前言

数据产品面试时我首先都会和候选人聊聊他对度量，指标，维度，粒度这四个词语的概念理解，这个简单的问题是作为数据从业者最基本的认知，随着从业时间的长短对于其解释的深浅程度是不一的。可以通过不同的回答就看看出候选人对于数据的理解，从而映射出一个基本的能力模型。

指标是什么，一个新指标的诞生对业务来说，意味着什么？

指标在百度百科的定义：人类及科学发展与时俱进，为了自然科学实验及结果根据统一性方便标准衡量，衡量目标的统计方式并定义为指标，说明总体数量特征概念以及数值的综合，

在实际工作中，它代表一个桥梁，衔接起业务与研发紧密协作，是数据与业务的交汇点。

指标的体系化对指标建设提出了更高的要求，这也是数据从业者必不可少的技能，也是众多营销号的写作热点之一 @_@，一方面是足够火，另一方面也是足够重要，本文就根据自己实际的案例梳理并复盘一下整个过程，希望能给初入的同学带来一些启发和思考。

重新认识指标

在梳理整个指标体系之前，我们回顾一个问题，你都遇到过怎样的数据需求？

你都遇到过怎样的数据需求

1、一次性提数

特点：时效性高，需求数量多，常见为明细

例如：从 xx 渠道过来的注册未激活用户的手机号明细，10 月和 11 月某活动的 PV，UV 以及不同功能下的转化率

2、数据分析 &业务监控，数据化报表

特点：业务链路长，口径逻辑多，周期性更新

例如：业务漏斗转化模型，xx 渠道付费转化率报表

3、数据服务，接口形式对接线上业务

特点：时效性高，技术性强

例如：优惠券的到期提醒，营销任务的黑名单过滤

数据需求的本质是什么

数据需求本质上是数据内容，数据内容是一个个的数据字段，可以简单理解都是指标，所有数据内容的实现都可看做是维度，指标，或维度 &指标的组合，而维度一般是比较确定的，指标内容是千变万化的，根据不同的指标内容，就有了各类多样化的数据分析需求。做好业务线指标体系框架，也就很大程度上满足了业务线所有数据内容的需求。

指标体系的意义

• 数据分析师

面对数据库中的海量数据进行分析时，数据分析师首先要做的就是构建合理的指标体系或者模型，合理地“整理”这些数据。

• 数据产品经理

用户行为分析需要该场景下的用户使用全流程的数据指标支持；数据可视化产品的数据采集方案是完整，取决于指标体系覆盖程度；

• 大数据开发工程师

基于业务实体或者数据的应用场景，从应用层向底层推导分层建设；没有全局的认知和规划，数据仓库的搭建只能针对性的以“点状的烟囱式”搭建。如果需求能体系化的产出，则需要梳理出业务场景中所需要的维度、指标。

• 推广运营产品用服等业务侧角色

基于统一且可解释的指标体系，形成数据目录，可以促成业务统一进行量化业务的监控认知

指标体系如何梳理

指标体系设计相关理论，可借鉴数据分析模型进行梳理，例如用户增长 AARRR 模型，基于业务目标拆解的 OSM 模型，但在具体实施过程中，不会拘泥于某种方法，都是相互结合起来使用，目的是通过梳理出的指标框架，能够对齐整个业务全貌。

指标分类解释

原子指标：单一的业务过程＋度量，即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，原子指标和度量含义相同，某一业务行为事件下的度量，是业务定义中不可拆分的指标，如：点击量；原子指标还会基于维度、修饰词、统计口径而构建出派生指标。

派生指标： 业务过程+修饰词（可选)+时间周期+原子指标 ，可以理解为对原子指标业务统计范围的圈定

派生指标可以选择多个修饰词，修饰词之间的关系为“或”或者“且”；比如原子指标=点击量，派生指标=近一周 IOS 注册用户点击量

复合指标：复合指标代表着对派生指标的加减乘除后的结果

业务流程拉通

本次我们采用基于 AARRR 模型的横向拓展，纵向以人货场分析拆解的形式，进行互联网保险行业的指标体系梳理

首先简单介绍下互联网保险业务，它是一种以互联网为媒介的保险营销模式，有别于传统的保险代理人营销模式，是指保险公司或新型第三方保险网以互联网和电子商务技术为工具来支持保险销售的经营管理活动的经济行为。

其实互联网保险业务也是以订单为核心业务模型的商业模式之一了，简单可以与典型场景电商相比较对待，我们将投保过程区分为以下几个过程，投前，投中，投后。

投前：这个阶段有几个重要的业务过程，从用户点击落地页，下载，激活，注册，沟通（预约线上代理人，或者顾问进行面对面交流沟通），浏览（浏览相关产品详情页，查看相关产品健告，核保细则等）

