数据分析师如何搭建数据运营指标体系？
在搭建的过程中，有哪些建议？
汇总了一些我们公司分析师的经验，从全局再到单点，来系统的回答一下这个问题。
一. 数据指标体系搭建不是单个部门能够完成的
作为数据分析师，需要站在更高的角度，认识到数据指标体系搭建并不是单个部门能够完成的，应当至少有业务团队、数据团队以及开发团队三个团队进行协作（业务部门包括但不限于市场、运营和产品团队）。
上图是我们总结及建议的，在企业内部搭建数据指标体系的最佳实践流程。分为以下 6 大阶段：
1. 需求收集阶段：一般由业务团队提出业务需求，数据团队评估、归纳业务需求。
2. 方案规划阶段：需要业务团队和数据团队共同制定、梳理 OSM 和 UJM，并且归纳出每一个环节的场景，设计出一套指标体系。
3. 数据采集阶段：指标体系在团队内部达成一致之后，建议由数据团队牵头设计数据采集方案，规范指标命名。命名是非常一件重要的事情，可以说是互联网行业两大痛点之一，下篇文章会为大家分享。
4. 采集方案评估：数据方案采集方案设计完成后，需要联合业务、数据、以及开发三大团队一起进行采集方案的评估，评估实现成本以及实践的优先顺序。这里就可以按照之前说到场景化模块，根据成本和重要性，评估优先去落地实施哪一场景。
5. 数据采集与数据验证上线阶段：这个环节主要需要开发团队来设计一些资料库，按照前端、后端埋点等等数据采集方案进行数据采集；然后进入到一个非常重要的环节——数据校验，这里必须要保证我们的数据校验与指标体系需要的数据口径一致，这样得到的数据才是业务方需要的数据，才能够回答业务问题。
6. 效果评估阶段：最后是一个非常有价值的阶段，即效果评估。这个环节中，需要由数据团队牵头，将数据搭建出可视化看板，通过看板指导实现业务迭代效果。
业务迭代肯定会有很多的新功能、新业务线产生，这些新业务线同时也需要反哺指标体系。也就是说，指标体系的搭建不是一蹴而就的，而是要在原有的基础上不断地迭代的。
还有一个重要的环节，是在指标体系看板搭建完成之后，需要输出一个数据字典。数据字典能够协调全公司的一个步调，使大家都在同一个数据口径看待数据，提高公司整体的协同效率。
数据分析师除了专业能力外，还需要有全局思维、协调能力等，才能将一套数据指标体系真正的在企业内部顺利落地。
二，规划数据指标体系的两个模型
1. OSM 模型：业务目标下沉式实现数据驱动的最核心逻辑
? O（Objective）：是指我们的业务目标。在这个环节我们需要思考或者回答的问题是，我们的业务、产品，甚至是其中的一个小的功能，它存在的目的是什么、能够解决用户什么问题、满足用户的什么需求？
? S（Strategy）：是指清楚业务目标之后，为了达成上述目标，我们应当采取的业务策略。
? M（Measurement）：是用来反映业务策略有效性、反映策略执行是否能达成业务目标的度量指标。
以上就是 OSM 的基本的框架。之后会给分享一个电商经典的 OSM 模型，来帮助大家更好的理解它。
2. UJM 作用：梳理用户生命旅程，与业务目标耦合
UJM 就是我们在设计一款产品的过程中，必须要去梳理的用户生命旅程。
为什么我们会在搭建指标体系这个过程中引入用户生命旅程的思路呢？
前面我们通过 OSM 的框架设计好了业务目标、策略和度量指标之后，需要回过头来梳理整个产品的用户生命旅程，以校准我们的业务目标，判断它能否与用户每个阶段的旅程进行吻合。
也就是说，UJM 是用来与我们的业务目标不断进行耦合的，两者相互影响、相互作用，促使业务目标能够更好地贴合用户需求，业务策略能够更好地回答业务问题。
为了方便大家更好的理解，这里简单介绍一下 UJM 的思路。
如上图，一个简化版的电商产品 UJM，它包括：拆解用户所处的每一个旅程阶段，了解每个阶段中用户的行为，明确每个阶段中产品的目标，发现各阶段中产品与用户的接触点，最终从接触点里找到产品的痛点和机会点。
也就是说，用户使用一款电商产品，会经历这六个阶段：
从各个途径了解该电商平台，并进入该产品 → 通过首页、搜索功能乃至商品类目页等其他各个入口「逛」平台 → 对商品产生兴趣，进入到商品详情页 → 进入付费流程，完成一次重要的转化 → 分享、复购阶段。
在整个用户旅程中，用户会反复发生各环节间互相的跳转。
我们需要为每一个阶段都设置对应的一个目标。在这一思路中设置出的目标就可以去反哺我们之前制定出来的 OSM 框架，判断其是否有遗漏。
各阶段目标确定后，我们需要寻找到产品中为了达到这一目标，与用户产生的接触点，例如首页、搜索页面、商品类目页等就是用户逛产品时的接触点。
了解接触点之后，我们紧接著就能够找到每个环节的痛点，而痛点的反面就是我们的机会点。同时，这里每一个机会点都可以反哺前面 OSM 框架中的 S，就是我们的策略，机会点是否与策略相互吻合。
所以 UJM 的价值就在于，这样梳理了用户旅程之后，将 UJM 和 OSM 进行关联，就可以起到用户旅程与业务目标相互耦合、相互影响的作用，使得我们的业务目标能够满足用户需求，我们策略能够回答业务问题。
3. OSM × UJM：关联业务目标与用户旅程
这里仍然举一个电商经典的案例。
首先 GrowingIO 将电商的一个战略目标（O）——「提升 GMV」根据电商的经典公式进行了拆解，拆解成为三大目标，分别是提升用户基数、提高转化率以及提升客单价。
每个目标下面都会有对应的一个策略（S），而这里的策略其实都来自于刚刚的 UJM 框架梳理出的用户每一阶段的机会点，每个策略也都会有对应的一个度量指标（M）。
也就是说，这里的每一个目标对应的策略、度量指标都是与用户旅程的每一环节对应。这样就有了一个指标体系的大框架。
三，指标分级体系
1.适合分析师的指标分级体系
指标分级体系用到的技能会更高阶一点，更适合 BI 或者分析师，能够帮助公司搭建一套完整的数据指标体系，从而及时发现业绩的升高或降低、以及产生的原因。
数据本身是分层的，我们在思考指标的时候，也应该有一个层级的概念，而不是现阶段关心什么，我们就放什么；指标分级可以帮助我们更高效的去定位问题，去验证我们的方法论，无需每次都要思考要去看哪些指标。
