在产品和运营的工作中，我们会接触不同的数据、不同的指标。很多时候我们做的数据，都是针对单个点的层面去做，而最终显示出来的数据往往比较零散，无法串联起来，发现全局的问题。而指标体系化，则是将零散的数据串联起来，让你通过单点看到全局，通过全局解决单点的问题。

数据指标体系的搭建是数据化运营的基础，基于对业务逻辑和商业模式的理解，通过层次化、结构化的指标定义和维度划分将复杂繁琐的业务数据清晰系统地展示出来，供产品和运营同学在日常工作中借鉴和使用。

对于业务人员来说，了解数据指标体系设计背后的逻辑和本质，对了解新业务、日常运营以及后续的业务分析都会起到事半功倍的作用。

什么是指标体系？

将指标体系拆开来看，首先我们来看看什么是指标：将业务单元细分后量化的度量值我们称之为指标，它使得业务目标可描述、可度量、可拆解，它是业务和数据的结合，是统计的基础，也是量化效果的重要依据。

指标又分为结果型指标和过程型指标：

结果型指标：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。结果型指标更多的是监控数据异常，或者是监控某个场景下用户需求是否被满足。

过程型指标：用户在做某个动作时候所产生的指标，可以通过某些运营策略来影响这个过程指标，从而影响最终的结果，过程型指标更加关注用户的需求为什么被满足或没被满足。

那何为体系？

体系由不同的维度组成，而维度是指用户观察、思考与表述某事物的“思维角度”，维度是指标体系的核心，没有维度，单纯说指标是没有任何意义的。

定性维度：偏文字描述类如城市、性别、职业等。

定量维度：是数值类描述如收入、年龄等，对定量维度需要做数值分组处理。 

最后我们结合来看，指标体系就是是将零散单点的具有相互联系的指标，系统化的组织起来，通过单点看全局，通过全局解决单点的问题。

为什么要做指标体系呢？

我觉得有以下5点：

1、衡量业务发展质量：指标体系可以反映业务客观事实，看清业务发展现状，通过指标对业务质量进行衡量，把控业务发展情况，针对发现的业务问题聚焦解决，促进业务有序增长。

2、建立指标因果关系：主要明确结果型指标和过程型指标关系，通过结果指标回溯过程指标，找到解决问题的核心原因。

3、指导用户分析工作：目的建立产品评估体系、活动效果评估体系、智能运营分析体系。

4、指导基础数据建设：明确基础数据建设方向，集中资源，避免过程和结果分析指标数据的遗漏或缺失。

5、统一指标消费口径：企业内统一关键指标业务口径及计算口径，统一企业业务目标，实现自上而下目标驱动。

构建数据指标体系的三大步骤 

如何快速构建指标体系呢？这就需要我们灵活掌握以下几个模型：OSM模型、AAARR模型、UJM模型、MECE模型。

OSM模型是一套业务分析框架，非算法模型；适用于目标已经清晰，行动方向已经明确的情况。当清晰目标以后，需要制定执行计划——OSM模型，就是把宏大的目标拆解，对应到部门内各个小组具体的、可落地、可度量的行为上，从保证执行计划没有偏离大方向。

OSM模型是指标体系建设的指导思想，理解业务KPI是OSM模型的核心；制定行动策略是实现业务KPI的手段，而AARRR和UJM模型是实现策略制定的方法论；制定细分指标是评估业务策略优劣的方法，而MECE模型制定细分指标的方法论。

O：明确业务目标，数据赋能业务 

我们在建立数据指标体系之前，一定要清晰的了解业务目标，也就是模型中的O-Object。换句话说，业务的目标也就是业务的核心KPI，了解业务的核心KPI能够帮助我们快速理清指标体系的方向。

这里就要提到北极星指标，有了北极星指标团队里的每个人做事情就有了判断的标准，知道该做哪些事情、不该做哪些事情，一切以北极星指标为核心，可以让团队成员明确自己的细分指标。 

S：理清用户生命周期及行为路径

了解业务目标方向之后，就需要制定相应的行动策略，也就是模型中的S-Strategy。

行动策略的制定可以根据产品生命周期或者用户行为路径进行拆解，也就是把业务的核心KPI拆解到用户生命周期(AARRR)或者用户行为路径(UJM)当中，在整条链路当中分析可以提升核心KPI的点。

AARRR和UJM模型都是路径模型，二者原理相似。都是从产品角度出发，揭示用户在产品内的整个生命周期；而UJM模型是从用户出发，揭示用户的行为路径。

AARRR模型大家都很熟知了， 这里就不细说了，UJM模型，即User-journey-map，用户旅程地图模型，通过拆分用户使用产品的阶段性行为，从中挖掘用户的需求，从而在每个阶段确定能够提升的指标。

以用户在外卖平台选外卖为例：如图可知，用户在外卖下单流程中，一般包括：搜索-浏览有兴趣的商品-付费-复购；在每个环节中，我们可以基于用户在产品的接触点，挖掘用户在每个环节产生的痛点，从而识别出产品提升的方向。

M：指标体系度量

最后，就需要我们制定较细的评估指标，也就是模型中的M—Measure。

评估指标的制定是将产品链路或者行为路径中的各个核心KPI进行下钻细分，这里用到的方法就是麦肯锡著名的MECE模型，需保证每个细分指标是完全独立且相互穷尽的。 

我们明确了业务核心目标，梳理完用户流程后，接下来我们需要对这些核心KPI向下进行三到五层的拆解，这个过程我们称为指标体系分级治理。

MECE模型的指导思想是完全独立，相互穷尽，根据这个原则拆分可以暴露业务最本质的问题，帮助数据分析师们快速地定位业务问题。例如，客户总成交额GMV进行拆解可以是付费用户数与平均客单价的乘积。

实战案例

我们以一个电商行业的实战案例来举例快速搭建指标体系：

第一步：根据OSM模型构建整体框架，明确业务目标。

首先我们提炼出业务目标——提升用户总成交量GMV，为什么业务会关注GMV？当然这是业务的核心KPI，关系到自己的饭碗，GMV当然越高越年终奖越高。 

第二步：根据AARRR或UJM模型拆解用户达成GMV的路径。

用户达成GMV需要通过六个步骤，即注册-登录-曝光-点击-加购-成交。

我们已经将提升GMV这个目标转换为提升用户付费路径的转化率和用户数，只要我们提升用户每一步的基数，使得每一步的转化率变高就可以达成提高GMV的目标。

另外一个好处，即通过路径拆解能够暴露业务更多的问题，同时，分析师可以根据暴露的业务问题提出相应的建议方案，这也是数据分析师的价值所在。

第三步：根据MECE模型对GMV达成路径的每一个指标进行拆解，实现指标分级治理。

有了GMV达成路径之后，我们就可以将这个路径的核心步骤抽象成GMV的分级指标并进行回溯下钻。同时，找出影响每一个步骤的关键因素作为二级指标，每一个关键因素之间需要完全独立，相互穷尽。

最后，我们给大家整理了行业内一些常用的指标，可以供大家参考。

-END-