科學完善的數據指標體系是企業開展數字化運營管理、打造數據驅動型組織的重要支撐。透過多維度的數據指標，運營人員能夠清晰瞭解業務現狀，產品/研發人員能夠高效定位系統問題，管理人員能夠更加準確地做出分析決策。
那麼，如何在充分理解業務需求的基礎上，搭建出一套有效、好用的數據指標體系？本文對個推TechDay“治數訓練營”系列直播課第三期進行了回顧，與大家分享《數據指標體系設計與開發實戰》。
課程回顧
數據指標與指標體系
數據指標是一種特定類型的元數據信息，是將業務單元細分後量化的度量值，同時也是業務和數據的交匯點。數據指標使得業務目標可描述、可度量、可拆解，能夠爲產品運營日常開發迭代以及引導科學決策提供可量化的支持。
數據指標一般分爲結果型指標和過程型指標兩類。結果型指標，用於衡量用戶在某個動作後所產生的結果，以及度量某個場景下用戶的需求是否得到滿足，這個結果通常是延後知道的，人們很難進行干預。過程型指標，是指用戶在做某個動作的過程中所產生的指標，過程性指標更加關注用戶的需求爲什麼被滿足或者未被滿足，人們可通過特定策略來影響過程性指標，從而影響最終的結果。例如，就一場電商促銷活動而言，最終的銷售額是結果型指標，商品頁面的曝光、點擊、加購等數據均爲過程性指標，電商運營人員通過運營策略提升曝光量、點擊率、加購轉化率等過程性指標從而影響最終的結果型指標。
通過分析銷售轉化鏈路各環節上的數據指標，業務人員能夠清晰掌握業務情況
單個的數據指標並不能完整地反映業務運營情況，還需要我們從全局出發，將零散、單點的、具有相互聯繫的指標，系統化地組織起來，構建一套數據指標體系。數據指標體系的建立過程其實也是我們對業務本質進行思考的過程。一套科學、完整的數據指標體系能夠衡量業務發展質量，幫助我們通過單點看業務全局，通過全局解決單點的業務問題。
數據指標設計與開發
企業構建數據指標體系首先要根據業務目標，梳理相應的數據指標。我們推薦參考OSM 模型來拆解業務目標，完成數據指標的設計。
OSM模型
其中的“O”指的是目標Objective，“S”指的是策略Strategy，“M”指的就是度量指標Measurement。
以電商運營場景舉例，電商平臺的運營目標（O）往往是提高GMV。根據公式“GMV=支付用戶數×每筆單價×用戶購買頻次”，那麼其提升策略（S）和對應的度量指標（M）可能是：
✦ 提升支付用戶數
策略（S）是給予新註冊用戶9.9限時特價福利，度量指標（M）是新註冊用戶數。
✦ 提升每筆單價
策略（S）是進行商品組合銷售，度量指標（M）是每筆訂單平均單價。
✦ 提升用戶購買頻次
策略（S）是節假日進行優惠券營銷，度量指標（M）是用戶下單頻次。
OSM模型將宏大抽象的目標拆解成系列具體的、可落地、可度量的行爲，適用於產品運營、用戶運營、績效管理、企業經營等衆多場景。
以用戶分析場景爲例，通過OSM模型和UJM用戶旅程地圖模型（User-journey-map）的結合使用，運營人員能夠將用戶從點擊、瀏覽到加購、下單、分享的全過程體驗進行量化管理，找出影響用戶最終購買轉化率的關鍵環節，並針對性進行優化。
再比如，在產品運營場景，產品人員將OSM模型和HEART模型結合，通過一系列指標來量化評估用戶對產品特定功能的使用體驗，爲產品迭代升級提供數據支撐。
指標分級
數據指標體系設計是一項比較複雜的工作，還需要企業根據自身戰略目標、組織及業務過程等進行自上而下的指標分級，從而使管理層、業務人員等不同角色都能更高效地理解數據指標含義、透過數據指標的波動快速定位相關問題。
一般而言，我們將數據指標分爲三級：第一關鍵指標（又稱“北極星指標”）、一級指標和二級指標。比如打車類App的第一關鍵指標是成單率，將成單率拆解，即可得到兩個一級指標，分別是發單數、完單數；再將一級指標完單數拆分，可得到司機取消訂單數量、乘客取消訂單數量等二級指標。對於客服人員來講，更需要關注二級指標，跟進了解司機和乘客取消訂單的原因，解決司乘用戶體驗問題。而對於打車類App的運營人員來講，還需要更多關注發單數、完單數等一級指標，通過運營和激勵措施提升相應指標。
