从数据指标到可视化看板-指标体系建设

我们目前看到的指标体系的设计及划分主要分为两种，一种是从数据仓库建设的角度进行的指标体系设计，一种是从业务指标分解的角度进行的指标体系设计。从未来使用角度看，两种都是从大数据/数据中台角度出发必不可少的设计组成部分。

数据仓库指标体系建设：是技术角度如何将业务指标进行实现及分解的方法。主要从业务流程的分解入手，叠加原子指标、修饰词、时间维度等的定义，将指标分层划分，并进行管理。

业务指标体系建设：从业务使用的角度，从使用场景出发，识别对业务提升、运营效率提升的指标体系建设。

总结：

1、本质上，现有业务指标需求，再有数仓指标体系建设

2、为提升数据指标灵活性及复用性，数据仓库的指标体系大于业务指标体系

3、数仓指标体系建设由数据开发人员根据数据需求进行设计，业务指标体系由数据分析人员结合业务应用场景进行设计

关键问题：

建设指标体系不是为了建设而建设，在建设支出我们需要明确以下几个关键问题，才能更加有针对性建立有效的指标体系。

愿景？--提升业务效率、减少重复建设等

由谁规划 ？--数据分析师+业务人员负责需求

给谁使用？--数据分析师出报告、运营人员做运营、管理人员做决策

由谁开发？--大数据开发/数据仓库工程师

如何呈现？--数据可视化看板（BI工具+系统开发）

一、如何梳理面向业务可用指标体系？-业务指标体系建设

该部分如何梳理面向业务的高可用的指标体系，可参考一下GrowingIO电子书《指标体系与数据采集》，该书以一个实例讲解了一个指标体系建立及落地的全过程，同时也包括如何进行高效的数据采集，本文主要整理该书的一些重点进行讲解，如果有需要的同学，可用关注我，回复“指标体系”，进行书籍的下载来进行详细的学习。

业务指标体系建设方法

数据指标体系建设的方法可以总结为三个步骤，即明确业务目标，根据用户/产品生命周期行为路径制定每个步骤的目标，策略及度量，最后对指标进行分级分类管理及细化。在这三个步骤当中又涉及到 OSM,AARRR,UJM, MECE四个模型，这四个模型是指导我们构建完整而清晰的指标体系的方法论。

1.总体原则：明确业务目标，制定策略，明确度量

OSM模型是 Object- Strategy,-Measure的缩写。

O-Object代表目标。所以，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。

S-Strategy策略。达成以上业务目标，需要制定的行动策略

M-Measure度量。最后，为了衡量策略是否有效，就需要我们制定较细的评估指标，反应目标的达成情况。

2.具体方法：理清产品及用户生命周期路径

用来梳理产品的用户生命旅程，以校准业务目标，判断它能否与用户的每个阶段的旅程吻合。

AARRR模型是从产品角度出发，揭示产品的整个生命周期；而UJM模型是从用户出发，揭示用户的行为路径。

AARRR模型是基于产品角度，简单地来说就是拉新，促活，留存，付费，推广。

UJM模型则是从用户角度出发，描述了用户进入产品的整个路径流程，即注册，登陆，浏览，加购，购买，复购链路流程。

以电商的UJM为例：

OSM结合UJM的案例：

3.分级细化：指标体系分级建设

注：只便于业务理解的逻辑划分，不在物理存储层面产生作用。

前面两个步骤，首先我们明确了业务核心目标，策略及方法，接下来我们需要向下进行逐层拆解，这个过程我们成为指标体系分级治理，用到的模型是MECE模型，完全独立，相互穷尽。好处一是可以对指标逐层的细化，针对各个层级差缺补漏，二是便于后续指标的运营维护及管理。

一般指标的分级分类建议3~4级。以3级指标为例：

1）一级指标

一级指标必须是全公司都认可的、衡量业绩的核心指标。可以直接指引公司的战略目标，衡量公司的业务达成情况，本质上需要管理层和下级员工的双向理解、认同，且要易于沟通传达，比如公司的销售额，或者社交产品的活跃度

2）二级指标

二级指标是一级指标的路径指标。一级指标发生变化的时候，我们通过查看二级指标，能够快速定位问题的原因所在。

3）三级指标

三级指标是对二级指标的路径的分析。通过三级指标，可以高效定位二级指标波动的原因，这一步也会基于历史经验和拆解。

二、如何进行数据指标开发？-数据仓库指标体系建设

数据仓库建设步骤

这里数据仓库整体的建设流程就不过多进行讲解，有兴趣的同学可参考阿里云的构建与优化数据仓库部分进行了解，本文只从重点的概念及分类入手进行分析：

构建与优化数据仓库 (aliyun.com)

