迷信欠缺的数据指标体系是企业发展数字化经营治理、打造数据驱动型组织的重要撑持。透过多维度的数据指标，经营人员可能清晰理解业务现状，产品 / 研发人员可能高效定位系统问题，管理人员可能更加精确地做出剖析决策。
那么，如何在充沛了解业务需要的根底上，搭建出一套无效、好用的数据指标体系？本文对个推 TechDay“治数训练营”系列直播课第三期进行了回顾，与大家分享《数据指标体系设计与开发实战》。
课程回顾
数据指标与指标体系
数据指标是一种特定类型的元数据信息，是将业务单元细分后量化的度量值，同时也是业务和数据的交汇点。数据指标使得业务指标可形容、可度量、可拆解，可能为产品经营日常开发迭代以及疏导科学决策提供可量化的反对。
数据指标个别分为后果型指标和过程型指标两类。
后果型指标，用于掂量用户在某个动作后所产生的后果，以及度量某个场景下用户的需要是否失去满足，这个后果通常是延后晓得的，人们很难进行干涉。
过程型指标，是指用户在做某个动作的过程中所产生的指标，过程性指标更加关注用户的需要为什么被满足或者未被满足，人们可通过特定策略来影响过程性指标，从而影响最终的后果。
例如，就一场电商促销流动而言，最终的销售额是后果型指标，商品页面的曝光、点击、加购等数据均为过程性指标，电商经营人员通过经营策略晋升曝光量、点击率、加购转化率等过程性指标从而影响最终的后果型指标。
通过剖析销售转化链路各环节上的数据指标，业务人员可能清晰掌握业务状况 单个的数据指标并不能残缺地反映业务经营状况，还须要咱们从全局登程，将零散、单点的、具备互相分割的指标，系统化地组织起来，构建一套数据指标体系。
数据指标体系的建设过程其实也是咱们对业务实质进行思考的过程。一套迷信、残缺的数据指标体系可能掂量业务倒退品质，帮忙咱们通过单点看业务全局，通过全局解决单点的业务问题。
数据指标设计与开发
企业构建数据指标体系首先要依据业务指标，梳理相应的数据指标。咱们举荐参考 OSM 模型来拆解业务指标，实现数据指标的设计。
OSM 模型其中的“O”指的是指标 Objective，“S”指的是策略 Strategy，“M”指的就是度量指标 Measurement。以电商经营场景举例，电商平台的经营指标（O）往往是进步 GMV。
依据公式“GMV= 领取用户数×每笔单价×用户购买频次”，那么其晋升策略（S）和对应的度量指标（M）可能是：
✦ 晋升领取用户数策略（S）是给予新注册用户 9.9 限时特价福利，度量指标（M）是新注册用户数。
✦ 晋升每笔单价策略（S）是进行商品组合销售，度量指标（M）是每笔订单均匀单价。
✦ 晋升用户购买频次策略（S）是节假日进行优惠券营销，度量指标（M）是用户下单频次。
OSM 模型将巨大形象的指标拆解成系列具体的、可落地、可度量的行为，实用于产品经营、用户经营、绩效治理、企业经营等泛滥场景。
以用户剖析场景为例，通过 OSM 模型和 UJM 用户旅程地图模型（User-journey-map）的联合应用，经营人员可能将用户从点击、浏览到加购、下单、分享的全过程体验进行量化治理，找出影响用户最终购买转化率的关键环节，并针对性进行优化。
再比方，在产品经营场景，产品人员将 OSM 模型和 HEART 模型联合，通过一系列指标来量化评估用户对产品特定性能的应用体验，为产品迭代降级提供数据撑持。
指标分级数据指标体系设计是一项比较复杂的工作，还须要企业依据本身战略目标、组织及业务过程等进行自上而下的指标分级，从而使管理层、业务人员等不同角色都能更高效地了解数据指标含意、透过数据指标的稳定疾速定位相干问题。
一般而言，咱们将数据指标分为三级：第一要害指标（又称“北极星指标”）、一级指标和二级指标 。比方打车类 App 的第一要害指标是成单率，将成单率拆解，即可失去两个一级指标，别离是发复数、完复数；再将一级指标完复数拆分，可失去司机勾销订单数量、乘客勾销订单数量等二级指标。
对于客服人员来讲，更须要关注二级指标，跟进理解司机和乘客勾销订单的起因，解决司乘用户体验问题。而对于打车类 App 的经营人员来讲，还须要更多关注发复数、完复数等一级指标，通过经营和激励措施晋升相应指标。
指标设计
设计指标前，咱们须要理解指标的几大组成因素：维度、度量、统计周期、过滤条件 等。
