小米指标体系的建设及管理最佳实践

点击上方 "大数据肌肉猿"关注, 星标一起成长

点击下方链接，进入高质量学习交流群

今日更新| 1052个转型案例分享-大数据交流群

导读本文将分享小米指标体系建设及管理的最佳实践。

今天的介绍分为五个方面：

1. 指标体系概述

2. 业务痛点和指标体系的解决方式

3. 指标体系的搭建方法

4. 小米的最佳实践

5. 总结与展望

分享嘉宾｜王浩 小米 高级软件研发工程师

编辑整理｜苏基宗

内容校对｜李瑶

出品社区｜DataFun

---

01

指标体系概述

1. 指标体系的定义

• 首先，指标体系需要分两个方面来讲：一方面是指标，指标是对业务单元进行细分后的度量值，用于对业务进行描述、度量和拆解，是对业务量化的过程，以评价业务的好与坏；

• 另一方面是体系，由不同的维度组成。光有指标是不够的，还需要通过不同角度（维度）去思考业务，不同的维度最终构成了一个体系。

所以，构建指标体系最核心的就是要构建一套合适的指标，以及它应该有哪些维度来帮助我们做好业务。

02

业务痛点和指标体系的解决方式

构建指标体系主要面临三方面的困难和难点：

• 业务视角：业务上主要面临两个问题，一是数据出口多，指标不统一，需要反复确认业务口径和反复核对数据；二是系统多、平台多，各种各样的系统中存放了各自割裂的数据。

• 技术视角：技术上主要面临三个问题，一是指标定义和命名混乱，不同的技术人员和业务部门的理解和定义的指标不一致；二是指标生产，因为系统多，不同的团队都在建设自己的指标，导致指标重复建设、混乱；三是指标消费，指标出口不统一，输出口径不一致。

• 产品视角：目前没有一个产品能把整个数据流，从业务系统到数据仓开发、到指标管理、到BI 可视化展示全链路可见和管理。

03

指标体系的搭建方法

面对以上的指标体系痛点问题，小米形成了一套方法论解决问题。

1. OSM 模型

OSM 模型全称为 Object-Strategy-Measure 模型，包含业务目标、业务策略、业务度量。OSM 模型的核心思路是首先需要确认业务目标（O），以及北极星指标，基于明确的业务目标和北极星指标进行向下拆解；为了达到业务目标，制定相应的业务策略（S）；制定了业务策略需要进一步的跟进执行进度和评价执行效果，即业务度量（M）。

以小米关注的库存周转效率指标为例，库存周转效率越高，意味着业务成本越低，每年可以为公司节省上亿成本。基于以上业务目标，制定了 2 个业务策略，一是要把老品尽快清除库存，减少资金占用；二是满足手机销售情况下，尽量降低库存数量。基于以上业务策略，设置了 2 个指标度量，一是货龄保持在 X 天以下，二是 DOS 低于 X 天。

2. MECE 法则

MECE 分析法是 Mutually Exclusive Collectively Exhaustive 的首字母缩写词，中文意思是“相互独立、完全穷尽”，即所谓的"无重复、无遗漏”。MECE 法则是金字塔原理里面一个经典模型，它的核心是“相互独立、完全穷尽”，主要用于如何划分业务领域，以及确定应该关注哪些维度。

• “相互独立”意味问题的细分需要在同一个维度上，并有明确的区分、不可重复；

• “完全穷尽”则意味着全面、完整，没有遗漏和缺失。

MECE 分类方法主要包括二分法、流程法、要素法、公式法及矩阵法等。

• 二分法：二分法在日常生活中比较常见，其实就是把事物分成 A 和非 A 两个部分，如“白天、黑夜”、“男人、女人”、“国内、国外”、“内部、外部”等；

• 流程法：按照事情发展的时间、流程、程序，对过程进行逐一的拆解，例如，小米销售业务涉及五个环节仓储、销售、物流、售后、客服；

• 要素法：主要用于事物由哪些要素（或部分）组成，把一个整体分成不同的构成部分。但是，在拆解要素时要保持维度的一致性，否则有可能出现有重叠和遗漏的问题，比如某图书馆可以按楼层这个维度来划分：一楼、二楼、三楼；

