如何搭建指标体系呢？不同行业数据指标体系的搭建有没有共通点？

数据指标体系是任何业务分析的基础，日常的数据异常快速定位，运营效果的监测、业务健康度的评价等问题，有了数据指标体系，都可以快速解决。

那么，如何搭建指标体系呢？不同行业数据指标体系的搭建有没有共通点？

这里和大家分享数据指标体系搭建的一般流程，并针对三个不同的行业（电商、社区、金融APP），来进行指标体系的搭建。
什么是数据指标体系？

指标是衡量目标的参数，老板在制定年度计划的时候，会说：

    今年我们的计划是到年底存量用户数超2000万；

    年底GMV达到2亿。

这里的存量用户数、GMV就是指标。

而数据指标体系就是将不同层级、不同维度的指标，结合业务过程串联起一套能反映业务现状、并能快速做出反应的业务评价体系。
为什么要搭建数据指标体系？

对于企业来说，我们无法用单一的指标来衡量整个企业的运行状况，比如我们只选用生产成本这个指标，就无法得知销售端的状况，只使用销售金额又无法得知今年的利润如何。

所以这需要我们有系统性思考的能力，也就是能否站在全局角度，通过严谨的逻辑与业务结合来把握全局。

具体到业务上，我们搭建起的数据指标体系主要有如下作用：

第一，对于决策者来说，单一、孤立的指标无法准确地描述业务现状，而依据业务逻辑及科学的统计方法将不同层级、不同维度的指标串联起来的数据指标体系可以完整地描述业务运行状况，帮助决策者制定北极星指标以及更好地统筹决策。

第二，对于一线业务人员来说，如果没有数据指标体系供业务人员使用，仅凭业务人员的业务经验制定业务策略，无法有效指导运营，会限制业务发展的想象空间。

第三，对于数据分析师来说，有了一个完善的数据指标体系，我们日常的取数、报表工作会大大减少，分析师就会有更多时间做探索性分析以及深层次的数据挖掘，更好地服务业务。

第四，统一口径。数据口径无论在哪个公司都是一个老大难问题。如果我们有一个完善的数据指标体系，并对每个指标的口径进行存档说明，我们就可以对指标进行统一管理，输出正确的口径，并根据业务发展不断完善。
如何搭建数据指标体系？

既然数据指标体系如此重要，那么如何搭建呢？

这里将结合自己实际工作中的案例和经验给产品、运营以及数据的小伙伴们提供一些思路。

一般的步骤如下：

    确定北极星指标；

    拆分子指标；

    拆分过程指标；

    添加分类维度。

下面，我会分别对三种不同的行业（电商、社区、金融APP）的业务场景进行数据指标体系的搭建。
1. 电商场景

1）确定北极星指标

北极星指标，也叫做第一关键指标，是指在产品的当前阶段与业务/战略相关的绝对核心指标。

对于电商业务场景来说，北极星指标一般都是GMV，对于业务发展初期的电商业务来说，新用户数也有可能作为我们的北极星指标。另外如果不确定自己所属的业务场景的北极星指标是什么，那就尽量和你对接的业务方的KPI保持一致。

这里，我们假设我们的业务处于成熟期，北极星指标为GMV。

2）拆分子指标

上面我们确定了北极星指标是成交金额，下面我们开始拆分子指标，比如成交金额可以继续拆成：

    成交金额 = 成交人数*客单价

那么成交人数和客单价就是我们的一级子指标。

但是成交人数还可以继续往下拆：

    成交人数 = 用户数* 成交率

拆成二级子指标用户数和成交率。

同样的，对于我们的落地页来说：

    落地页的人数 = 广告曝光人数*广告点击率

而广告曝光人数又可以拆为：

    广告点击人数 = 目标用户数*广告点击率

这样我们可以一直拆到更小的子指标：

3）拆分过程指标

确定了北极星指标及子指标，我们还需要过程指标将它们串联起来。

我们的业务场景是电商，业务逻辑就是用户浏览——加购——购买的这样一条业务漏斗。这时我们的过程指标就按照业务漏斗进行拆分。

拆分过程指标的时候，我们要依据两个原则：关联性和完备性。

第一，考虑关联性。你不能用酸不酸来评判西瓜好不好吃，依据这个原则你选取的过程指标要能准确反映出你的某个过程。

第二，考虑完备性。这个容易理解，你列举出的若干过程指标是不是能全面包含了要认知的对象，即全面地描述了某个过程。

基于这两个原则，以广告曝光过程为例，在这个过程中我们可以用广告曝光渠道、广告成本等指标来描述该过程。同样的，像停留时长、用户数、各环节转化率等指标在每一个过程中都会存在。