其中维度是描述性数据，指的是地区、产品名称、产品类型等指标统计的环境；度量是数字性数据，比方产品销售额、账户余额等；统计周期指的是计算指标的工夫范畴，比方本月、本季度、本年度等；过滤条件指计算指标的条件限度，比方无效状态、非工作日的等。
指标的组成因素决定了指标的生产逻辑。依据组成因素、生产逻辑的不同，数据指标可被分为原 子指标、派生指标、复合指标 等类型。其中原子指标，指的是对某一业务行为事件的度量，比方交易笔数、交易金额、交易用户数、账户余额；派生指标，指的是基于原子指标进行维度、统计周期或过滤条件的派生，比方近一周的账户生产金额、上一年的账户余额等；而复合指标就更为简单，个别是对多个指标进行加减乘除等运算得出，比方 2022 年月均匀 GMV、投资年化收益等。
指标元数据
企业能够依据指标类型、生产逻辑的不同，清晰梳理出生产指标所须要的数据源以及须要构建什么样的数据模型以计算得出指标后果。为了更标准地进行指标生命周期治理，咱们倡议企业能够输理出一份指标元数据说明书，清晰 列举指标名称、指标编码、指标目录、指标分类、业务口径、技术口径、指标责任人、指标数据更新频率、形容信息 等重要内容，给数据开发人员、指标应用人员、指标保护人员等提供更详尽的领导和参考。
指标评审与开发
实现指标模型、指标内容等设计后，数据分析师 / 数仓架构师会召开指标评审会议，与数据开发 / 业务人员在 指标的定义、业务口径、技术口径、更新周期 等方面充沛探讨并达成一致意见。
业务人员是数据指标的需求方和使用者，在派生指标维度有哪些、统计周期是什么、复合指标由哪些指标加工而成等问题上可能提出建设性意见；
数据开发人员较为理解企业的数据源现状，可能在派生指标由数仓的哪些数据模型加工产出等技术问题上给出业余倡议。
综合多方在指标评审会议上的反馈，负责指标开发的数据分析师 / 数仓架构师可对指标元数据和指标生产逻辑进行优化迭代，正式启动指标开发工作。
经验总结
数据指标体系是企业十分重要的一项数据资产，联合咱们进行数据治理和指标体系建设过程中积攒的教训，咱们倡议大家在建设数据指标体系过程中把握以下三个要害要点：
①遵循一套标准规范的指标搭建方法论，设计企业级的数据指标体系；
②有一套对立的流程管制机制，对数据指标的生命周期进行全面把控和治理；
③建设对立的指标治理平台，对数据指标进行集中管理，将指标资产积淀下来。
Q&A 精选
直播过程中，大家就课程内容进行了交换，本文筛选了直播间的精彩发问做了 Q &A 梳理。
Q1：如何应用非结构化数据和半结构化数据搭建指标体系？
这须要具体问题具体分析。一般来讲，咱们建设指标体系时，针对的都是结构化数据。对于非结构化数据，咱们还须要先将其治理、转换成结构化数据，后续再进行指标体系的建设。
比方，对于视频格式的数据，咱们须要借助视频辨认算法将视频格式数据转换为结构化数据，将其纳入到整个数仓体系内，后续再针对性进行指标体系的搭建。
Q2：如何掂量指标体系的品质？
高质量的指标体系不仅可能清晰反映企业经营现状，还可能给不同层级的人员应用，帮忙企业 / 组织更好地倒退。
目前，很多企业都建设了数据看板、数据驾驶舱，依据不同主题对多种数据指标进行组合展现，帮忙管理层、中层领导、业务人员可能查看企业经营情况，剖析和研判企业经营问题，掂量业绩和经营指标达成状况。
为了帮忙企业更便捷、高效地剖析和应用数据，个推每日治数平台 DIOS 采纳低代码的设计理念，使得营销、HR、财务等不同部门的业务人员也够能灵便创立数据看板、数据门户等数据利用，将数据指标体系的价值施展进去，更及时、迅速地响应业务场景中遇到的多样化数据需要。
Q3：能够应用数据湖中的非结构化数据建设指标吗？
能够的。
数据湖扭转了原来数仓先进行数据处理后进行数据应用的形式，数据湖强调先存储数据，待后续想要应用数据时再思考具体的数据加工解决形式。
数据湖中存储了大量的半结构化和非结构化数据，比方图像、语音、视频等。如何高效地从非结构化数据中提取有价值的信息，是咱们应用数据湖中非结构化数据建设指标体系的难点。
关注个推技术实际微信公众号，后盾回复“指标”，获取本期直播课件~
下期预报
个推 TechDay 治数训练营第四期行将来袭！
11 月 30 日（下周三）早晨 19:30-20:30，来自个推治数平台部的资深数据产品经理将为大家具体梳理企业进行标签体系建设的方法论与外围策略，深刻分享标签数据的资产化经营治理教训，解读画像标签体系的场景利用案例。