我们可以针对不同的指标，分不同的层级。不一定要拆得太细，否则层级会过深，基本上 3 个层级就能够指导我们一线的业务人员去做一些动作。
1）一级指标
一级指标必须是全公司都认可的、衡量业绩的核心指标。可以直接指引公司的战略目标，衡量公司的业务达成情况，本质上需要管理层和下级员工的双向理解、认同，且要易于沟通传达，比如公司的销售额，或者社交产品的活跃度。
以 GrowingIO 为例，在 GrowingIO 获客的时候，一级指标就是新的注册用户数。当用户创建看板的数量大于 5 个，GrowingIO 会认为这是活跃用户。因为当用户接入 SDK 并且搭建了这个图表的时候，GrowingIO 才认为用户深度体验了产品功能和产品特性。
2）二级指标
二级指标是一级指标的路径指标。一级指标发生变化的时候，我们通过查看二级指标，能够快速定位问题的原因所在。
比如说，我们的一级指标是 GMV 和订单数量上升，那怎样去定二级指标呢？我们在历史经验的基础上去拆解一级指标，而能够影响到 GMV 和订单数量上升的，就是我们的核心二级指标。比如说货品的单价上升，或者最近做的一些活动。
3）三级指标
三级指标是对二级指标的路径的分析。通过三级指标，可以高效定位二级指标波动的原因，这一步也会基于历史经验和拆解。
三级指标能够直接执行一线运营的角色和作用。以一级指标 GMV 提升为例，我们拆解后发现是转化率提升，那么转化率就是二级指标。接著分平台去拆解转化率的时候，我们发现是 IOS 的客户端转化率有所提升。
那为什么安卓没有提升，是不是 iOS 最近做了一些迭代？是不是它的一个转换路径比其他端好？这些思考就能指导业务人员展开行动。
2. 指标体系分级的应用
那么指标体系分级具体是如何应用的？
这里同样以 GrowingIO 为例，GrowingIO 是基于用户行为数据的增长平台，国内领先的数据运营解决方案供应商。为产品、运营、市场、数据团队及管理者提供客户数据平台、获客分析、产品分析、智能运营等产品和咨询服务，帮助企业在数据化升级的路上，提升数据驱动能力，实现更好的增长。
GrowingIO 是如何搭建一套监控体系的呢？
我们设立了增长指标、活跃指标和变现指标，分别对应一级、二级和三级指标。
- 增长指标：新用户的注册量；
- 活跃指标：DAU ，也就是登陆用户数。
- 变现指标：用户从注册到下单，所完成的订单额或营业额。
如果看到一级指标（新的注册用户数）有增长，我们就要迅速去看一下，是不是有哪些二级指标做了波动，便能快速定位一级指标增长的原因。有了二级指标的增长，再通过三级指标拆解二级指标，以此类推，我们便能够解决日常业务中遇到的 70% 的问题。
以上就是针对该问题的所有回答，希望能对大家有所帮助
知友福利：点击领取 GrowingIO 数据指标体系搭建方案
数据指标体系搭建方案 | GrowingIO - 矽谷新一代无埋点用户行为数据分析产品?datayi.cn
GrowingIO 数据指标体系搭建方案，提供「埋点+无埋点」双模式高效采集数据，可视化数据看板指导业务增长。我们拥有国内外专业的商务数据分析师团队，帮助客户梳理数据指标体系，提出解决方案，切实找到可落地的数据增长点。
万字长文！理论结合实践！可以说是最全的数据运营指标体系搭建文章了
我们的业务增长负责人教你如何从0到1搭建数据运营体系
随著精细化理念的不断深入人心，「数据运营」 这一概念得到了大家越来越多的重视。但是什么是正确的数据指标，如何正确地采集数据，如何用数据驱动业务增长？这些常见的数据迷思，困扰著大多数的产品、运营、市场甚至管理层。
今天这篇文章，就跟大家分享一下如何搭建一套正确、高效的数据运营体系。
一，数据规划
数据规划是整个数据运营体系的基础，目的是搞清楚「要什么」。只有先搞清楚目的是什么、需要什么样的数据，接下来的数据采集和数据分析才能更有针对性。
数据规划有两个重要概念：指标和维度。
（一）指标
指标（index），也有称度量（measure）。指标用来衡量具体的运营效果，比如 UV、DAU、销售金额、转化率等等。指标的选择来源于具体的业务需求，从需求中归纳事件，从事件对应指标。
指标分为数量型指标和质量型指标，Web 的 pv、uv、访问量，App 的 DAU、NDAU 等等，都是数量型指标；平均访问时长、访问深度、跳出率等等这些是质量型指标。
1.如何选择核心指标
在这里我们引入一个概念——OMTM，OMTM（One Metric That Matters） 唯一重要的指标，也称为北极星指标。
选择 OMTM 的四大标准：
- 和商业目标紧密结合；
- 反映客户的价值需求；
- 指标简单易懂；
- 能够计算汇总 。
这里我们可以引用一个案例，著名的视频社交分享应用 Viddy，授权可以通过登录 Facebook 来创建帐号和分享，就跟国内常见的各种 App 中微信、QQ 等第三方帐号一样。
前期他们以「创建账号的数量」来作为核心指标，我们可以看到在做了授权 Facebook 登录后，2012 年上半年访问量飙升，但是到了 2012 年下半年访问量暴跌。这就是问题所在，Viddy 的员工认为账号创建数量是一个正确的指标，所以他们拼尽全力去提升这个指标。实际上，他们并没有发现业务的重点。
与之相对比的，谷歌+ 用自己的方法把用户提升到 1.7 亿，方法就是把有趣的内容放到邮件中和好友分享。谷歌+ 专注于「前往谷歌+ 并且每周至少分享 2 个更新信息」的用户数量指标，他们专注于向用户传递产品的价值，而不是仅仅提升某一个数字。
2.如何规划核心指标
以我们 GrowingIO 做的电子书下载落地页举例。
指标的选择来源于具体的业务需求，从需求中归纳事件，从事件对应指标。
从落地页的业务需求开始，分析选择指标的过程如下。
- 明确需求：对页面进行数据分析，提高电子书下载量；
- 归纳事件：用户下载电子书是系列事件的最终结果，包括点击推广链接、访问下载页、开始填写信息、填写信息完成下载；
- 对应指标：下载量 = 访问流量 * CTA 点击率 * 注册转化率。
