数据指标体系的建设是和业务的发展相辅相成的，当数据指标体系比较完善时，我们的业务应该非常成熟了。

  如果业务才刚刚开始，我们就要建成完善的数据指标体系是很难的，而且是不切实际的。

  就算勉强有，这样的数据指标体系也是无根止水，因为业务是不断变化的，运营方式也会不断调整，大部分的数据指标都需要从业务结果和业务运营过程中去提炼总结。

  只有当业务很成熟时，运营方式比较稳定时，我们的数据指标体系才能初见成效，才能够有效的运转起来。

  但并不是我们在业务不成熟时，就不应该投入，除了一些可能贯穿这个业务阶段的数据指标外，我们在业务的各个不同阶段应该去发掘提炼每个阶段应该关注的数据指标，不断的迭代，随义务变化而变化。

  比如收入、利润率等财务类的指标应该是业务整个发展阶段都应该关注的，除此之外，在业务发展前期我们可能更会关注新增用户量、转化率、拉新成本等指标，而在业务发展后期，我们可能更加关注活跃率、留存率、运营效率等指标。

  数据指标体系不是一日建成的罗马，需要持续不断的投入，在业务发展的不同阶段有不同的小目标，当业务稳定时，这些小目标就汇聚成了最终的大目标。

  所以我们该在业务一开始的阶段就要投入，不仅是为业务阶段性的目标提供帮助，也是为最终的数据指标体系添砖加瓦。

  数据指标体系的建设确实需要一些专业的数据人员，需要依赖一些工具，但这并不是最重要的。

  就像上面说的，数据指标的目的是为了衡量业务好坏、帮助业务发展，因此数据指标建设最重要的是要对业务足够熟悉，能够深入业务，对业务的认识和了解甚至要超过业务负责人。

  这样看来似乎是老板或者业务负责人应该是数据指标建设的第一负责人，确实如此...

  在实际的操作中，数据指标体系一般也都是在老板和业务负责人的要求下去建设的，也只有拿到老板或者业务负责人的授权才好推动下去。

  因为数据指标体系的建设涉及产品研制、运营、销售，甚至财务、人力等方方面面，需要很强的协调能力。

  因此数据指标体系建设的负责人最好是资深的数据分析人员、产品经理或者运营人员，最好是一直跟随业务发展的同学，这样能极大的减少熟悉业务的成本。

  另外最好与老板或者业务负责人有比较好的关系，有稳定的沟通汇报渠道，因为他们才是数据指标体系的最大受益人。这样既能随时沟通，保证信息和认知一致，同时也能给自己提升影响力，更方便的协调各方资源。

  其他人力投入还需要一些数据产品经理（也可以是数据分析师）和数据开发同学，他们主要负责执行工作。

  数据产品经理或者数据分析师需要定义数据指标的概念、口径等，并整理成册，方便各方查阅，统一认知，在后期还要进行数据指标可视化呈现和分析。数据开发同学应该要依据数据指标口径清洗数据，建立好数据模型，方便数据分析同学取用。

