什么是数据指标

‘壹’ 房地产经济数据指标是什么意思

房地产经济数据指标,指对企业景气调查中的定性经济指标通过定量方法加工汇总,综合反映某一特定调查群体或者发展趋势的一种指标。

它是根据经济周期波动理论和景气指数原理，采用合成指数的计算方法，从房地产业发展必须同时具备的三个基本条件（土地、资金和市场需求）出发，选择8个具有代表性的房地产开发统计指标（投资、资金来源、土地出让收入、完成土地开发面积、空置面积、新开工面积、竣工面积、商品房销售价格）进行分类指数测算，然后进行加权平均得到的总体指数，并以1994年12月为基期对比计算出用百分制表示的指数体系。

‘贰’ 为什么要关注数据指标，什么是好的数据指标

引言

数据分析离不开对企业关键指标的跟踪。这些指标与你的商业模式(即营收来源、支出成本、客户数量以及客户获取策略的效果等)有关,因此往往十分重要。

但有时 创业公司 的关键指标却并不容易判定,因为你连自己所处的商业模式都没有办法完全确定。你不停地修改自己分析的活动,并且仍在寻找正确的产品或目标客户。对于创业公司而言, 之所以进行 数据分析 ,是为了在资金耗尽以前,找到正确的产品和市场。

但是在进行数据分析之前，CEO应该先确定你拿到的数据是不是一些好的 数据指标 ，还是虚荣数据指标，应该先确定是好的数据指标，再来谈数据分析，因为依据虚荣数据指标进行的分析对你的公司来讲无异于灾难，它会让你沾沾自喜而察觉不到真正的危险。

那么对于创业公司来说什么是好的数据指标？是用户增长率么？还是用户获取成本？抑或用户终生价值？好的数据指标评判的依据和价值是什么？

一、什么是好的数据指标

好的数据指标能带来你所期望的变化

好的数据指标能带来你所期望的变化,下面就是衡量其好坏的一些重要准则。

好的数据指标是比较性的

如果能比较某数据指标在不同的时间段、用户群体、竞争产品之间的表现,你可以更好地洞察产品的实际走向。“本周的用户转化率比上周高”显然比“转化率为 2%”更有意义。

好的数据指标是简单易懂的

如果人们不能很容易地记住或讨论某指标,那么通过改变它来改变公司的作为会十分困难。

好的数据指标是一个比率

会计和金融分析师仅需迅速查看几个比率就能对一个公司的基本状况(这些基本状况包括市盈率、销售利润率、销售成本、员工平均营运收入,等等。)做出判断。你也需要几个这样的比率来为自己的创业公司打分。

二、比率是最佳的数据指标

比率之所以是最佳的数据指标,有如下几个原因。

比率的可操作性强,是行动的向导。

以开车为例:里程透露的只是距离信息,而速度(距离/ 小时)才真正具有可操作性。因为速度告诉你当前的行驶状态,以及是否需要调整速度以确保按时抵达。

比率是天生的比较性指标。

如果将日数据与一个月的数据相比较,你会得知该数据当前所经历的是一个短期的突跃,还是一个长期的渐变。再以开车为例:速度是一个数据指标。可只有将当前速度与最近一小时的平均速度进行比较时,才能确知你在加速还是减速。

比率还适用于比较各种因素间的相生和相克(正相关和负相关)。

就开车而言,单位时间内行驶的里程/罚单数这个比率显示了二者的关联性。你开得越快,行驶的里程就越多,但收到的罚单也越多。这个比率可以帮你决定是否应该超速。

以上均以开车为例,现在再来设想一个创业公司:其软件产品采取免费加收费的模式,即同时拥有免费和收费两个版本。公司面临一个选择:是该在免费版中提供尽量丰富的功能以吸引新用户, 还是该将这些功能保留在收费版本中,以促使用户为高级功能付费。两种做法各有利弊:推出功能丰富的免费版不利于销售额的增长;而免费版功能过简又不利于新用户的增加。此时,你需要一个结合了二者的数据指标来帮助自己理解,产品的改动对公司的整体业绩会有怎样的影响。否则,你可能会片面地为增加销售额而牺牲新用户的增长。

三、好的数据指标会改变行为

好的数据指标会改变行为，这是最重要的评判标准。 随着指标的变化,你是否会采取相应的举措 ?