指標設計
設計指標前，我們需要了解指標的幾大組成要素：維度、度量、統計週期、過濾條件等。其中維度是描述性數據，指的是地區、產品名稱、產品類型等指標統計的環境；度量是數字性數據，比如產品銷售額、賬戶餘額等；統計週期指的是計算指標的時間範圍，比如本月、本季度、本年度等；過濾條件指計算指標的條件限制，比如有效狀態、非工作日的等。
指標的組成要素決定了指標的生產邏輯。根據組成要素、生產邏輯的不同，數據指標可被分爲原子指標、派生指標、複合指標等類型。其中原子指標，指的是對某一業務行爲事件的度量，比如交易筆數、交易金額、交易用戶數、賬戶餘額；派生指標，指的是基於原子指標進行維度、統計週期或過濾條件的派生，比如近一週的賬戶消費金額、上一年的賬戶餘額等；而複合指標就更爲複雜，一般是對多個指標進行加減乘除等運算得出，比如2022年月平均GMV、投資年化收益等。
指標元數據
企業可以根據指標類型、生產邏輯的不同，清晰梳理出生產指標所需要的數據源以及需要構建什麼樣的數據模型以計算得出指標結果。爲了更規範地進行指標生命週期管理，我們建議企業可以輸理出一份指標元數據說明書，清晰羅列指標名稱、指標編碼、指標目錄、指標分類、業務口徑、技術口徑、指標責任人、指標數據更新頻率、描述信息等重要內容，給數據開發人員、指標使用人員、指標維護人員等提供更詳盡的指導和參考。
指標評審與開發
完成指標模型、指標內容等設計後，數據分析師/數倉架構師會召開指標評審會議，與數據開發/業務人員在指標的定義、業務口徑、技術口徑、更新週期等方面充分討論並達成一致意見。
業務人員是數據指標的需求方和使用者，在派生指標維度有哪些、統計週期是什麼、複合指標由哪些指標加工而成等問題上能夠提出建設性意見；數據開發人員較爲了解企業的數據源現狀，能夠在派生指標由數倉的哪些數據模型加工產出等技術問題上給出專業建議。
綜合多方在指標評審會議上的反饋，負責指標開發的數據分析師/數倉架構師可對指標元數據和指標生產邏輯進行優化迭代，正式啓動指標開發工作。
經驗總結
數據指標體系是企業非常重要的一項數據資產，結合我們進行數據治理和指標體系建設過程中積累的經驗，我們建議大家在建設數據指標體系過程中把握以下三個關鍵要點：
①遵循一套標準規範的指標搭建方法論，設計企業級的數據指標體系；
②有一套統一的流程控制機制，對數據指標的生命週期進行全面把控和管理；
③建設統一的指標管理平臺，對數據指標進行集中管理，將指標資產沉澱下來。
Q&A精選
直播過程中，大家就課程內容進行了交流，本文挑選了直播間的精彩提問做了Q&A梳理。
Q1：如何使用非結構化數據和半結構化數據搭建指標體系？
這需要具體問題具體分析。一般來講，我們建立指標體系時，針對的都是結構化數據。對於非結構化數據，我們還需要先將其治理、轉換成結構化數據，後續再進行指標體系的建設。
比如，對於視頻格式的數據，我們需要藉助視頻識別算法將視頻格式數據轉換爲結構化數據，將其納入到整個數倉體系內，後續再針對性進行指標體系的搭建。
Q2：如何衡量指標體系的質量？
高質量的指標體系不僅能夠清晰反映企業經營現狀，還能夠給不同層級的人員使用，幫助企業/組織更好地發展。
目前，很多企業都建設了數據看板、數據駕駛艙，根據不同主題對多種數據指標進行組合展示，幫助管理層、中層領導、業務人員能夠查看企業經營狀況，分析和研判企業經營問題，衡量業績和經營目標達成情況。
爲了幫助企業更便捷、高效地分析和使用數據，個推每日治數平臺DIOS採用低代碼的設計理念，使得營銷、HR、財務等不同部門的業務人員也夠能靈活創建數據看板、數據門戶等數據應用，將數據指標體系的價值發揮出來，更及時、迅速地響應業務場景中遇到的多樣化數據需求。
Q3：可以使用數據湖中的非結構化數據建立指標嗎？
可以的。
數據湖改變了原來數倉先進行數據處理後進行數據使用的方式，數據湖強調先存儲數據，待後續想要使用數據時再考慮具體的數據加工處理方式。
數據湖中存儲了大量的半結構化和非結構化數據，比如圖像、語音、視頻等。如何高效地從非結構化數據中提取有價值的信息，是我們使用數據湖中非結構化數據建立指標體系的難點。