  当然数据的清洗可能还需要研发、IT、运营、销售、财务、人力的各方配合，因为指标需要的数据不仅来源于业务系统，还可能来源于销售系统、财务系统和人力系统等各个地方。

  除了人力投入以外，可能还需要一些数据开发工具和数据分析工具。这些工具可以自建也可以采购，自建的话投入更多的人力即可，但一般中小企业或团队采购的方式可能更划算。

  总的说来，要建设一个完善的可投入实际运用的数据指标体系，投入应该是很大的

  如上所说，数据指标体系只是整个数据分析体系建设的第一步，数据指标体系之后还有很多数据分析的工作，这才是利用数据指标体系产生更有价值的阶段。

  所以我们的组织架构并不仅仅只为数据指标体系的建设去设立，在大多数情况下要为整个公司或团队对数据的收集、运用去设立。

  根据之前数据中台的建设经验，这个团队需要具有跨业务部门共享公共数据的能力，能够承担数据中台建设职责，这里面就包含了建设数据指标体系的能力。

  为了能够公正公平衡量各个业务好坏，它必须是一个且独立于业务团队的部门，这个团队的负责人应该直接向老板或相关高管汇报。

  为了避免与业务脱节，对这个团队的组织定位是懂业务，能够深入业务，扎根业务。在个团队内部，可以由三个小团队构成：

  数据分析团队，这是数据指标建设的核心团队，负责数据指标体系的规划，指标口径的定义和维护，分析报告产出等；

  数据平台团队，负责构建支撑数据指标体系的平台，包括指标系统、元数据中心、数据地图等；

  数据开发团队，负责清洗数据和数据建模，维护公共数据层，呈现各个数据指标结果，以及满足各个数据指标定制需求。

  适合的团队构成和组织定位是建设数据指标体系的必备工作，最好是独立的部门，同时要避免与业务脱节，能够深入业务，要与业务目标绑定。

  上面这样一些问题在没有专门的团队来负责数据指标体系这事之前也许可以原谅，但有了专门团队之后，就不应该出现。

  所以数据指标体系建设的第一步就是建立好指标管理规范，依据业务需要迭代和更新指标内容，最好是建立一个指标管理系统，能更方便的更新和维护我们的指标内容。指标管理也有些技巧可循，例如：

  可面向主题域管理，拆分原子指标和派生指标，制定指标命名规范，将指标进行分级管理等。

  第一级是北极星指标，他是公司最重要且唯一的指标，当其他指标与它冲突时，以它为准；

  所谓数据指标体系，肯定是能够用数据衡量的指标才有意义，所以建设数据指标体系的第二步就是需要为给每个数据指标建立数据模型，提供数据支撑。

  建立数据模型的关键是数据的收集和清洗，这十分依赖每个公司的信息化建设完善度，对于一般的运营数据还好，数仓团队就能处理好。

  如果涉及销售系统、财务系统、人力系统的数据就会挺麻烦，特别是采购的各个不同的厂商的系统，需要大量的成本来打通各个系统，否则需要大人力来提取和拆分各项数据，这个工作量就极大，而且容易出错、效率低下，最头痛的还是相关的人力协调。

  不考虑数据的收集和清洗的话，数据模型建设其实是考验的我们数仓设计能力和模型开发能力，当然现在市面也有一些现成的工具和平台，不需要很强的技术能力就可以搞定。

  但是也有一些点要求我们注意，例如尽可能的避免分散、烟囱式的数仓模型，最好建在一个可复用、可共享的平台上，还可以用完善度、复用度和规范度来评估模型设计的好坏，这些都能够提升我们开发的效率和质量。

  最后一步就是指标数据的呈现和数据分析，只有将有数据指标的数据反馈出来，数据指标才有意义。我们一般会为数据指标体系建立一套看板系统或报表系统。

  在更高级的使用阶段，能轻松实现自助取数的功能，让业务人员能够自主获取个人需要的指标相关的数据，打破报表或者看板这种固化的分析思路，不用事事依赖分析师同学。

  为了可以有效的进行更加全面的进行数据分析，还要实现数据的全维度钻取，因为分析师同学一般也只能依靠经验去判断一个指标有哪些可分析维度。

  如果我们的指标系统可提供一个指标的所有的可分析维度，还可以根据需要呈现指标在各个维度下的取值，甚至能够不同维度组合进行层层下钻，这样就更容易找出指标波动的原因，这就是全维度钻取。

  这样就可以在一定程度上完成数据驱动下的精益运营，可以在一定程度上完成从目标量化、持续跟踪、异常诊断到决策反馈的数据驱动业务闭环。

  免责声明：本公众号所发布的文章为本公众号原创，或者是在网络搜索到的优秀文章进行的编辑整理，文章版权属于原本的作者所有，仅供读者朋友们学习、参考。对于分享的非个人独创的文章，有些因为没有办法找到真正来源，如果标错来源或者对于文章中所使用的图片、链接等所包含但不限于软件、资料等，如有侵权，请直接联系后台，说明具体的文章，后台会尽快删除。给您带来的不便，深表歉意。

  特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。

  新版《成都市物业管理条例》10月1日起实施，业主有权提出物业费调价，车位不得只售不租

  雷军回应小米SU7亏损情况：在巨亏的行业里不要谈性价比，纯电轿车基本都在亏损【附小汽车产业链分析】

  主板IPO丨亚联机械过会逾半年仍未成功注册，大手笔分红逼近监管红线天2起！新能源车当街起火烧毁

  iQOO Neo9S Pro核心配置曝光：8 Gen3+120W+1.5K

  消息称索尼 Xperia 1 VI 手机将于 5 月 17 日发布，机身变宽

  Nothing发布升级版The Ear 和 Ear (a) 耳塞 只需轻轻一捏就能进行GPT聊天

  Nothing Ear /（a）无线耳机发布：透明外壳设计，售价 99 美元起

  斐耳 FIIL GS 开放式无线蓝牙耳机开启预售：LDAC 协议，429 元