通过上述分析，得出下载量是 OMTM（第一重要指标，One Metric That Metter）的结论。同时，整个指标体系包括访问流量、CTA 点击率、注册转化率三个可操作的指标，基于可操作的指标，才可以更好地优化核心指标。
（二）维度
1.什么是维度？
维度是用来对指标进行细分的属性，比如广告来源、浏览器类型、访问地区等等。
2.多维度分析
举个例子，我们在每天观察数据的时候，突然某天下午 5 点流量暴增，我们想查找出原因。
首先从访问来源维度拆解，我们发现从 5 点开始，主要是微信的流量突然上涨。
然后我们从落地页面维度拆解，就可以发现流量主要落地页是 E 和 G 两个页面。
最后我们就可以得出结论：下午 5 点从微信突然涌进大量流量到 E 和 G 页面，与内容的同学同步了一下，是他们在微信上推了一个落地到 E 和 G 页面的活动。
从案例可以看出，多维度分析能够让我们更清晰的挖掘出数据表象背后的真实原因。
3.如何选择分析维度？
选择维度的原则是：记录那些对指标可能产生影响的维度，以及尽量记录全面的、多维度的数据。
磨刀不误砍柴工。数据运营需要和业务部门（市场、销售、运营、产品等等）不断沟通，只有做好数据规划，接下来的数据采集和数据分析才能更加高效。
二、数据采集
数据采集是数据分析的基础，传统的数据采集是一件非常花时间、精力、人力的事情，对于很多企业来说是一个巨大的门槛。过去数据分析整个流程经常是 80% 的时间在数据采集上，只有不到 20% 的时间是用于数据分析的。
（一）采集什么数据
从流量为王的互联网上半场，到流量越来越贵的互联网下半场，获取用户的成本越来越高， 2013、2014 年左右，工具类 App 激活一个用户的成本才几毛钱，两年不到，获取一个下载的成本就到了几块钱。金融类 App 一个激活用户的成本可以达到上百元。
所以企业开始从粗放式运营向精细化运营转变，关注的数据也从单纯的渠道流量数据，增加了更多对用户行为数据的分析。
目前来看，对用户行为数据的采集成为了数据运营较为看重的部分。
（二）如何采集数据
1.数据采集
目前有三种常见的数据采集方案，分别是埋点、可视化埋点和无埋点。
埋点，也称打点，通过在产品（网页、APP等）中手动添加统计代码收集需要的数据。打点又可以细化出前端打点与伺服器打点。假如要收集用户注册数，就需要在注册按钮处载入相应的统计代码。Google Analytics（谷歌统计）、百度统计等工具采用的就是这一方法。
但因为埋点的工程量大、周期长，而且容易发生漏埋、错埋的情况，所以成为了数据从业者的一大痛点。
可视化埋点是埋点的延伸，通过可视化交互的方式来代替手动埋点。这种方式降低了用户使用的门槛，提升了效率。
但无论是埋点还是可视化埋点，数据运营都需要起到承前启后的作用：收集业务部门数据需求，撰写需求文档，向工程部门提交埋点需求，本质上还是一种埋点方案。
无埋点颠覆了传统的「先定义再采集」的流程，只需要载入一个 SDK 就可以采集全量的用户行为数据，然后可以灵活自定义分析所有行为数据。我们的用户行为数据分析产品采取的就是无埋点的技术方案。前段时间，国外的 Mixpanel 也推出了无埋点解决方案。
相比于埋点，无埋点成本低、速度快，不会发生错埋、漏埋情况。无埋点正在成为市场的新宠，越来越多的企业采用了无埋点方案。在无埋点情景下，数据运营可以摆脱埋点需求的桎梏，将更多时间放在业务分析上。
比如使用 GrowingIO 的圈选工具，需要哪里的数据，圈选一下就可以立即获取，省去了手动埋点等待发版的漫长流程，同时不会发生错埋、漏埋的情况。
2.数据可视化
数据经过收集处理后，下一步就需要可视化，数据可视化在运营应用中的主要形式包括：图表、图形、数据看板，
搭建数据看板（ Dashboard ）是除了数据报表之后又一项工作，是指将关键业务指标（KPI）和相关数据指标显示在一个面板中，以可视化图形的方式展现出来。数据看板往往和企业的 BI 系统连在一起，属于数据可视化的部分。
三、数据分析
数据分析是数据运营的重点工作，前面的数据规划和数据采集都是为数据分析服务的。最终目的是通过数据分析的方法定位问题，提出解决方案，促进业务增长。
所以这也是为什么我们要推荐无埋点的原因，因为我们希望改变以前「80% 的时间用于采集和清洗数据，不到 20% 的时间用于数据分析」的情况，变成「80% 的时间用于数据分析」，把时间花在更有价值的事情上。
选择什么样的数据分析方法要和业务场景相结合，上面这个表格汇总了目前常见的运营数据分析方法及运用场景，比如我们投放广告、追踪渠道用的 utm，分析转化的漏斗等等。
不同于数据分析师，数据运营岗位弱化了对编程统计的要求，更加强调在现有工具基础上灵活使用分析方法。下面我们列举一下常见的数据分析方法。
（一）数据分析方法
1、维度细分
孤零零的一个数据指标，是很难发现问题的。我们需要从多个维度出发，比如地区、平台、浏览器、访问来源等等，拆解指标，定位问题。
2、漏斗分析
用户在使用产品的过程中，天然存在著系列转化路径，例如注册、下单、下载等等。运营需要各个路径的转化率，包括总转化率及每一步的转化率。
转化漏斗工具以可视化的方式将转化路径的每一个步骤都展示出来。运营人员可以重点关注流失最大的环节，因为这往往是优化工作 ROI 最高的地方。
除了横向拆解每一步的转化率，我们还可以从时间维度观察每一步转化率的变化趋势。
比如，通过上图不难发现，某日注册环节第一步转化率大幅度下降，从而影响到整体的转化率。
3、热图
热图是很常见的一种数据分析图表，也称热力图，是以特殊高亮的形式显示用户页面点击位置或用户所在页面位置的图示。借助热图，可以直观地观察到用户的总体访问情况和点击偏好。
目前常见的热图有 3 种：基于滑鼠点击位置的热图、基于滑鼠移动轨迹的热图和基于内容点击的热图，三种热图的原理、外观、适用的场景各有不同。
上图是基于内容点击的热图，如数据分析产品 GrowingIO 热图，记录用户在网页内容上的点击，自动过滤掉页面空白处（没有内容和链接）的点击。基于内容点击的热图，追踪内容变化而变化，记录相对时间内用户对内容的点击偏好。