投中：这里就是重点进行交易的过程，投保（商品详情页进行投保按钮点击），核保（进行商品条款的阅读，输入个人信息进行健告，购买资格的验证），下单，支付，出单

投后：退保，理赔，续期，续保，这些都比较简单易懂

横纵组合形成指标体系

横向根据拉通的业务流程进行原子指标整理

访问：流量类数据，uv，pv，停留时长，关键业务行为，搜索，浏览文章，社区

沟通：分配客户数，跟进人数（有效），跟进次数（有效），跟进深度（有效），时长（通话，响应）

投保：投保页面流量类数据，

核保：核保通过订单数数（系统核保，人工核保），用户数

下单：下单用户数，下单保费，下单投保单数，下单失败数

支付：预签单保费，预签单人数，预签单保单数，预签单失败保单数（不可支付）

出单：出单数，出单人数，签单保费，首期保费，年化保费，件均

退保：退保保费，退保订单，退保人数，退保经纪费，退保服务费

理赔：理赔预估金额，理赔金额（已决赔付金额），未决赔付金额；理赔预估单数，理赔单数（已决赔付单数），未决赔付单数；理赔预估人数，理赔人数（已决赔付人数），未决赔付人数，

续期：续期实缴保费，续期应缴保费，续期经纪费，实缴保单数，应缴保单数

续保：续保保费，续保保单数，续保人数

纵向维度以人，货，场，时间进行维度拆解，这里的人货场时间可以这么理解：

人，这里指的是企业服务的用户，包括 C 端，以及 B 端各类用户，为经营模型埋单的用户

货，企业经营模式提供的服务，包含提供内容，商品，权益，内容，咨询，工具等等；

场，企业中人与货交易的场景，销售线索，微信，各类渠道等；

时间，年，月，日，财年，周期

那么对应到互联网保险业务来说，这里的人货场就可以理解为：

人：C 端客户，以及各类合作的 B 端供应商

货：具体的商品内容，以及险种，险种意外险，健康险，旅游险，寿险，财险，责任险，以及提供给用户教育的文章素材，营销物料

场：主要指的是获客渠道，销售线索渠道，以及各类活动

就这样通过一纵一横的形式，进行指标与维度的横纵交叉进行组合，就形成指标体系的雏形。

在如上的图中，它基本算是较为完整的描绘出整个公司的经营单元，业务支持单元的所有监控指标，形成了指标地图。作为中后台的支持方我们大数据团队，我们不断在接数据需求，不断在建设数据体系的过程，其实也就是在丰富和拼凑出整个如图所示的指标地图，随着建设的深入，指标也就会越来越多，有了这样的图作为牵引，我们就可以从碎片的建设过程找到目标，会更加的有方向感。

这种一纵一横的方式也有很多基于数据分析模型所产生的变种，比如现在经常所提到的 UJM（用户旅程地图） 模型，本质上也是通过业务流程（横）+人货场（纵）的形式来生成的

指标管理

实现了从 0→1 的基本逻辑指标框架，接下来的工作是要 1→100→1000，丰富其指标体系的具体内容，同时要形成一个全局业务口径一致的指标字典，让使用指标的人可以通过指标字典，快速了解指标的业务含义和计算过程，不会有歧义上的理解。

新的指标的开发流程

那在这个过程中，如果没有流程制度管理的情况下，指标会随着数据需求的增多也愈加增多，面对一个新的指标需求，如何进行规范化指标开发流程，一般来说，指标管理和开发的标准流程如下：

旧指标的全局盘点

公司肯定在未新建指标之前就有了很多业务，那除了新指标的创建，工作任务更加繁杂的就是需要对历史以往的报表和指标做全盘的治理，这里就需要有标准的指标元数据管理模板来进行旧指标的梳理：

到这里，指标管理有了标准，有了规范，有了流程，如果你有很强产品 sense，已经嗅到接下来的工作就是要建立指标管理系统了，不过单纯的讲指标管理系统并无太大意义，它是整个元数据管理平台的一部分，这点继续挖个坑，后续有机会在补上这章吧。

总结

指标代表一个桥梁，衔接起业务与研发紧密协作，是数据与业务的交汇点，它基本上是贯穿了整个数据产品应用的工作，后续的标签，算法特征都绕不开指标本身，而单一指标只能反映总体某一方面的代指方面而指标体系建立，通过业务流程（横）+人货场（纵）这样一纵一横的方式进行指标梳理，最终形成指标体系。同时在辅以标准化的管理办法来规范指标整个从提出，生产，应用，回收的生命周期过程，保证指标的数据值质量，当然更进一步可以通过系统+流程的方式来进行管理。

如果你目前对于指标体系梳理和指标管理的目标和方向有疑惑，希望本文带给你一点启发。