-将日销售额之类的“会计”指标纳入财务报表,有助于进行更准确的财务预测。 这些指标是精 益创业中创新会计的基础,它们能告诉你当前的状态离理想的商业模型有多远,实际结果是否印证了你的商业计划书。

-“试验”指标， 如一个测试的结果,其作用在于帮助你优化产品、定价以及市场定位。这些数 据的变化会极大地影响你接下来的动作。这要求你在收集数据之前就先行确定好针对各种不同情况的应变措施。例如,如果把网站做成粉色调能带来更多的营收,你就该把它做成粉色调; 如果半数以上的反馈表明用户不会为某功能付费,你就要决定不去开发此功能;如果悉心打造的最小可行化产品不能将订单量提高 30%,你就该试试其他方法。

-学会根据数据确定一条做与不做的准绳 ,对规范你的创业行为大有裨益 。一个好的数据指标之所以能改变商业行为,是因为它与你的目标是一致的:保留用户,鼓励口碑传播,有效获取新用户, 或者创造营收。

不过可惜,这招并不是任何时候都管用。

知名作家、 企业 家、演讲家赛思·戈丁曾在一篇名为“Avoiding false metrics”的博文2中举过几个这样的例子。

本去买新车。在签写购车协议时,销售员对他说:“下周,您会接到一个询问购车体验的电话。时间很短,也就一两分钟。评分从低到高为 1 到 5。您会给我们打5 分,对吗?我们的服务还不错,够得上 5 分,不是吗?如果有不周到的地方,我确实很抱歉,但如果您能给我们打 5 分,那是最好的。”

本并没有太把这当回事(奇怪的是,也没有人“如约”打来电话)。赛思认为,这种评分机制就是一个错误的数据指标,因为它并没有促使汽车销售员为客户提供更优的服务,反而让他的口舌浪费在了说服客户给他好评上(这显然对他很重要),这与设计评价机制的初衷——提高服务质量——背道而驰。

由错误数据指标引导的销售团队也会犯同样的错误。作者就见过某公司的销售总监将销售员的季度奖金与其正在接洽中的订单数量挂钩,而不是与已签订单数量或订单的利润率挂钩。销售员都是靠金钱驱动的,总是跟着钱走。在这个案例中,这就意味着销售团队会为了个人收入制造大量低质量的潜在客户,并将其停在“接洽”状态长达两个季度,这就浪费了本来可以多谈拢几个高质量客户的大好时间。

当然,客户的满意和确保接洽足够多的客户都对公司的成功至关重要。但是,如果想要改变公司员工的商业行为,就必须选择那些与你希望促成的改变相关联的指标。如果衡量的指标与目标不相关,员工的商业行为就不会随之发生改变,这无异于浪费时间。更可怕的是,你可能还在沾沾自喜、自欺欺人地以为一切都干得还不错。这样是不可能成功的。

另外,数据指标之间的耦合现象也值得注意 。譬如转化率(访客中真正发生购买行为的比例)通常就是和购买所需时间(客户需要花多长时间才能完成购买)相绑定的;二者相结合可以告诉你很多关于现金流的信息。类似地,病毒式传播系数(viral coefficient,平均每个用户邀请来的新用户数)和病毒传播周期(viral cycle time,用户完成一次邀请所需的时间)共同推动产品的普及率。当你开始探寻生意背后的关键数字时,就会注意到这些数据对;它们的背后隐藏着最重要的数据指标:营收、现金流,或产品普及率。

四、如何找出好的数据指标

那么，在知道了什么是好的数据指标之后，应该如何找出好的数据指标呢？

想要找出正确的数据指标,有五点需要牢记在心。

– 定性指标与定量指标

定性指标通常是非结构化的、经验性的、揭示性的、难以归类的;量化指标则涉及很多数值和统计数据,提供可靠的量化结果,但缺乏直观的洞察。

– 虚荣指标与可付诸行动的指标

虚荣指标看上去很美,让你感觉良好,却不能为你的公司带来丝毫改变。相反,可付诸行动的指标可以帮你遴选出一个行动方案,从而指导你的商业行为。

– 探索性指标与报告性指标

探索性指标是推测性的,提供原本不为所知的洞见,帮助你在商业竞争中取得先手优势。报告性指标则让你时刻对公司的日常运营、管理性活动保持信息通畅、步调一致。

– 先见性指标与后见性指标

先见性指标用于预言未来;后见性指标则用于解释过去。相比之下,我们更喜欢先见性指标,因为你在得知数据后尚有时间去应对——未雨绸缪,有备无患。

– 相关性指标与因果性指标

如果两个指标总是一同变化,则说明它们是相关的;如果其中一个指标可以导致另一个指标的变化,则它们之间具有因果关系。如果你发现你能控制的事(比如播放什么样的广告)和你希望发生的事(比如营收)之间存在因果关系,那么恭喜你,你已拥有了改变未来的能力。