从热图中，我们会很容易看到哪些位置流量高，用户的注意力高等等。
（二）数据驱动流程
很多明星公司都在数据驱动中发明了很棒的技巧，但是任何技巧都有自己的生命周期。往往当你发现一种技巧的时候，它已经沦为行业标配了，而且也不一定和你的业务相匹配。所以与其依赖技巧，不如依赖流程，这样团队才可以像机器一样高效运作。
在数据分析中，最重要的一点，就是要建立数据驱动的流程。完善的流程可以帮助你快速定位问题、解决问题。从设立增长指标开始，找到小的聚焦领域，分析数据、提出假设、排优先顺序、开展实验、分析优化，不断循环，直到找到问题所在，并且推动指标改善。
- 明确目标；
- 根据目标去分析目前的情况以及存在的问题；
- 提出可能解决目前问题或者实现目标的想法；
- 排列一个想法测试的优先顺序；
- 开始测试，通过试验来验证或者推翻想法。
然后开始新一轮的分析、假设、排优、测试，在不断优化中实现增长。
四、案例分析
下面通过一个实际的案例，来分析在实际业务中，「如何搭建一套正确、高效的数据驱动运营体系」。
我们在内容运营中，做了内容专题落地页，希望能够追踪落地页的效果，并且优化页面。
左边是落地页的全貌，包含落地页必备的三大部分：英雄出击（Hero Shot），用户益处（Benfits） 和用户号召（Call to Action）；右边是落地页首屏。
（一）数据规划
整个内容落地页，最终是希望更多的用户完成下载行为，所以「电子书下载量」是我们的 OMTM，通过对这个指标进行拆解，我们得到了下面这个公式：
下载量 = 访问用户量 * CTR * 注册转化率
落地页的两种类型：点击落地页和线索产生落地页。这个落地页属于点击落地页，它是起流量分发的目的，为线索产生落地页提供流量。
结合我们做内容专题的目的，【下载电子书】点击率，也就是公式中的 CTR。
（二）数据采集
通过无埋点的圈选采集数据，根据指标建立整个落地页的看板。
（三）数据分析
数据分析分为定量分析和定性分析。
1.定量分析
定量分析在增长中很重要，起指导方向的作用。它会告诉你什么地方有机会增长，什么地方可以做测试。其次是衡量结果，帮助你调整方向。
比如我们用热图工具查看整个落地页的点击情况，可以得出数据：
- a.落地页跳出率 0.36
- b.【下载电子书】点击率 0.48
我们做增长很多时候是想影响和改变用户行为，但要记住一点，一个用户永远是一个人，不只是一个数据。有时候需要通过一些数据观察结果，但有时候定性分析也非常重要。
2.定性分析
我们基于定性分析，通过访谈、使用调研，可以得出几个结论：
- a.页面主色调不够鲜艳，文字和背景对比不突出；
- b.文字信息排版太稀疏，一个页面看完需要多次下拉。
3.提出假设
基于以上的定性分析和定量分析，我们提出以下假设：
- a.更换落地页背景色，有助于降低跳出率；
- b.增加更多【下载电子书】按钮，有助于提升点击率；
- c.将电子书图片添加链接，有助于提升转化率；
- d.减少页面空白，增加信息密度，有助于提升转化率。
4.排优先顺序
如何评估我们的想法是否可行？以及哪个想法应该优先测试？
增长黑客之父 Sean Ellis 总结了一套评估方法–––ICE，分别从 Impact （影响力)、Confidence（自信心）、Ease （难易度）三个角度去打分。
首先是影响力（Impact），这个想法对我们业务增长的作用有多大；如果影响力非常大的话我打10分，如果影响力微弱的话打2-3分。
其次是自信心（Confidence），是否确定这个想法能够有效。同样是从1-10打分，10分表明你有足够自信说明这个想法是有效的。
最后是实施的难易程度（Ease）。
综合以上三个角度，我们可以排出比较合理的优先顺序。于是我们把「将落地页背景颜色换成主页色调」和「新增2个【下载电子书】的banner」这两条作为高优先顺序，开始实验。
5.开始实验
1）实验 1- 落地页更换背景色
改版后的数据情况验证了我们的想法，跳出率从 0.36 降低到 0.12，「下载电子书」转化率从 0.48 提升到 0.61。
2）实验 2 - 新增 2 个【下载电子书】的 banner
改版前我们是 2 个 CTA Banner，我们增加到 4 个，保证每一屏浏览后有个 CTA，实验后的数据跳出率从 0.12 到 0.13，这是正常的数据波动，转化率从 0.61 提升到 0.83 。
把两次实验的数据进行分析优化，然后实验验证其他假设，经过其他假设一一反复多次实验，整体转化率提升了 124% 。
由此，我们得出实验和增长的正相关关系。下面也可以举两个国外的例子说明。
Twitter 曾经也获得了非常快的增长，但是中间停滞了。2010年，Twitter 成立了一个新的团队。来了一个新的产品VP，他觉得 Twitter 测试的量不够。『我们几个月了才做几次测试，这太少了，我们必须每周做至少十次测试！』加快测试的频率后，Twitter 的增长就恢复了。
http://GrowthHackers.com 也有类似的经历，在增长的瓶颈期，创始人发现测试的数量太少。于是 Sean Ellis 告诉团队必须保证每周至少三次测试。做了这个改变之后，他们就容易更快地发现问题、解决问题，增长的速度也更快了。
最后，给所有未来的数据分析大咖们，送上我们GrowingIO 所有产品的 15 天使用特权
知乎发现更大的世界打开
Chrome继续
猴子?中国科学院大学 电子与通信工程硕士
很多数据分析招聘的要求里会写「构建指标体系」，所以建立指标体系是数据分析人员的一项基本技能。下面从4个问题出发，系统介绍指标体系：
（1）什么是指标体系？
（2）指标体系有什么用？
（3）如何建立指标体系？
（4）建立指标体系有哪些注意事项？
1.什么是指标体系？
实际工作中，想要准确说清楚一件事是不容易的。例如，你在金融公司工作，工作中可能会听到这样的对话：「大概有1万多人申请贷款吧」「有很多人都没有申请通过」「感觉咱们的审核太严了」。
同事之间这样闲聊说话没什么问题，但是如果是向领导汇报或者是数据分析师在回答业务部门问题的时候就不能这么说了，一定要用准确的数据和指标来描述清楚。例如上边的对话可以改成：
