无论是公司，还是产品又或者是服务，最终都会有使用对象。“自嗨”是大忌，“反馈”是必然，根据使用者的声音和行为数据不段地调整产品迭代方向，才是一个良性循环。
指标的作用，则是将业务变的可描述、可度量、可拆解，通过将业务单元细分量化后，形成一个个统计的标准。而指标体系，则是将互相关联而又相对独立的指标组织分类，更好的以全局视野“以面看点”，分层次管理单个业务单元。
按照百度百科的介绍：“在统计研究中，如果要说明总体全貌，那么只使用一个指标往往是不够的，因为它只能反映总体某一方面的数量特征。”
通过指标体系，我们可以通过客观数据衡量业务发展质量，厘清业务发展阶段和现状，发现关键的“北极星指标”和“转化率”指标，还能用作为产品迭代和活动评估的有力支撑。
总的来说，指标可以分为两大类：过程类和结果类。
-
过程类指标：用来衡量事件的过程变化，该类指标可以用来关注用户的需求为什么被满足或没被满足。如转化率、流失率等。
-
结果类指标：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，主要用来监控数据是否异常和业务事实。如 UV/PV、用户注册数等等。
03 指标的生产
无论是过程类还是结果类指标，要想保证各方的理解无歧义，除了保证数据输入口径统一，还需要保证指标定义的统一，而定义的统一，可以借助 MECE分析法（相互独立，完全穷尽），最终将指标拆解为一个个原子指标。
其拆解过程如下：
以上每个过程，都对应着一个具体的分析方法，下面以一个具体案例阐述每个环节的含义。
1）业务线：即产品线，如阿里的手淘线。
2）数据域：来源数仓概念，指面向业务分析，将业务过程或者维度进行抽象的集合。如淘宝的手淘线商品域、用户域、交易域等。
3）业务过程：相关业务事件组成的业务流程，如手淘用户域的注册、注销等。
4）修饰类型：对修饰词的抽象分类，如手淘的支付方式、用户来源等。
5）派生指标：派生指标=时间周期+修饰词+原子指标，可以选择多个修饰词，由具体的派生指标语义决定。如客单价（支付金额除以买家数）为派生指标。
-
修饰词：继承修饰类型的数据域，除了维度外的修辞词语，如手淘的终端类型、用户性别等。
-
时间周期：统计的时间范围，如近 30 天访问手淘的用户终端类型等
-
原子指标：原子指标 = 业务过程+度量。其中度量是基于某一业务事件（支付、成单、退款）行为下的度量（份额、次数、频率、金额），是明确的统计口径，不可拆分指标，如支付金额，支付频率等。
6）维度：是事物或现象的某种特征，指度量单位，具备唯一性，如地理维度、时间维度等。
属性：隶属于维度，有定量和定性的区分，如省份名称、邮政编码等。
-
定性：文字可维度如省份城市、性别、职业等。
-
定量：数值类维度如收入、年龄等。
最终，根据以上拆解过程，我们得到了一个指标实例：最近 30 天 IOS 的各省份的注册数。
另外需要说明的是，上述案例得到的指标（最近 30 天 IOS 的各省份的注册数）属于过程类指标。实际上，过程类指标都是虚荣指标，即无法直接促进交易额增长，只能度量业务。常见的虚荣指标还有 PV/UV/总用户量等。
03 搭建指标体系
讲了这么多，终于开始步入正戏。
搭建指标体系需要贴合实际的业务场景，可以根据不同的分析方法和抽象模型自上而下的驱动指标体系建设。常用的指标搭建方法有 OSM 模型和指标分级。
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，到最后执行侧的指标。体现了金字塔式的结构化思维。而OSM模型（Obejective，Strategy，Measurement）分别对应目标、策略、度量。一句话概括为了目标采取了哪些策略，如果度量这些策略的效果。
-
O：目标——用户使用产品的目标是什么？产品满足了用户的什么需求？
-
S：策略——为了达成上述目标我采取的策略是什么？
-
M：度量——这些策略随之带来的数据指标变化有哪些？
以笔者在云计算行业的为例，从该视角来看如何用 OSM 定义指标体系：
当然，以上仅是指标搭建方法。好比于我们做菜，有时候会需要菜谱，因为需要将顺序的放入食材和适当的火候才能烹饪成一道美味。
搭建指标体系可以借助一些抽象模型，比如，交易类平台最经典的“人货场”模型，用户、商品、场景以不同的方式组合在一起，往往也意味着不同的交易模式，但是核心还是一句话：谁在什么「场景」下「买」了什么「商品」。
以电商公司为例：用户（企业/个人）在场景（平台）购买了哪些资源（商品）。通过对三者的分析，覆盖到了产品线的方方面面，从定目标到完成，也借此来调整运营的策略以及功能迭代的侧重点。
“用户”的视角，主要是识别用户从哪里来（渠道）、用户有哪些特征（画像）、可以分成哪些层次（RFM模型）以及用户的消费质量等等。
“场景”的视角，主要识别平台的有多少流量，这些流量的转化率，购买了多少金额，购买了多少商品等等。
“商品”的视角，主要分析售前时客户需要哪些品类、这些品类如何定义，售中时是否需要优惠券，以及用售后时用户对于商品的使用情况及反馈建议等。
其实，作为一种抽象模型，起源于传统零售行业的“人货场”理论，在电商行业发扬光大。在如今不仅运用电商和零售，还能应用内容、社交等一系列场景。
比如，可以“人货场”的角度来剖析 B 站作为内容社区的发展。
-
人——如何 看待 B 站的用户及创作者？用户从二次元→Z世代→Z+时代。创作者实现正向循环，PUGV内容占比越来越高。
-
货——如何理解B站内容与创作者生态？从二次元到番剧，再到多元化发展。PUGV和 OGV 两头抓。
-
场——B站平台社区环境如何建立？相对公平的流量分配机制，双列视频展示形式 + 单列沉浸式小视频，并承袭二次元弹幕的社区“梗文化”。
除了在经典的“人货场”抽象模型，还有被称为“海盗模型”的AARRR模型，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。
04 结语
数据是杠杆，借助数据能撬动更大的价值。但是玩转数据的前提，首先是存储和利用数据。很多时候，企业已经不满足分析 T+1 周期的离线数据，正如抖音的智能推荐解决了人与信息的匹配，淘宝的千人千面解决了人货匹配。这不仅要求数据在线，更对数据的实时性也有着越来越高的要求。
指标体系的生产和建立，依赖于数据的准确性、时效性和完整性。无论是数仓还是数据中台，都只是一种手段，更重要的是借助数据去实现量化业务态势，找到当前的症结，最终实现业务升值。
参考资料：
-
《数据中台实战》董超华
-
《中台产品经理宝典》刘天
-
《2019年中国数字中台行业研究报告》艾瑞咨询
-
《滴滴数据仓库指标体系建设实践》 滴滴技术
-
《从“人货场”看B站社区生态的养成》 方正证券
#专栏作家#
零度Pasca，公众号：大兵闲记，人人都是产品经理专栏作家。关注前沿技术趋势，理性数据主义者；热爱阅读，坚信输出是沉淀输入的最好方式，致力于用产品思维解决用户共性问题。