‘叁’ 数据指标和统计指标的区别

没有区别。数据指标是传统意义上的统计指标，是通过对数据进行分析得到的一个汇总结果。数据指标和统计指标没有区别。指标是一个汉语词语，读音是zhǐ biāo，意思是衡量目标的参数；预期中打算达到的指数、规格、标准，一般用数据表示。

‘肆’ 数据指标和统计指标的区别和联系

区别如下：
1、数据指标有别于传统意义上的统计指标，它是通过对数据进行分析得到的一个汇总结果，是将业务单元精分和量化后的度量值。
2、二者之间的联系为：都是反映社会经济总体现象数量特征的概念和数值。

‘伍’ 如何才能搭建一套完整的数据指标体系

一个好的指标体系能够让我们快速了解当前所处的阶段和环境，从而做出合理的调整决策。本文作者分享了关于如何才能搭建完整的数据指标体系，我们一起来看一下。什么是数据指标体系？数据指标体系是一套非常完整而全面、量化、易判断、有价值的分析工具。一般由用户、产品、运营三大块组成：用户：核心用户贡献价值、用户流失；产品核心任务、产品用户分析；运营：产品运营指标、产品分析等十个子系统组成

对产品的需求不是一成不变的，往往会发生一些变化。用户需求总是有变化的，如果只看到一个很小的点或是一个场景下出现多个用户数据，那么整个产品一定会被打断，甚至会出现问题。所以在指标体系的设计上下功夫很重要，这是一个大原则，但是有很多时候对于没有设计好的指标体系，我们会去关注它后面可能会导致什么。

‘陆’ 指标是什么意思

指标意思：衡量目标的参数；预期中打算达到的指数、规格、标准，一般用数据表示。

指标读音：zhǐ biāo。

指标出处：郭沫若《天地玄黄·鲁迅和我们同在》：“鲁迅精神在这十年间所发生的领导作用，闻一多就是最明显的一个指标。”

指标例句

1、因此，要达到预想的粒径指标、稳定的分散体系，就必须充分利用砂磨机和化学物质。

2、方法以岩白菜素含量为指标，比较冷浸提取、超声提取、回流提取3种方法提取物中岩白菜素含量。

3、球团粒径及其分布是衡量球团矿质量的重要指标。

4、先交定金，我们找指标，找到指标你必须办。

5、目的研究猫杯状病毒作为指标，评价化学消毒剂灭活病毒的中和剂试验方法。

‘柒’ 什么是指标、维度、度量

维度是描述事情的角度，依赖于指标，例如：年份是时间维度，北京是地理维度，月活是业务维度。
指标是一数值或者比例，通过某种计算得到的，用来衡量业务。例如好评量、好评率、增长率。
维度是用来说明数据，即对象的描述性属性或特征。例如，宽度指的是用户群的覆盖范围大小。
1、指标
指标，用于衡量事物发展程度的单位或方法，它还有个IT上常用的名字，也就是度量。例如：人口数、GDP、收入、用户数、利润率、留存率、覆盖率等。很多公司都有自己的KPI指标体系，就是通过几个关键指标来衡量公司业务运营情况的好坏。
指标需要经过加和、平均等汇总计算方式得到，并且是需要在一定的前提条件进行汇总计算，如时间、地点、范围，也就是我们常说的统计口径与范围。
指标可以分为绝对数指标和相对数指标，绝对数指标反映的是规模大小的指标，如人口数、GDP、收入、用户数，而相对数指标主要用来反映质量好坏的指标，如利润率、留存率、覆盖率等。我们分析一个事物发展程度就可以从数量跟质量两个角度入手分析，以全面衡量事物发展程度。
刚才说过，指标用于衡量事物发展程度，那这个程度是好还是坏，这就需要通过不同维度来对比，才能知道是好还是坏。
2、维度
维度：是事物或现象的某种特征，如性别、地区、时间等都是维度。其中时间是一种常用、特殊的维度，通过时间前后的对比，就可以知道事物的发展是好了还是坏了，如用户数环比上月增长10%、同比去年同期增长20%，这就是时间上的对比，也称为纵比;
另一个比较就是横比，如不同国家人口数、GDP的比较，不同省份收入、用户数的比较、不同公司、不同部门之间的比较，这些都是同级单位之间的比较，简称横比;
维度可以分为定性维度跟定量维度，也就是根据数据类型来划分，数据类型为字符型(文本型)数据，就是定性维度，如地区、性别都是定性维度;数据类型 为数值型数据的，就为定量维度，如收入、年龄、消费等，一般我们对定量维度需要做数值分组处理，也就是数值型数据离散化，这样做的目的是为了使规律更加明 显，因为分组越细，规律就越不明显，最后细到成最原始的流水数据，那就无规律可循。
最后强调一点，只有通过事物发展的数量、质量两大方面，从横比、纵比角度进行全方位的比较，我们才能够全面的了解事物发展的好坏。