5月4日新申请贷款用户10450人，超目标达成1450人；
5月4日当日申请贷款用户10450人，当日通过2468人；截至5月6日，5月4日申请贷款的10450名用户中有3690人通过申请，申请通过率35.31%。
上面通过一个指标「申请通过率」说清楚了申请贷款用户的情况。但是实际工作中，往往一个指标没办法解决复杂的业务问题，这就需要使用多个指标从不同维度来评估业务，也就是使用指标体系。
指标体系是从不同维度梳理业务，把指标有系统地组织起来。简而言之，指标体系=指标+体系，所以一个指标不能叫指标体系，几个毫无关系的指标也不能叫指标体系。
2.指标体系有什么用？
我们在讨论一个人是否健康的时候，常常会说出一些名词：体温、血压、体脂率等。当把这些指标综合起来考量，大概就能了解一个人的健康状况。
同样，对于一家公司的业务是否正常（健康），可以通过指标体系对业务进行监控。当业务出现异常时，就能以最快的速度发现问题，开始分析，然后解决这些问题，最大化地减少损失。
指标体系的作用包括：
● 监控业务情况；
● 通过拆解指标寻找当前业务问题；
● 评估业务可改进的地方，找出下一步工作的方向。
3.如何建立指标体系？
可以用下面的方法建立指标体系。
（1）明确部门KPI，找到合适的一级指标
一级指标是用来评价公司或部门运营情况最核心的指标。例如，某旅游公司在会员积分方面的开销较大， 业务部门关心成本，定的的KPI是合理利用积分抵扣金额，节省成本，所以该部门一级指标定为积分抵扣金额。
一级指标并非只能是一个指标，有可能需要多个一级指标来做综合评价。例如，某网贷公司产品部门的主要职能是开发出符合市场需求的贷款产品，在提升业务量（放款量）的同时，也需要监控业务质量（放款逾期率）。
根据市场和业务运营情况及时调整产品政策，所以该部门的KPI有两个：贷款产品放款金额、贷款产品的坏账率。
贷款产品卖的好光看「放款金额」还不够，还要关注毛利润，这才是真正赚到的钱。同时也需要看用户数，因为用户数直接和获客成本挂钩，要防止营销成本太高、实际没利润这样不可持续情况的发生。
所以该部门确定了三个一级指标：放款金额、毛利润、用户数。
（2）了解业务运营情况，找到二级指标
有了一级指标以后，可以进一步将一级指标拆解为二级指标。具体如何拆解，要看业务是如何运营的。比如销售部门一般按地区运营，就可以从地区维度拆解。市场部门一般按用户运营，就可以从用户维度拆解。
例如前面的案例中一级指标是积分抵扣金额，从订单维度拆解为积分抵扣金额 = 积分抵扣的订单数 * 平均订单抵扣金额，从会员维度拆解为积分抵扣金额 = 积分抵扣的会员数 * 人均抵扣金额。一级指标、二级指标指标的结构如下图。
（3）梳理业务流程，找到三级指标
一级指标往往是业务流程最终的结果，例如积分抵扣金额，是业务流程（会员-&>购买旅游产品-&>使用积分抵扣-&>支付金额） 最后的一个结果。
光看一个最后结果是无法监督、改进业务流程的，这就需要更细致一些的指标，也就是添加三级指标。例如，在业务流程中不同会员等级可以抵扣的金额不一样。不同旅游产品线可以抵扣的金额比例也不一样。所以，需要把二级指标按照业务流程拆解为更细的三级指标。
在会员业务节点可以拆解为LV1级会员数、LV2级会员数、LV3级会员数、LV4级会员数。在购买旅游产品业务节点可以拆解为酒店订单数、机票订单数、跟团游订单数、自由行订单数。最后，确定的指标如下图，因为一级指标、二级指标、三级指标的结构像金字塔，所以下图也叫做指标体系金字塔。
每个指标从3个方面确定统计口径：
- 指标含义：这个指标在业务上表示什么？
- 指标定义：这个指标是怎么定义的？
- 数据来源：从什么地方收集的原始数据？数据统计的时间范围是什么？
（4）通过报表监控指标，不断更新指标体系
前面步骤找到了一级指标、二级指标和三级指标，到这一步可以把这些指标制作到报表中，通过报表监控指标，不断更新指标体系。
4.指标体系有哪些注意事项？
建立指标体系需要注意以下4个问题。
（1）没有一级指标，抓不住重点
工作里最常见的情况是你获得的报表是从离职同事那里交接过来的，或者是领导给你的指标，你只是负责定时更新报表。但是为什么这样做报表？做完了报表给谁看？其实你是不清楚的。
弄清楚这些，需要知道一级指标是什么。如果不能围绕一级指标来做事会闹出笑话来。例如，某银行为了激励员工，根据KPI给分行经理制定的奖励规则如下：
投诉率最低的五个分行经理各奖励2000元现金；
分行客服月通话时长平均≥3.5小时，奖励3000元。
某个分行经理带领团队只放出贷款20万元，在150家分行中排名最后一名，但因为上面KPI达成的好，其收入反而比某些全额达成放款目标的分行经理高。这种不以一级指标（放款金额）为前提的激励方案就是无效的方案。
（2）指标之间没有逻辑关系
如果不按照业务流程来建立指标体系，虽然指标很多，但是指标之间没有逻辑关系。以至于出现问题的时候，找不到对应的业务节点是哪个，没办法解决问题。
（3）拆解的指标没有业务意义
有的报表上的指标很丰富，但是却没有实际的业务意义，导致报表就是一堆「没有用」的数字。
例如：在销售部门，最关注的是销售目标有没有达成，现在达成了多少，接下来的每天应该达成多少，哪些些区域达成最高，哪些区域达成最低。如果不围绕这个业务目标拆解指标，而是随意把指标拆解为用户年龄、性别，这就与业务没有任何关系，只是为了拆解而拆解。
（4）一个人就完成了指标体系和报表，也不和业务沟通
建立指标体系不是1个人能够完成的，需要业务部门（市场、运营、产品等部门统称为业务部门）、数据部门（这里把数据分析师所在的部门统称为数据部门）、开发部门相互之间进行协作。
业务部门会不断提出新的业务需求。如果业务部门认可数据部门做出的分析报告，并希望以后可以随时查询到相关的数据，那么数据部门会把数据产品化，也就是协助开发部门把数据产品做进公司后台系统，一般形式就是报表。
日常工作中，业务部门、数据部门、开发部门部门是像下图这样紧密协作的。
