数据产品经理，该如何搭建数据指标体系？

        数据产品经理，除了“产品经理”应该所具备的如「沟通/原型/文档/项目管理」等基本技能外，还应该具有精于“数据”的核心专业技能如「数据认知/数据技术/数据平台/数据分析/搭建指标体系」等。而“搭建数据指标体系”是其中最为重要的，将直接影响数据「产生→处理→存储→计算→应用」的全流程，也将影响数据平台产品的系统性、稳定性和扩展性

一、为什么需要指标体系？

1.1 什么是指标？

通常我们讲述的指标是指将业务单元精分后量化的度量值，譬如「DAU」「订单数」「金额」等。当然，原子指标还会基于维度、修饰词、统计口径而构建出派生指标。指标的核心意义是它使得业务目标可描述、可度量、可拆解

1.2 指标不成体系会怎样？

从业务视角看：

经常碰到的一种现象是业务上线了之后发现数据不够用，缺指标或缺维度。随之而来的便是数据需求更改：添加指标、增加维度、增加各种五花八门的数据报表等，这一系列的需求变更和反复迭代造成的苦果，会使得报表越发臃肿，数据参差不齐。业务同学分析具体问题时找数据变得越来越难，每天会消耗大量时间在不断的寻找数据、核对指标的泥潭中

从技术视角看：

基于需求的变更，业务团队技术同学将需要重新去更改设计和开发埋点。数据团队技术则需要重新采集、清  洗、存储数据；更为致命的是，若在原有的监控报表上增加指标或维度还会需要：1）在原有的数据存储结果表上动刀，增加存储列等 2）数据计算SQL逻辑更改 3）数据回算 4）结果展现逻辑更改；这一系列下来不仅耗费人力物力，同时实现本身周期也会更长，反馈效率低下

1.3 指标体系化后能不能解决？

一个好的指标体系设计，不能说可以规避掉百分百的问题，但至少让问题出现时各方临危不乱。

首先，业务同学需要对自己的业务有一个大概的预判，譬如：在整体的业务里程碑上什么时间点会有哪些策略动作，对应的业务体量会是多大。与此同时也提前去预知大概会监控哪些指标，从哪些维度拆解等

其次，在有了初步预判之后与团队技术沟通，与数据团队沟通，尽量让各方信息对称。这样的好处是我们能尽量提前将指标体系设计得不重不漏、条理清晰。同时技术团队也会有所准备，在做数据底层设计时多去考虑其稳定性、扩展性等

1.4 指标体系化的本质

体系化本质是将数据指标系统性的组织起来。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。那么，我们该如何依据现有业务去搭建指标体系呢？

二、如何搭建指标体系？

 2.1 明确业务是什么

在搭建指标体系之前，需要明确自己的业务是什么？公司整体的目标是什么？在产品实现上，如何帮助用户解决问题。譬如像电商C2C企业，业务本质上要解决的是需求「匹配」和「匹配效率」的问题，是一个不断丰富供给和满足需要的过程。目标上会去追求实现更多用户的双边关系需要，对应到数据去看会衍生出「DAU」「订单」「GMV」等战略指标。下面将会以“电商C2C”为例，从「业务整体大盘」和「业务子单元」拆分讲解数据指标体系的构建方法

2.2 按业务大盘拆解

根据企业战略目标，按照业务大盘的方式拆解数据指标体系，在业内有个有名的方法论AARRR（也叫海盗指标法），整体的拆分逻辑是「获取→活跃→留存→营收→传播」感兴趣的朋友可以去谷歌搜一搜。这个方法论的特点是比较系统和笼统的拆解了精益创业中的增长模型，不过在对应到现实业务上应用时，仍会有些让人不知所以。尽管如此，我们依旧可以在此基础上进行改良，进行基于自身业务本地化之后的扩展延伸

2.2.1 用户实现需要的路径

我们先对自身业务模式进行拆解，画出业务模型流程图。观察其在业务主流程上，不同阶段实现用户侧买家和卖家需求时，用户会做什么、产生哪些数据、我们需要监控哪些数据。如下图，我们得出两点：

1）无论买家还是卖家，在整个业务主流程上的动作比较相似

2）主流程中认知、激活注册、行为、沟通、交易、售后六个阶段，可依据阶段的差异性进行数据分类