‘捌’ 数据分析指标有那些

用户行为类指标

用户行为指标是互联网行业和传统行业最大区别。传统行业，用户行为发生在门店里，极难用数字化手段记录，因此只有在发生交易时，才能记录数据。

传统企业的大部分数据都是交易数据。而互联网行业依托小程序/H5/APP，能记录用户在每个页面的点击，相当于在网上店铺的每一步动作都有记录，因此能分析很多东西。

具体到指标上，可以套用AARRR模型，分模块展开：

拉新：主要用于分析拉新的转化效率与质量。拉新是很多互联网公司最重要的任务，拉新成本是很多互联网公司最大的成本支出，因此拉新关注度极高。

通过这些指标的分析，能让负责商品运营的同事直观看到商品畅销/滞销情况，从而调整商品进销存计划，避免商品积压/缺货。

注意，虚拟商品原则上是没有库存的（或者说库存想设多少设多少）。但是滥发虚拟商品，又会引发互联网中通货膨胀与商品贬值。比如游戏里稀有皮肤卖的贵，是因为稀有才贵，为了短期收入搞大优惠，一但烂大街，反而大家都不稀罕了。

所以控虚拟商品的库存，不是看商品动销率或者在库时间，而是看GMV整体目标。在达成GMV整体目标情况下，高中低端商品保持一个稳定的库存结构，避免烂大街。

‘玖’ 数据指标的分类

《精益数据分析》这本书对数据指标的分类：

定性指标是一种难以量化、主观的、不精确的指标。可以说定性指标是一种没有指标的指标。定性研究往往有助于突破固有思维，特别是在创业初期或新功能开发的时候。

定量指标揭示“是什么”和“多少”的问题，定性则能告诉我们“为什么”。定性指标和定量指标相辅相成。

好的指标的一个重要的标准是能否指导行动。而虚荣的指标则是指那些华而不实、无法指导行动的指标。

常见的如“总注册用户”就是一个虚荣指标，既无法看出当前还有多少活跃用户、也无法看出用户量的发展趋势。相反的“活跃用户数”、“新增注册用户”等指标则更能指导我们的行动。

报告性指标是我们已经知道的，需要度量的指标。例如活跃用户、留存率等常见的指标。报告性的指标可以让我们了解产品过去和现在的状况。

探索性指标是我们还不知道的，或者一些需要验证的想法。例如求证用户好友数量对用户留存的影响。

先见性指标是指可以用于预测的指标。如次日留存率让我们可以提前知道新注册用户第二天还能留存多少。

后见性指标是指在事务发生后反应出来的指标。如某个bug引起了用户流失，流失用户数量是后见性指标。当我们看到这个指标的时候用户意见流失了。但是后见性指标能让我们知道产品的现状，从而分析其中的原因。

‘拾’ 详解数据指标体系如何从设计到落地

导语： 几乎所有的数据分析工作都会提到一个词——“建立数据指标体系”，虽然这个词对于大家来说并不陌生，但是数据指标到底是什么以及如何具体的搭建，很多人还是一头雾水的。

01  数据指标概述

在了解什么是数据指标之前，我们思考一下：为什么会出现指标？它是为了解决什么问题？

人类及科学的发展是与时俱进的，早期为了使自然科学的实验及结果更具统一性及方便标准化衡量，一些标准化的专业指标应运而生。随着人类社会的发展，社会科学也越来越需要统计学来进行事物的衡量，一系列统计学指标也逐步产生了。随着新信息技术的发展，数据指标逐步被大众认可为衡量目标的方法。

从社会科学角度看，指标是统计学的范畴，用于数据的描述性统计。指标是说明总体数量特征的概念及其数值的综合，故又称为综合指标。在实际的统计工作和统计理论研究中，往往直接将说明总体数量特征的概念称为指标。

传统的指标有国内生产总值（Gross Domestic Proct，GDP）、国民生产总值（Gross National Proct，GNP）、居民消费价格指数（Consumer Price Index，CPI）、沪深300指数等。