建立指标体系需要各部门紧密沟通，还需要对公司业务和各部门职能的深刻理解，也就是这本书后面章节的业务知识，在此基础上再根据建立指标体系的方法，不断进行尝试就能够搭建出合适的指标体系。
参考资料：
(本文内容选自书《数据分析思维》，作者：猴子 ? 数据分析学院）
电子书数据分析思维：分析方法和业务知识作者 春面 等会员专享￥ 69.30去查看?什么是指标？
猴子的视频 · 7696 播放如何制作一张好看的报表？?www.zhihu.com
很多数据分析招聘的要求里会写「构建指标体系」，所以建立指标体系是数据分析人员的一项基本技能。下面从4个问题出发，系统介绍指标体系：
（1）什么是指标体系？
（2）指标体系有什么用？
（3）如何建立指标体系？
（4）建立指标体系有哪些注意事项？
1.什么是指标体系？
实际工作中，想要准确说清楚一件事是不容易的。例如，你在金融公司工作，工作中可能会听到这样的对话：「大概有1万多人申请贷款吧」「有很多人都没有申请通过」「感觉咱们的审核太严了」。
同事之间这样闲聊说话没什么问题，但是如果是向领导汇报或者是数据分析师在回答业务部门问题的时候就不能这么说了，一定要用准确的数据和指标来描述清楚。例如上边的对话可以改成：
5月4日新申请贷款用户10450人，超目标达成1450人；
5月4日当日申请贷款用户10450人，当日通过2468人；截至5月6日，5月4日申请贷款的10450名用户中有3690人通过申请，申请通过率35.31%。
上面通过一个指标「申请通过率」说清楚了申请贷款用户的情况。但是实际工作中，往往一个指标没办法解决复杂的业务问题，这就需要使用多个指标从不同维度来评估业务，也就是使用指标体系。
指标体系是从不同维度梳理业务，把指标有系统地组织起来。简而言之，指标体系=指标+体系，所以一个指标不能叫指标体系，几个毫无关系的指标也不能叫指标体系。
2.指标体系有什么用？
我们在讨论一个人是否健康的时候，常常会说出一些名词：体温、血压、体脂率等。当把这些指标综合起来考量，大概就能了解一个人的健康状况。
同样，对于一家公司的业务是否正常（健康），可以通过指标体系对业务进行监控。当业务出现异常时，就能以最快的速度发现问题，开始分析，然后解决这些问题，最大化地减少损失。
指标体系的作用包括：
● 监控业务情况；
● 通过拆解指标寻找当前业务问题；
● 评估业务可改进的地方，找出下一步工作的方向。
3.如何建立指标体系？
可以用下面的方法建立指标体系。
（1）明确部门KPI，找到合适的一级指标
一级指标是用来评价公司或部门运营情况最核心的指标。例如，某旅游公司在会员积分方面的开销较大， 业务部门关心成本，定的的KPI是合理利用积分抵扣金额，节省成本，所以该部门一级指标定为积分抵扣金额。
一级指标并非只能是一个指标，有可能需要多个一级指标来做综合评价。例如，某网贷公司产品部门的主要职能是开发出符合市场需求的贷款产品，在提升业务量（放款量）的同时，也需要监控业务质量（放款逾期率）。
根据市场和业务运营情况及时调整产品政策，所以该部门的KPI有两个：贷款产品放款金额、贷款产品的坏账率。
贷款产品卖的好光看「放款金额」还不够，还要关注毛利润，这才是真正赚到的钱。同时也需要看用户数，因为用户数直接和获客成本挂钩，要防止营销成本太高、实际没利润这样不可持续情况的发生。
所以该部门确定了三个一级指标：放款金额、毛利润、用户数。
（2）了解业务运营情况，找到二级指标
有了一级指标以后，可以进一步将一级指标拆解为二级指标。具体如何拆解，要看业务是如何运营的。比如销售部门一般按地区运营，就可以从地区维度拆解。市场部门一般按用户运营，就可以从用户维度拆解。
例如前面的案例中一级指标是积分抵扣金额，从订单维度拆解为积分抵扣金额 = 积分抵扣的订单数 * 平均订单抵扣金额，从会员维度拆解为积分抵扣金额 = 积分抵扣的会员数 * 人均抵扣金额。一级指标、二级指标指标的结构如下图。
（3）梳理业务流程，找到三级指标
一级指标往往是业务流程最终的结果，例如积分抵扣金额，是业务流程（会员-&>购买旅游产品-&>使用积分抵扣-&>支付金额） 最后的一个结果。
光看一个最后结果是无法监督、改进业务流程的，这就需要更细致一些的指标，也就是添加三级指标。例如，在业务流程中不同会员等级可以抵扣的金额不一样。不同旅游产品线可以抵扣的金额比例也不一样。所以，需要把二级指标按照业务流程拆解为更细的三级指标。
在会员业务节点可以拆解为LV1级会员数、LV2级会员数、LV3级会员数、LV4级会员数。在购买旅游产品业务节点可以拆解为酒店订单数、机票订单数、跟团游订单数、自由行订单数。最后，确定的指标如下图，因为一级指标、二级指标、三级指标的结构像金字塔，所以下图也叫做指标体系金字塔。
每个指标从3个方面确定统计口径：
- 指标含义：这个指标在业务上表示什么？
- 指标定义：这个指标是怎么定义的？
- 数据来源：从什么地方收集的原始数据？数据统计的时间范围是什么？
（4）通过报表监控指标，不断更新指标体系
前面步骤找到了一级指标、二级指标和三级指标，到这一步可以把这些指标制作到报表中，通过报表监控指标，不断更新指标体系。
4.指标体系有哪些注意事项？
建立指标体系需要注意以下4个问题。
（1）没有一级指标，抓不住重点
工作里最常见的情况是你获得的报表是从离职同事那里交接过来的，或者是领导给你的指标，你只是负责定时更新报表。但是为什么这样做报表？做完了报表给谁看？其实你是不清楚的。
弄清楚这些，需要知道一级指标是什么。如果不能围绕一级指标来做事会闹出笑话来。例如，某银行为了激励员工，根据KPI给分行经理制定的奖励规则如下：
投诉率最低的五个分行经理各奖励2000元现金；
分行客服月通话时长平均≥3.5小时，奖励3000元。
某个分行经理带领团队只放出贷款20万元，在150家分行中排名最后一名，但因为上面KPI达成的好，其收入反而比某些全额达成放款目标的分行经理高。这种不以一级指标（放款金额）为前提的激励方案就是无效的方案。
（2）指标之间没有逻辑关系
如果不按照业务流程来建立指标体系，虽然指标很多，但是指标之间没有逻辑关系。以至于出现问题的时候，找不到对应的业务节点是哪个，没办法解决问题。