• 公式法：按照公式设计的要素进行分类，公式若成立，那么要素的分类就符合MECE 原则。比如 GMV=客流量X客单价；

• 矩阵法：把事物按二维矩阵进行分类或划分，例如说时间管理中常用的紧急且重要、紧急不重要、不紧急但重要、不紧急也不重要的分类方法就是典型的矩阵法。

04

小米的最佳实践

小米主要参考 OSM 模型和 MECE 原则，沉淀了集团数仓，并进一步形成了小米指标体系。

1. 小米指标体系建设-实现路径

小米指标体系的建设过程，主要包括模型设计、数仓建设、指标管理以及数据应用。

• 模型设计：根据 MECE 原则划分数据域，采用维度建模方法构建核心模型；

• 数仓建设：按照统一数据架构和规范，构建稳定安全的集团数仓；

• 指标管理：建设统一的数据字典，保障口径统一。实现快捷找数，高效用数；

• 数据应用：基于统一指标，快捷搭建看板，快速共享，实现高效数据消费。

2. 小米指标体系建设-模型设计

小米基于 MECE 原则，将核心业务进行了划分，包括研、产、供、销、服、用。业务线确定后，根据一些规范确定原子指标，再基于一些描述（比如时间、渠道等）来产生派生指标。指标确定后，再采用层级建模的方法构建数仓，最终实现模型设计的落地。

那如何评价模型设计的好与坏？

小米在设计模型的时候遵循以下7个原则：

• 高内聚和低耦合：包括业务特性和访问特性。业务特性：将业务相近或相关的数据设计为一个逻辑或者物理模型；访问特性：将高概率同时访问和低概率同时访问的数据分开存储；

• 核心模型与扩展模型分离：建立核心模型与扩展模型体系。核心模型应包含被多个业务高频访问的字段；扩展模型应包括个性化或少量业务访问的字段；

• 公共处理逻辑下沉及单一：底层公用的处理逻辑应在底层进行封装与实现，避免暴露给应用层；同一个公共逻辑避免在多处同时存在；

• 成本与性能平衡：适当的数据冗余可换取查询和刷新性能，不宜过度冗余与数据复制；

• 数据可回滚：处理逐辑不变，在不同时间多次运行数据的结果需确定不变；

• 一致性：相同的字段在不同表中的字段名必须相同；

• 命名清晰可理解：表命名规范需清晰、一致，表命名需易于下游的理解和使用。

go

3. 小米指标体系建设-集团数仓建设

基于设计好的模型，小米搭建了集团数仓。首先按照统一的规范和标准进行管理，集团关心的数据沉淀为集团公共数据资产，单一业务关心的数据由业务自行建仓；其次所有核心数据由集团统一管理，纳入集团数仓；最后集团关心的核心指标统一由集团数仓产生，由平台部门负责维护，以保证数据的客观和准确，做到数出一孔。

4. 小米指标体系建设-指标管理

数仓建好后，怎么给业务使用呢？小米将数据汇聚到数据湖中，并构建了语义模型，对数据湖中数据表进行解释，转化为业务可以理解的大宽表。基于此小米构建了“数据百科”产品，系统化的定义了指标和维度、指标描述、服务于哪些业务以及负责维护人等。同时“数据百科”与“小米办公”进行了打通，业务人员可以随时查看高亮显示的指标，并自助式生成所需的 BI 看板，也可以分享给他人。

想把指标做好，最难的不是技术，而是业务。如何让业务都用同一个指标，对集团指标认可呢？小米集团设置了集团考核指标，通过集团数仓将所有考核指标做到线上化，并牵引各个业务部门使用，业务产生的任何指标都必须和集团考核指标对齐。

业务的最大痛点是用数据的成本非常高，小米是如何解决的呢？

小米构建了指标体系后，业务可以通过看板、数据表及数据地图直接搜索找到对应的指标，查看到哪些是集团级指标、哪些是业务级指标，以及指标的定义、口径、描述等，并且可以通过数据血缘看到从业务系统到数仓加工的全链路过程。业务找到指标后通过点击可以马上搭建 BI 看板，以及做数据探索应用。

05

总结与展望

• 小米目前数据开发(数据工场)->指标管理(数据百科)->数据分析 (数鲸 BI) 全链路已经打通，通过数据血缘加工链路全链路可见；

• 指标体系建设方法论和工具已经在小米内部进行推广使用，覆盖公司核心业务板块、55 个数据域、520 个核心原子指标，方法论和工具会持续迭代实践。

• --end--

• 扫描下方二维码
  
  添加好友，备注【交流】
  可围观朋友圈，也可私信交流