1、什么是数据指标？

数据指标有别于传统意义上的统计指标，它是通过对数据进行分析得到的一个汇总结果，是将业务单元精分和量化后的度量值，使得业务目标可描述、可度量、可拆解。数据指标需要对业务需求进行进一步抽象，通过埋点进行数据采集，设计一套计算规则，并通过BI和数据可视化呈现，最终能够解释用户行为变化及业务变化。常用的数据指标有PV、UV等。

本文所述的指标是衡量目标的方法，指标由维度、汇总方式和量度组成，如下图所示。

其中，维度是指从哪些角度衡量，是看待事物的视角与方向，决定了根据不同角度去衡量指标。汇总方式是指用哪些方法衡量，是统计汇总数据的方式。而量度主要是明确事物的具体目标是什么，是对一个物理量的测定，也用来明确数据的计量单位。

比如，播放总时长是指用户在一段时间内播放音频的时长总和（单位：分钟）。按照上述拆解，维度是指筛选的一段时间，汇总方式为计算了时间长度的总和，而量度就是统一的单位—分钟数。

这里，我们可以理解为指标是由这几个方面构成，相当于英文的构词法，前缀、后缀等共同形成了一个单词。

2、什么是指标体系？

体系化的本质是将数据指标系统性地组织起来，具体会按照业务模型、按标准对指标不同的属性分类及分层。当然，不同的业务阶段、不同业务类型会有不同阶段的划分标准。

数据指标体系含有十分丰富的统计量，从宏观上看，它是一个相对全面的有机整体；从微观上看，每个数据指标都有其特定含义，反映了某一细节的客观事实。不同的数据指标定义不同，逻辑也不同，这些各种各样的统计量共同构成了数据指标体系，使其产生不可磨灭的价值。

总的来说，数据指标体系是对业务指标体系化的汇总，用来明确指标的口径、维度、指标取数逻辑等信息，并能快速获取到指标的相关信息。

02  数据指标体系搭建原则

1、搭建指标体系要有重点

不能只是罗列指标，这是很多数据分析师都会犯的通病，上来先把大量的指标列好，也不说明优先级，先看哪个后看哪个，业务根本就看不懂。

2、搭建指标体系要有目标

很多人习惯了列指标，自有一套指标拆分的套路，不管我们要解决的业务问题是什么，反正就是按照时间、渠道、区域等纬度拆分，分来分去也没个具体的标准，最后还要纠结到底指标变化多少才是问题。

3、指标体系不是越全越好，和业务最贴切的才是最好的

这个之前的指标体系文章里反复强调了，写文章的时候会为了吸引眼球，标题写XXX行业指标体系大全，虽然给大家整理指标体系的时候尽量概括多个业务场景，指标列的很详细，但是不同的公司，业务复杂不一样，没有一套指标系统是能够通用的，只有和业务最贴切的才是最好用的。

03  如何设计和落地指标体系？

指标体系的搭建分为两大步骤：设计指标体系和落地指标体系，这两大部分又可以拆成一些小步骤，我们先来看一张指标体系从设计到落地的整体步骤图，下面再根据这张图细分拆解其中的每个步骤是怎样落地的。

1. 如何设计指标体系？

1）需求来源

主要需求来源随着产品生命周期而改变。搭建数据指标根据数据现状分为初中后三个阶段。首先要明确的是先有目标方案后再有数据指标，而不是凭空捏造出一些指标体系然后往产品上套。

在数据指标搭建初期以产品战略目标为主，优先搭建北极星指标的全方位指标监控；中期以业务驱动为主，搭建指标衡量现有业务，业务驱动直接获取到的指标一般是二级指标，需要整合到指标模型里面去；到了后期，此时各数据指标已经搭建的差不多了，是时候根据模型查缺补漏，搭建针对产品的指标闭环，通过数据来反向推动产品的迭代优化。

2）确定一级指标

一级指标其实就是反映产品在各个重要方面的运营情况怎么样，把对用户的运营当成一个流水线，围绕着用户生命周期即可挖掘到一些重要的一级指标并自然而然的形成闭环。

在众多指标模型中AARRR模型能很好的概括用户的生命周期，美中不足的是遗漏了用户流失这一环节，个人觉得AARRRR比较能完整概括用户生命周期，即Acquisition（获取）、Activation（激活）、Retention（留存）、Revenue（收入）、Referral（自传播）、Recall（召回）。