（3）拆解的指标没有业务意义
有的报表上的指标很丰富，但是却没有实际的业务意义，导致报表就是一堆「没有用」的数字。
例如：在销售部门，最关注的是销售目标有没有达成，现在达成了多少，接下来的每天应该达成多少，哪些些区域达成最高，哪些区域达成最低。如果不围绕这个业务目标拆解指标，而是随意把指标拆解为用户年龄、性别，这就与业务没有任何关系，只是为了拆解而拆解。
（4）一个人就完成了指标体系和报表，也不和业务沟通
建立指标体系不是1个人能够完成的，需要业务部门（市场、运营、产品等部门统称为业务部门）、数据部门（这里把数据分析师所在的部门统称为数据部门）、开发部门相互之间进行协作。
业务部门会不断提出新的业务需求。如果业务部门认可数据部门做出的分析报告，并希望以后可以随时查询到相关的数据，那么数据部门会把数据产品化，也就是协助开发部门把数据产品做进公司后台系统，一般形式就是报表。
日常工作中，业务部门、数据部门、开发部门部门是像下图这样紧密协作的。
建立指标体系需要各部门紧密沟通，还需要对公司业务和各部门职能的深刻理解，也就是这本书后面章节的业务知识，在此基础上再根据建立指标体系的方法，不断进行尝试就能够搭建出合适的指标体系。
参考资料：
(本文内容选自书《数据分析思维》，作者：猴子 ? 数据分析学院）
电子书数据分析思维：分析方法和业务知识作者 春面 等会员专享￥ 69.30去查看?什么是指标？猴子的视频 · 7696 播放如何制作一张好看的报表？?www.zhihu.com
我结合发展的视角来谈谈我对数据分析师如何搭建数据运营指标体系的看法
一．指标体系的起源及实践
1.宏观经济学GDP统计体系
2.财务报表体系
二．搭建数据指标体系的目的
三．如何搭建符合业务发展的数据指标体系
一、指标体系的起源及实践
提起指标体系，首先不可避免的要去看GDP的统计体系，经过80多年的发展，已逐步成熟，但100年前既缺少对宏观经济的认识，也没有衡量不同国家经济实力的比较，只到西蒙·史密斯·库兹涅茨发布其专著《国民收入及其构成》，宏观经济学的统计体系才开始逐步搭建起来
最早对于GNP的构成，库兹涅茨将其分为农业部门、工业部门和服务部门（也就是后来我们听到的第一产业、第二产业和第三产业），按照其生产的增加值进行统计，首创了GNP统计的生产法，对于支出法主要来源于凯恩斯对于经济增长的三驾马车的观点（消费、投资、净出口），收入法是怎么出来的暂时没有找到出处，猜测跟财务报表体系有所关联（欢迎对此有过研究的同学提出）
GDP很好的说明了指标体系搭建的过程
1、随著业务发展的不同阶段确认不同的指标，从早期的GNP到GDP，在到当下的绿色GDP（虽然还未启用），对于业务同样，发展初期会以新增用户数、活跃用户数DAU等作为指标，成熟期后会逐步转化为交易额或者订单量，后期会转化为收入利润作为衡量业务的关键指标
2、根据业务的逻辑按照不同的维度来划分，如支出法、收入法、生产法，同样实际业务中也会根据业务的策略打法来进行维度的下钻
3、北极星指标是关键，GDP作为衡量国家实力最关键的指标，同样业务也是一样，找到衡量决定业务发展好坏的关键指标。
补充下，财务报表 同样是指标体系的鼻祖，其中是如何设计的，欢迎感兴趣的同学自己去思考
二．搭建数据指标体系的目的
搭建数据指标体系的目的主要有三点：
1、通过北极星指标帮助企业看清业务：北极星指标应能够最为精准地抓住企业为客户创造的核心价值；在公司层面设立一个指导全局的核心指标的同时，每一个团队也会有各自的北极星指标；能够通过指标体系展现现有的业务发展现状
2、指标能够将决策层的注意力引导到需要监督的事情上来。举例来说，只有你关注到订单量，你才可能会著手提高订单增长。虽然指标能够引导我们的管理，但我们必须要小心过犹不及。
3、解释数据波动，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
4、提高分析效率：数据分析师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
三、如何搭建符合业务发展的数据指标体系
1、指标的类型
A、先行指标、同步指标与滞后指标：类似于宏观经济和股票市场，企业的指标体系中也有类似的指标数据，如我们关注财务报表的净利润，先行指标是用户数（留存用户+新增用户）、付费率、留存率；同步指标是收入、交易额、抽佣比例等；滞后指标是净利润等。
先行指标（leading indicator)：具备预测未来可能发生某种行为的指标，先行指标可以指导我们在情况未发生时防微杜渐，提前做出改进措施。
- 我国宏观经济中常用的先行指标有：轻工业总产值、一次能源生产总量、钢产量、铁矿石产量、10种有色金属产量、国内工业品纯购进、国内钢材库存、国内水泥库存、新开工项目数、基建贷款、海关出口额、经贸部出口成交额、狭义货币M1、工业贷款、工资和对个人其他支出、农产品采购支出、现金支出、商品销售收入等共18项。领先指标的目的是预测企业周期中的转折点和估计经济活动升降的幅度
- 股票市场常用的先行指标：RSI指标、DMI指标、ARBR指标、BIAS指标、CCI指标、CR指标、KD指标、OBV指标、DMA指标。
- 互联网企业常见先行指标：如透过「销售漏斗」中现有的潜在客户数，你能大致预测将来所能获得的新客户数。如果目前潜在客户很少，那么将来也不会增加多少新客户。眼前，你可以努力增加潜在客户，这样将来就能得到更多的新增客户。
同步指标：又称为趋势指标，能够同步判断未来发展趋势的指标，研究同步指标的变化情况可以确定预测对象的发展状况。
- 我国常采用如下指标作为一致同步指标：工业总产值、全民工业总产值、预算内工业企业销售收入、社会商品零售额、国内商品纯购进、国内商品纯销售、海关进口额、货币流通量、广义货币M2、银行现金收入等共10项。
滞后指标：能够剔除掉假信号，被验证后的数据指标，它的用途在于预测未来的发展趋势，滞后指标有助于验证领先指标所表示的趋向是否真实
