科学完善的数据指标体系是企业开展数字化运营管理、打造数据驱动型组织的重要支撑。透过多维度的数据指标，运营人员能够清晰了解业务现状，产品/研发人员能够高效定位系统问题，管理人员能够更加准确地做出分析决策。
那么，如何在充分理解业务需求的基础上，搭建出一套有效、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》。
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。数据指标使得业务目标可描述、可度量、可拆解，能够为产品运营日常开发迭代以及引导科学决策提供可量化的支持。
数据指标一般分为结果型指标和过程型指标两类。结果型指标，用于衡量用户在某个动作后所产生的结果，以及度量某个场景下用户的需求是否得到满足，这个结果通常是延后知道的，人们很难进行干预。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求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，从而影响最终的结果。例如，就一场电商促销活动而言，最终的销售额是结果型指标，商品页面的曝光、点击、加购等数据均为过程性指标，电商运营人员通过运营策略提升曝光量、点击率、加购转化率等过程性指标从而影响最终的结果型指标。
单个的数据指标并不能完整地反映业务运营情况，还需要我们从全局出发，将零散、单点的、具有相互联系的指标，系统化地组织起来，构建一套数据指标体系。数据指标体系的建立过程其实也是我们对业务本质进行思考的过程。一套科学、完整的数据指标体系能够衡量业务发展质量，帮助我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根据业务目标，梳理相应的数据指标。我们推荐参考OSM 模型来拆解业务目标，完成数据指标的设计。
OSM模型
其中的“O”指的是目标Objective，“S”指的是策略Strategy，“M”指的就是度量指标Measurement。
以电商运营场景举例，电商平台的运营目标（O）往往是提高GMV。根据公式“GMV=支付用户数×每笔单价×用户购买频次”，那么其提升策略（S）和对应的度量指标（M）可能是：
✦ 提升支付用户数 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。
✦ 提升每笔单价 策略（S）是进行商品组合销售，度量指标（M）是每笔订单平均单价。
✦ 提升用户购买频次 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模型将宏大抽象的目标拆解成系列具体的、可落地、可度量的行为，适用于产品运营、用户运营、绩效管理、企业经营等众多场景。
以用户分析场景为例，通过OSM模型和UJM用户旅程地图模型（User-journey-map）的结合使用，运营人员能够将用户从点击、浏览到加购、下单、分享的全过程体验进行量化管理，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。
再比如，在产品运营场景，产品人员将OSM模型和HEART模型结合，通过一系列指标来量化评估用户对产品特定功能的使用体验，为产品迭代升级提供数据支撑。
指标分级
数据指标体系设计是一项比较复杂的工作，还需要企业根据自身战略目标、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理解数据指标含义、透过数据指标的波动快速定位相关问题。
一般而言，我们将数据指标分为三级：第一关键指标（又称“北极星指标”）、一级指标和二级指标。比如打车类App的第一关键指标是成单率，将成单率拆解，即可得到两个一级指标，分别是发单数、完单数；再将一级指标完单数拆分，可得到司机取消订单数量、乘客取消订单数量等二级指标。对于客服人员来讲，更需要关注二级指标，跟进了解司机和乘客取消订单的原因，解决司乘用户体验问题。而对于打车类App的运营人员来讲，还需要更多关注发单数、完单数等一级指标，通过运营和激励措施提升相应指标。
指标设计
设计指标前，我们需要了解指标的几大组成要素：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，比如产品销售额、账户余额等；统计周期指的是计算指标的时间范围，比如本月、本季度、本年度等；过滤条件指计算指标的条件限制，比如有效状态、非工作日的等。
指标的组成要素决定了指标的生产逻辑。根据组成要素、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，比如交易笔数、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，比如近一周的账户消费金额、上一年的账户余额等；而复合指标就更为复杂，一般是对多个指标进行加减乘除等运算得出，比如2022年月平均GMV、投资年化收益等。
指标元数据
企业可以根据指标类型、生产逻辑的不同，清晰梳理出生产指标所需要的数据源以及需要构建什么样的数据模型以计算得出指标结果。为了更规范地进行指标生命周期管理，我们建议企业可以输理出一份指标元数据说明书，清晰罗列指标名称、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、描述信息等重要内容，给数据开发人员、指标使用人员、指标维护人员等提供更详尽的指导和参考。
指标评审与开发
完成指标模型、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、更新周期等方面充分讨论并达成一致意见。
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能够提出建设性意见；数据开发人员较为了解企业的数据源现状，能够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专业建议。
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非常重要的一项数据资产，结合我们进行数据治理和指标体系建设过程中积累的经验，我们建议大家在建设数据指标体系过程中把握以下三个关键要点： 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有一套统一的流程控制机制，对数据指标的生命周期进行全面把控和管理； ③建设统一的指标管理平台，对数据指标进行集中管理，将指标资产沉淀下来。
Q&A精选
直播过程中，大家就课程内容进行了交流，本文挑选了直播间的精彩提问做了Q&A梳理。
Q1：如何使用非结构化数据和半结构化数据搭建指标体系？
这需要具体问题具体分析。一般来讲，我们建立指标体系时，针对的都是结构化数据。对于非结构化数据，我们还需要先将其治理、转换成结构化数据，后续再进行指标体系的建设。 比如，对于视频格式的数据，我们需要借助视频识别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：如何衡量指标体系的质量？
高质量的指标体系不仅能够清晰反映企业经营现状，还能够给不同层级的人员使用，帮助企业/组织更好地发展。
目前，很多企业都建设了数据看板、数据驾驶舱，根据不同主题对多种数据指标进行组合展示，帮助管理层、中层领导、业务人员能够查看企业经营状况，分析和研判企业经营问题，衡量业绩和经营目标达成情况。
为了帮助企业更便捷、高效地分析和使用数据，个推每日治数平台DIOS采用低代码的设计理念，使得营销、HR、财务等不同部门的业务人员也够能灵活创建数据看板、数据门户等数据应用，将数据指标体系的价值发挥出来，更及时、迅速地响应业务场景中遇到的多样化数据需求。
Q3：可以使用数据湖中的非结构化数据建立指标吗？
可以的。
数据湖改变了原来数仓先进行数据处理后进行数据使用的方式，数据湖强调先存储数据，待后续想要使用数据时再考虑具体的数据加工处理方式。
数据湖中存储了大量的半结构化和非结构化数据，比如图像、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，是我们使用数据湖中非结构化数据建立指标体系的难点。