围绕这六大方面，可以拓展以下一级指标（只是举例一些通用指标，具体的一级指标可根据具体业务进行定义）：

3）得到二级指标

二级指标由一级指标衍生而来，为了实现一级指标，企业会采取一些策略，二级指标通常与这些策略有所关联。可以简单理解为一级指标的实现方式，用于替换定位一级指标的问题。

二级指标的作用就是将一级指标的涨跌落实到具体的业务部门或者是责任人，通过成分拆解我们可以从一级指标得到对应的二级指标。例如收入这个一级指标，通过成分拆解可以分为广告收入和内购收入等。

4）得到三级指标

通过二级指标的分析可以找到相应问题的责任方，而三级指标的作用正是指导该责任方去定位具体问题，进而修复问题。

通过对二级指标的路径拆解即可得到三级指标，一线人员可通过三级指标的具体表现快速做出相应的动作，所以三级指标的要求是尽可能覆盖每一个关键路径上的关键动作。

这里继续拿内购收入这个指标举例，通过路径拆解，最终促成内购的关键行为路径是：浏览商品、加入购物车、提交订单、支付成功。

按照以上流程不断查缺补漏确定各一级指标并对其进行逐步拆解，即可搭建出一套行之有效的数据指标体系。

2. 如何落地指标体系？

终于到了开干时候，有了目标之后接下来就是将规划的指标进行埋点落地了。

落地指标就不像设计指标那样首先着眼于一级指标，而是应该首先着眼于二级指标，因为一级指标是由二级指标组成的，二级指标埋点好了之后一级指标自然而然地可以计算出来。

埋点不是一个人的事情，需要各部门通力合作，下图就是埋点的整个设计到落地的流程：

不知看完这张图有没有一个疑惑，责任方为什么还要去理解熟悉需求，需求方不是给出指标了吗，照着去埋点就好了啊。如果你这么想的话，那你注定只能做一个工具人。

首先各指标跟具体的业务逻辑设计紧密相关的，如果你不去熟悉业务，是无法针对指标进行多维度细化埋点设计的，最终设计出来的埋点方案必定是丢三落四漏洞百出。

再者需求方给出的指标不一定是全面的，需求方往往数据意识不强，无法洞察到当前业务的很多细节是数据可分析的。

所以这就需要数据产品经理熟悉业务懂产品懂用户，才能一针见血设计出一套有指导性意义的埋点方案，而不是照本画葫芦搞出一些冷冰冰的数据看看就好，要记住，每一个埋点都是有深意的，数据也是有灵魂的。

明确了埋点的工作流程，接下来要确定的是选择自研数据门户还是使用第三方工具，如：神策、Growing IO、诸葛IO等。这两者主要有以下区别：

自研工作量大，搭建周期长，第三方提供现成的模型，搭建周期短。

自研更灵活，相对埋点实施方上报数据更友好，无需过多无谓的逻辑记录，在后期的指标计算方式上可以随心所欲，如某些耗时只要打好点，自研就可以通过两个事件的时间差计算出耗时，而有些第三方则不支持。

总之，自研前期痛苦后期爽，第三方前期爽后期痛苦。从实现难度上来说自研需要的人力物力远远大于第三方服务，绝大部分中小公司会选择第三方服务，

下面的埋点介绍就基于第三方服务的方式进行讲解。

老规矩，在讲解之前先上一张整体的流程图：

1）埋点规范文档

正如前面所说，指标体系的搭建需要各部门通力合作，一份埋点规范文档既能规范工作流程提高效率，又能明确需求规范减少沟通成本避免理解出现偏差。埋点规范文档包括了工作流程规范、命名规范、需求文档规范等，这些应该在指标体系落地之初就规定好。

当然由于一开始经验不足并且有的问题在后续的工作中才会暴露出来，初版的规范文档可能并没有那么详细，但是大体框架还是要有的，后续再补充一些细枝末节的东西。

2）拿到需求原型

就是产品功能原型或者活动原型。

3）定义页面、元素名称

拿到需求原型后，首先将原型里面的页面及页面中的元素名称提前定义好，以便后续进行统一使用避免不同指标出现页面命名不一致的情况。

如果是页面的话建议全部命名，页面里面的元素可能会有点多，可以挑一些关键路径上的重要元素进行命名，其它元素视后续工作需求再进行埋点（当然了有精力的话全部命名进行监控是更好的，毕竟数据是多多益善，避免后续需要用数据发现没有埋点的情况发生）。