指标相关基本概念

在正式学习本教程之前，您需要首先理解以下基本概念：

• 业务板块：比数据域更高维度的业务划分方法，适用于庞大的业务系统。

• 维度：维度建模由Ralph Kimball提出。维度模型主张从分析决策的需求出发构建模型，为分析需求服务。维度是度量的环境，是我们观察业务的角度，用来反映业务的一类属性。属性的集合构成维度，维度也可以称为实体对象。例如，在分析交易过程时，可以通过买家、卖家、商品和时间等维度描述交易发生的环境。

• 属性（维度属性）：维度所包含的表示维度的列称为维度属性。维度属性是查询约束条件、分组和报表标签生成的基本来源，是数据易用性的关键。

• 度量：在维度建模中，将度量称为事实，将环境描述为维度，维度是用于分析事实所需要的多样环境。度量通常为数值型数据，作为事实逻辑表的事实。

• 指标：指标分为原子指标和派生指标。原子指标是基于某一业务事件行为下的度量，是业务定义中不可再拆分的指标，是具有明确业务含义的名词，体现明确的业务统计口径和计算逻辑，例如支付金额。

  • 原子指标=业务过程+度量。

  • 派生指标=时间周期+修饰词+原子指标，派生指标可以理解为对原子指标业务统计范围的圈定。

• 业务限定：统计的业务范围，筛选出符合业务规则的记录（类似于SQL中where后的条件，不包括时间区间）。

• 统计周期：统计的时间范围，例如最近一天，最近30天等（类似于SQL中where后的时间条件）。

• 统计粒度：统计分析的对象或视角，定义数据需要汇总的程度，可理解为聚合运算时的分组条件（类似于SQL中的group by的对象）。粒度是维度的一个组合，指明您的统计范围。例如，某个指标是某个卖家在某个省份的成交额，则粒度就是卖家、地区这两个维度的组合。如果您需要统计全表的数据，则粒度为全表。在指定粒度时，您需要充分考虑到业务和维度的关系。统计粒度常作为派生指标的修饰词而存在。

指标的分类

指标在数仓中的层级

以阿里的数仓分层为例，可感觉本公司的分层结构进行调整使用。

原子指标：dwd层（明细粒度指标数据），原子指标=业务过程+度量。

派生指标：dws层（主题域宽表，不跨域），派生指标=时间周期+修饰词+原子指标，派生指标可以理解为对原子指标业务统计范围的圈定。

复合指标：ads层（应用层，跨主题，面向报表输出），多个派生指标的叠加运算

指标开发工作步骤

完整的指标体系搭建流程总结为上图的七个步骤：

1. 需求调研：产品(策划)或者运营完成产品原型(策划案)或者运营方案，数据分析师根据原型(策划案)或者运营方案提炼数据需求，评估需求可行性并和需求方讨论修改不合理需求。

2. 需求分析：数据分析师将数据需求整理成文档并根据优先级对需求进行排期。

3. 确定指标体系方案：数据分析师以OSM,AARRR/UJM,MECE模型作为指导思想，确定指标体系建设方案。

4. 数据采集：数据分析师根据初步的指标体系建设方案明确要采集的数据源，设计数据采集方案，如系统中当前没有需要的数据，则需要设计埋点方案，同时给出字段命名规范以及数据采集方案。开发根据需要在对应的系统进行埋点。

5. 数据开发：大数据开发工程师根据底层的数据需求，进行数据仓库设计，同时将数据接入到数仓。

6. 指标发布及优化：针对开发好的指标进行校验，同时建设可视化的图表方案，通过效果使用迭代指标体系。

7. 效果评估：指标体系落地，用于监控业务现状，指导业务决策，定位业务问题。在业务的不断反馈当中逐渐完善整套指标体系。

三、如何进行指标管理？-指标管理系统

如果整个公司的业务线比较庞杂，指标内容较繁杂，可通过专业的指标管理系统对指标进行管理来保证一个组织可以使用到高质量的行为数据。当然，通过表格的方式也可以进行管理，但这种方法更多依赖于制度流程的强制性。无论何种方法，均需要围绕以下几个方面进行管理：指标的分类定义，指标的规范化，指标的使用情况三个部分进行管理。期望达成以下目标：

• 快速检索

• 通过规范化的命名及描述快速达成指标理解的一致性

• 按照场景归纳使用

• 及时更新维护，保证指标的新鲜可用

• 提升建模效率及一致性

业务指标分类定义：创建，分类，口径，变更，注销

指标规范化：原子指标管理、维度、修饰词、日期管理

指标使用情况：指标引用场景、次数等

最后

关注我，持续更新从数据指标到可视化看板系列。全面学习数据指标建设，业务/数据分析/运营分析推荐GrowingIO电子书《指标体系与数据采集》，数据开发人员推荐构建与优化数据仓库 (aliyun.com)。

获取GrowingIO电子书《指标体系与数据采集》，请关注gzh“大数据食铁兽”，回复“指标”。