4）添加分类维度

确定北极星指标、子指标、过程指标后，我们还需要添加分类维度，来完善指标体系。一般添加分类维度按照业务维度进行拆解。在我们的这个场景里，成交金额可以按照不同的特征去描述。

不过要提醒你的是：虽然划分维度的方案有很多种，但并不是说维度可以随意选择。

在划分维度时，我们要遵循边际效应最大化原则。

比如下面的用户分层，是越多越好还是越少越好？这里要看少一个会有什么损失，多一个会有什么好处。如果少了不能全面说明成交金额，那就不能少；多了没有什么意义，那就不需要增加。

我们这里对于成交金额可以用用户分层、场景位置、渠道来源、分时段来描述该特征。

比如用户分层，可以分为新用户、活跃用户、回流用户；场景位置可以分为banner、开屏等各个广告位。

添加完分类维度之后，这样，我们就搭建起了一套电商的完整的数据指标体系。

2. 社区场景（人——货——场模型搭建）

我们以知乎为例。

1）确定北极星指标

知乎的商业模式是通过用户自发性的问答，提供专业性、有价值的问答平台。

对于社区互动型的产品来说，北极星指标一般都是用户互动相关的，比如早期facebook的北极星指标就是用户关注数。

在这里，我们将知乎的北极星指标定为用户互动数。

2）拆分子指标

用户互动数可以拆成阅读完成人数*关键行为转化率*互动率。

3）拆分过程指标

知乎是社区类的产品，这个时候我们的业务逻辑并不是像电商场景是一条清晰的漏斗，这个时候我们的过程模型就采用“人——货——场”模型或“AARRR”模型，并以此为基础来拆分过程指标。

    “人”在知乎的业务场景下，可以拆成：生产者和消费者；

    “货”可以拆成：文章、视频、广告和收费咨询；

    “场”就是“人”和“物”展示的平台：如首页、搜索、推荐、会员位。

4）添加分类维度

这个和上面电商的场景类似，不做展开。最后，知乎的完整数据指标体系如下：

3. 金融理财类APP（AARRR模型搭建）

金融理财类APP提供各种免费及收费功能，为我们理财提供帮助，我们以某炒股类APP为例：

1）确定北极星指标

该炒股APP的商业模式是内容——交流——交易，每个环节环环相扣，这里我们假设北极星指标是日活用户数，如果不确定的话就与业务方的KPI保持一致。

2）拆分子指标

    日活 = 新用户+活跃用户+回流用户+流失用户

而一级指标新用户又可以拆为临时用户和正式用户，同样可以将活跃用户、回流用户、流失用户进行拆分。

3）拆分过程指标

因为该炒股APP的业务逻辑也并不是一条完整的业务漏斗，我们这里采用“AARRR”模型作为过程模型，并以此为基础来拆分过程指标。

AARRR分为：获客、激活、留存、变现、分享五个阶段。其中获客我们可以拆分为：流量和用户价值；激活可以拆为：核心行为触达率、核心行为转化率。

这样的划分方法可以参考肖恩的《增长黑客》。

4）添加分类维度

这个分类维度和上面两个业务场景类似。

最后，该炒股APP的数据指标体系如下：

最后说一点：当我们搭建起数据指标体系时，不代表就万事大吉了——因为随着业务的不断变化，我们的目标可能也会发生变化，这时旧有的指标体系如果不能维持日常的需求，就需要及时更新。所以这是一个动态更新的过程。
总结

对于不同行业来说，尽管业务背景不同，商业模式存在差异，但在搭建数据指标体系这件事上，我们的目标是一致的：帮助决策者进行统筹决策；帮助业务人员优化策略、提高效率；解放分析师；统一指标口径。

而搭建的方法也可以抽象成如下四步：确定北极星指标、拆分子指标、拆分过程指标、添加分类维度。

其中北极星指标要确保和对接的业务方的KPI保持一致；过程指标可以依照业务漏斗过程拆，也可以按照“人——货——场”模型或“AARRR”模型拆，同时要考虑关联性和完备性。添加分类维度时要考虑边际效应最大化原则。

最后，指标体系的搭建是一个随着业务发展需要动态更新的过程。