4）定义事件名称

为什么要规范事件名称？我直接举个例子吧，某天你想查看用户的使用路径，当你使用用户路径分析之后发现有大量的展示事件穿插在用户行为事件中，这时候你是不是很恼火。

如果之前埋点的时候对事件进行规范命名，这时候你只需要在筛选条件中过滤掉事件名前缀为展示的事件，就可以轻松过滤掉所有跟用户行为无关的事件。

事件规范命名除了以上好处，还有个好处就是方便需求方使用，使用者可以通过事件名轻松知道这个事件具体的含义，提高了使用效率，事件命名可由以下几部分组成：行为、对象、结果、类型。

行为： 事件的具体行为，主要有 4 类：

点击 – 点击某个按钮或元素的一类事件。

进入 – 进入某个页面或功能的一类事件。

展示 – 展示某个页面或元素的一类事件。

退出 – 退出某个页面或功能的一类事件。

事件行为必须填写，后续可按实际情况增加其他行为。

对象： 事件行为对应的具体对象可以是页面，或者是功能，事件对象必须填写。

结果： 对该对象进行的行为最终的结果，主要有3类：

成功 – 针对该对象进行的行为结果为成功。

失败 – 针对该对象进行的行为结果为失败。

结果 – 针对该对象进行的行为结果为成功或者失败，此时具体结果存储在该事件的维度中，事件结果必须填写。

类型： 此参数为拓展参数，如展示事件可能展示的是页面，也可能展示的是弹窗，这时候在事件后面加个页面后缀或者弹窗后缀，后续使用起来就能很方便的区分事件的具体类型。事件类型为可选参数，视情况而定。

以上就是事件的命名标准，可以从该标准进行如下一些命名：注册_指标_成功、进入_充值页面_成功等。

5）梳理指标维度

这时候就要隆重介绍一下前面《指标体系搭建流程图》中提到的新4W1H分析法了。为什么叫新4W1H，因为针对传统的4W1H进行了新的的解释，在新的释义上可以更加合理的加上本人在实际工作中总结的经验。

根据平时的埋点总结，事件维度主要由主题和事件因果几个大维度组成。主体即用户、设备和应用，因果即这个事件的来源和结果。通过增加因果维度可以方便的看到一个事件的来源和去向。

我们先用一张图来了解下新4W1H分析法是如何定义维度的：

Who： 触发该事件的主体，是唯一区分用户的标志，如果用户登录了则使用用户ID（设备ID也需要记录），未登录则使用设备ID。

When： 事件发生的时间，使用UNIX时间戳就好。

What： 描述触发这个事件的参与主体具体信息，一般有三个主体，用户本身、应用、还有设备。使用第三方服务的话除了用户信息需要我们埋点设置，其他的第三方SDK都会自动采集，所以这部分参数不是我们工作的重点。

Where： 事件发生的物理地点，可以用过GPS、LBS、IP来判断，具体视用户的授权而定。位置信息第三方SDK也会自动采集。

How： 事件的具体描述，这一块才是我们工作的重点，缺乏经验的话往往会遗漏一些重要的维度，导致后续的分析支持不上。根据个人总结的因果分析法可以将事件的描述分为来源和结果描述，事件的来源去向无非有两类：多个行为造成同一个结果、一个行为造成不同结果。

例如：进入充值页面，可能从不同入口进来的；点击充值按钮，可能会充值成功或者充值失败。

事件的结果即为对该事件的具体信息描述。通过因果分析法进入充值页面到充值成功这一系列行为我们可以做以下事件埋点（以下事件维度只列举因果分析法相关维度，其它参数视具体业务自由增加）。

通过这样的埋点，我们就可以很清晰的知道进入充值页面各个入口的分布情况，也能知道点击充值按钮后充值成功和失败的分布。

6）明确上报时机

事件的上报时机由事件的定义来具体决定。主要有以下三大类：

展示： 展示时候上报，需要明确重复展示是否重复上报，像那种自动轮播的banner就不需要重复展示重复上报，因为这样的重复上报是没什么意义的，而用户反复滑动导致的重复展示可以重复上报；