- 我国主要有：全民固定资产投资、商业贷款、财政收支、零售物价总指数、消费品价格指数、集市贸易价格指数等共６项。滞后指标有助于验证领先指标所表示的经济趋向是否真实。
- 股票市场常见滞后指标：KDJ指标、MACD指标、TRIX指标、VR指标、ASI指标、WR指标、SAR指标、ROC指标、PSY指标。
- 互联网企业常见滞后指标：如用户流失（即某一时间段内离开某产品或服务的客户量），等到你有机会收集数据，找出问题，往往为时已晚。已流失的用户不会再回头。但是，这并不意味著你就只能眼睁睁地看著后见性指标而无可作为（比如，你可以尝试降低用户流失率，再测试是否见效），只不过这有点像亡羊补牢：你不会再丢新的羊，但已丢失的找不回来了。
B、虚荣指标与可付诸行动的指标
这是埃里克·莱斯在《精益数据分析》中提到的概念，如果数据指标不能知道决策并带来业绩的改善，那就是虚荣指标，如总注册用户数、UV、PV、网站停留时间（time on site）/浏览页数（number ofpages）等
虽然没有给出明确的定义，但数据分析师搭建指标提供了指引，如果一项指标不能带来相关的管理动作，能够改变企业的行为，那么数据驱动决策只是空谈。
2、搭建指标体系的步骤
明确目标：根据当前业务发展的阶段，明确未来周期内主要的目标，形成北极星指标或北极星指标组；一般来说业务发展初期关注用户规模、新增用户数等指标，中期关注交易额或留存复购，后期关注收入或交叉营销ARPU；也可以落到单个业务策略和目标
建立指标体系：围绕北极星指标，按照OSM建立指标体系；通过业务流程、公式拆解等方法找出影响北极星指标的相关变数，以及影响相关变数的业务动作；所有与北极星指标相关的关键因素都在这个等式中有所体现，而这些因素相加共同驱动公司的增长；明确总览图，并且在总览图中将指标数据与既定目标进行比较
维度拆解：有了基础的指标体系后，为了能够下钻、切片等多维度分析，需要进行指标体系的维度拆解；维度拆解需要结合业务动作来进行，跟业务管理密切相关；一个好的指标体系能够直接看到业务动作—业务指标---结果指标的三级转化链路
测试验证：有了指标体系和看板后，运营同学可以通过反复实验测试，验证指标体系的有效性
3、搭建数据指标体系的方法：公式法、漏斗法、多维分析法
最近有同学面试的时候被问到，如何搭建数据分析指标体系?那今天就和大家来聊聊这个事情
阅读路线:
- 为什么要搭建数据分析指标体系？
- 如何来搭建一个数据分析指标体系？
- 如何使用数据分析指标体系？
- 数据指标体系搭建中存在的问题
一、为什么要搭建数据分析指标体系？
大家可以先考虑一个问题，为什么我们叫数据分析师，其实顾名思义就是希望我们能够用数据说明、衡量、预测业务的发展状况;比如说衡量一个淘宝店的业务发展，我们可以用一个核心指标--上月收入500万元，这个猛然一听感觉这个淘宝店的发展还是不错的，但是加个上上个月收入1000万元这个指标呢，营业额直接是下降了50%了。我们加了一个比较的指标，让我们对这个业务的发展认识完全不一样了，其实我们加入更多的指标，一起看淘宝店的业务应该还会有更多的认识。上面我们不断增加指标的过程，也就是在梳理业务指标体系的过程，一个数据指标是没有办法衡量业务的发展，但是一个指标体系就能把问题说的清晰明白。
二、如何来搭建一个数据分析指标体系？
1.数据指标
我们在搭建一个数据指标体系的时候，需要先了解下数据指标。一个合格的指标要求定义清楚完整，要说清楚计算规则也能讲地明白具体地业务含义，也即是要满足下面三个规则
a.指标意义:怎么用大白话说出来这个指标，它的目的是什么b.统计时间:指标具有时间性，需要明确是什么时间段的数据c.计算规则：是比例还是总数，是谁比谁还是谁加谁比如我们月销售额这个正是满足的
2.搭建指标体系的两个方法
- 根据组成成分建立
使用组成成分方法的时候，首先要确定下核心指标，比如我们知道零售中的销售额指标是核心指标，这时候我们就可以进行拆分的
销售额 = 购买人数 * 客单价，购买人数 = 用户数 * 付费率
拆分出来的一个个小指标就可以构建成一个指标体系，如下面的
- 根据过程进行建立
例如付费用户数量指标，产品通过网站、公众号、简书知乎来的，那就先有产品曝光量，然后带来的是注册用户转化率，再是付费用户转化率。
3.使用分类和判断标准强化数据分析体系
- 增加分类维度
有可能一件事是很多人、在很长时间内完成的。想知道总销售金额是怎么构成的，每个地区、每个团队分别完成多少，可以增加分类维度。通过分类维度，把主指标切成若干块，这样能避免平均数陷阱，把整体和局部一起看清楚。
- 增加判断标准
对于一些指标，我们会增加一些判断的标准，这样会是我们建立的体系更加饱满，常见的判断标准:
a.目标达成:核心KPI都有一个目标，达成和没达成就是最终判断的标准b.历史同期对比:假设产品每年的走势都是差不多，那只要比去年同期表现好就算达标c.竞品分析对比:以竞争对手为参考指标，比竞品好或者比行业平均表现好就是达标下面我们看一个增加维度和判断标准的数据分析体系
三、如何使用数据分析指标体系？
根据上面的要素建立起数据指标体系后，诊断业务中的问题来也会非常轻松。
1.先看主指标+判断标准，比如主指标是：销售金额，先看本月是否达标了，没达标差多少达标。再看年累计达标没有，有多少亏空/盈余。这样很容易看清楚：知道问题是什么，有多大。
2.再看分类维度，哪些区域没有做好，哪些区域做的好，是勉强完成还是持续上涨。谁有能力，谁是拖后腿的一目了然。
3.再看子指标/过程指标，哪个环节没做好，是推广太少了，还是成本太高了，是用户太少了还是付费率太低了。
四、数据指标体系搭建中存在的问题
1.指标选取没有实际指导意义
新媒体都追求微信公众号阅读数，如果靠阅读数做广告，那么阅读数有意义，如果是靠图文卖商品，那么更应该关注转化率和商品销量，毕竟一个夸张的标题就能带来很高的阅读量，此时的阅读量是虚荣指标。
虚荣指标是没有意义的指标，往往它会很好看，能够粉饰运营和产品的工作绩效，但我们要避免使用。
2.没有判断标准
指标体系不是堆积指标，是需要通过指标来分析产品的好坏。一个指标不是只要涨了就是好，跌了就是坏，是需要有判定的标准的
推荐阅读：