点击： 点击时上报，这个是最简单的上报时机，一般没什么争议；

接口： 这个涉及到与后端的接口交互，如前面举例的购买_金币_结果事件，上报时机则为充值成功或者失败时上报，即客户端拿到后端返回的具体结果时上报。

7）输出数据需求文档

当上面工作已经做完时，就可以输出需求文档了，需求文档主要包含以下信息：

8）录入指标字典

埋点指标上线后，为了方便业务方使用，可以将各指标按照业务分为不同的主题，方便使用者快速找到需要的指标，具体包含以下信息：

04  数据指标体系搭建方法及经验

那怎么才能搭建有效的指标体系呢，笔者给大家分享以下几点经验：

1、掌握基本的思维模型，全面洞悉业务

数据分析离不开业务，了解业务是我们搭建指标体系的前提，掌握一些基本思维模型，可以帮助我们快速、全面的洞察业务。

1）5W2H模型

经典的数据分析思维模型。以五个W开头的英语单词和两个H开头的英语单词进行提问，从回答中发现解决问题的线索，即何因（why）、何事（what）、何人（Who）、何时（When）、何地（where）、如何做（How）、何价（How much）。

5w2h能帮助我们培养一种严谨全面的思维模式，让分析的过程更加全面更有条理，不会产生混乱和遗漏，当你觉得你的指标体系已经很完美的时候，可以用这个模型来帮助你肯找到思维的漏洞。

2）逻辑树方法及MECE原则

逻辑树方法可以帮我们将复杂的业务问题拆解成多个简单问题，从而帮助我们拆分更细的数据指标。

Mece原则的意思是“相互独立，完全穷尽”，我们搭建指标体系的一个重要标准就是不重复不遗漏，运用mece原则可以很好的帮助我们把握核心指标，提升指标系统的有效性。

3）商业画布

商业画布是一种分析企业价值的工具，通过把商业模式中的元素标准化，引导我们的思维，将业务知识素材归档，在了解业务的过程中，我们可以按照下面张图来完善填充，从多个角度全面的洞察业务

除了上面的思维模型，最好的了解业务的方式就是和业务方多交流，认识当前业务的关键问题，毕竟建立完善系统的指标体系需要很长一段时间，最好从部分关键点开始，先解决问题。

2、指标体系搭建方法论

对应业务场景的指标体系有相应的方法论，比如基于用户生命周期的指标体系AARRR、客户满意度指标体系等等，简单给大家分享几个：

1）第一关键指标

这个概念是我在《精益数据分析》中看到的，指的是当前阶段无比重要的第一指标，同时也指出了在创业阶段的任意时间点上应该且只关注一项重要指标。这个概念在我们搭建数据分析指标体系的时候同样有指导意义。

先抓住公司当前阶段的“第一关键指标”，然后再把这个指标拆解到各部门，形成各部门的“第一关键指标”，也就是我们说的OKR，或者是KPI，然后再根据各部门的业务，基于这个第一关键指标思考应该关注哪些细化的指标。

2）基于用户生命周期的指标体系：AARRR

3）客户满意度指标体系：RATER指数模型

总之，关于指标体系的搭建可以先模仿再优化，重点是解决业务问题，我整理的一些特定业务场景的指标体系，可以先模仿套用，再根据业务形态加以调整，快的话，2个小时一个指标体系即可搭建完成。

05  数据指标体系的价值点

数据分析什么要搭建指标体系？有什么用？可能大部分人都说不清楚。在笔者看来，搭建指标体系的价值主要有3点：

1、建立业务量化衡量的标准

指标体系可以建立业务量化衡量的标准，数据分析的目的就是说明、衡量、预测业务的发展。

比方说衡量一个门店经营的状况，一个门店月净利润20万元，刚看这个指标感觉这个店盈利不少，发展应该不错

但是再一看前两个月的净利润，发现前两个月的净利润都是40万以上，增加了这一个指标，我们就发现了这个店的经营状况可能存在问题了。

在衡量业务经营状况的过程中，单一数据指标衡量很可能片面化，需要通过补充其他的指标来使我们的判断更加准确。因此，搭建系统的指标体系，才能全面衡量业务发展情况，促进业务有序增长。

2、减少重复工作，提高分析效率

有了指标体系，数据分析师就可以少干点临时提数的活，指标体系建立后应该能覆盖大部分临时数据分析需求，如果指标体系搭建完了，还是有很多临时的分析需求涌现，那证明这个指标体系是有问题的。

3、帮助快速定位问题

建立了系统指标体系，有了过程与结果指标，有了指标的前后关联关系，就可以通过回溯与下钻，快速找到关键指标波动的原因，老板让你分析原因，再也不用愁眉苦脸了。

不过这些价值发挥的前提是 建立合理、有效的指标体系，且数据质量有保证 ，数据质量都不能保证，指标体系搭的再好，分析出来的结果也没什么意义。

参考文献：

7000字详解数据指标体系如何从设计到落地 https://mp.weixin.qq.com/s/13BoA0lOqYyFF7KNsb_RRQ