在数据驱动决策的时代，构建科学合理的数据指标体系是理解业务、评估效果的关键。不同业务场景有着不同的逻辑，对应的指标体系也各有侧重，明确这些体系的类型与构建逻辑，能让数据更好地服务于业务。

很多同学问：“有没有普遍的、一般的指标体系梳理方法？”网上常见的指标体系分享，大多是互联网的AARRR一类，现实中情况却很复杂。

普遍的方法当然有，就是基于业务逻辑，梳理指标体系。

从本质上看，数据指标体系有4大类型，针对四个不同的业务逻辑。今天来系统介绍一下。

评估型

“这个产品质量咋样?”“这个活动效果好不好?”“这个客户群值不值得做？这种用数据指标，评价一个东西好/不好的指标体系，即为评估型指标体系。

注意，做评价不一定用数据指标体系，比如产品质量咋样，可以简单粗暴看销售数量。但只看一个指标会出问题，比如销量好，但利润低；销量好，但口碑差。

评估型指标体系，主要就是解决：单一标准评估有偏差的问题。

因此在构建此类指标体系的时候，重点就是考虑：

• 从多个指标反映质量高低
• 各个指标之间尽量不重叠
• 区分各个指标重要性
• 各个指标的可比较性

评估型指标体系，指标之间关系常常是并列关系（如下图）：

评估型指标体系的难点，主要是考虑问题的全面性和指标数据采集可行性。这里特别要注意：数据指标可采集性。

很多同学一提到评估，就会随口说：NPS、用户满意度、用户意向之类的指标。

问题是：

1. 这些指标打算怎么采集？
2. 用问卷的话，能覆盖多少真实用户？
3. 用其他指标，能否合理评估情况？
4. 意向这种预测指标，到底怎么预测？

如果不回答清楚这些数据采集问题，即使指标听起来很好听，也没法落地，还会找挑战。

流程型

“我们的销售情况怎么样”“我们的生产进度怎么样”“我们的研发情况怎么样”这种用数据指标，表示一个流程完成进度、完成结果的，即为流程型指标体系。

这里就包括大家最熟悉的交易流程（漏斗分析）模型。实际上，只要符合：

1. 有明确的终点
2. 有好几步环节
3. 每一步有滚动投入资源

都可以用类似漏斗分析法，构建数据指标体系。

不仅仅是交易流程或者用户留存情况，生产、研发、采购都能这么考虑问题。

只不过在这些过程里不存在每一步衰减，因此不存在漏斗的逻辑。

在这些流程里，考虑的是交付时间、质量、成本（如下图）。

流程型指标体系是四大类里最简单的。因为流程的环节、终点都很清晰。目标清晰的情况下，指标体系都容易梳理。

流程型指标体系，最怕的也是数据采集，特别是过程数据采集。很多toB行业的分析做不下去，就是因为流程指标缺失太多。

包含型包含型指标体系，一般是把一个大指标向下拆解成若干子指标/分析维度之和。我们熟悉的杜邦分析法就是这个逻辑，把一个大指标向下拆分。

包含型指标体系，一般用于诊断问题。因为子指标+分类维度，能把问题具体到某个业务部门和动作，所以能更好地发现问题源头，找到解决对策。

但是注意：包含型指标体系的诊断能力，是建立在：“主指标本身能说明问题”这个基础上的。比如用杜邦分析法的时候，就默认了：“利润”是主要问题。如果利润不能说明全部问题，而是还要考虑顾客体验、市场份额等等的时候，就不能指望一套包含式指标体系解决所有问题，需要对每个问题，单独建指标体系，进行解答。

影响型

之所以叫影响型，是因为运营动作一般是叠加在正常流程之上的，产生额外的效果。正常有一个销售节奏，做个活动会额外刺激销售；正常有一个用户留存曲线，做个会员奖励，额外刺激用户多留存一段。

影响型数据指标体系，就是要把：叠加、额外两个点讲清楚。

此时，要考虑的指标复杂一些

1. 需要有一套数据指标，反映业务正常节奏
2. 需要有一套数据指标，描述叠加动作本身
3. 需要有标准，判断业务本身的表现好坏
4. 需要有标准，判断额外效果

因此，影响型的指标体系会格外复杂。比如做一个商品促销活动的指标体系，它需要考虑：

• 正常销售指标（商品销售数量、购买人数、金额、；利润）
• 活动的运作情况（活动目标人数、达标人数、奖励领取数，活动本身投入）
• 正常销售走势VS活动增量

这里活动增量可能有好几个算法。比如：

• 从时间上看，可以区分有活动/无活动时间
• 从商品上看，可以区分有活动/无活动商品
• 从人群上看，可以区分有活动/无活动人群

但是每一种方法仔细推敲，都有不成立的地方。因为即使没有活动，商品也有自己的销售趋势（自然增长率问题），很难找到100%相似的商品和人群。

而且商品促销，还可能有透支效应（商品的粉丝用户趁便宜提前囤货，导致后续减少）所以在构建影响型指标体系时，设定合理的判断标准，异常麻烦，经常会有争吵。当然原则上，符合业务需要的就是好标准，不见得事无巨细考虑每种效应。

但是要提醒同学们，在这一部分工作的时候格外谨慎，随口说几个指标，会给后续工作带来麻烦。

综合运用

四类指标体系以上四类区分，能帮我们梳理清楚思路，应对工作中的问题。

因为在工作和面试中，提问的人很少会主动区分：“到底是啥场景？到底业务是啥逻辑？”而是泛泛地说：“我要怎么评价这个XX？我要看哪些指标？”此时，对于数据分析师来说，就得时刻保持清醒

举个简单的例子：

1. “分析一下我们的产品”
2. “分析一下我们产品的改版计划”
3. “分析一下我们产品的改版效果”
4. “分析一下我们产品改版回馈活动”

是四个完全不同的场景，需要的配套指标体系完全不同同时，是啥产品，也得细看：

• 交易型产品：主流程就是交易，促成交易就是最终目标
• 内容型产品：用户行为散，变现形式多，得多角度观察
• 工具型产品：功能是固定的，但用户使用广度、深度有差异

这些都是在构建指标体系的时候需要考虑的要素。也正因如此，我才推荐同学们，不要试图“熟读并背诵”某几个数据指标，而是掌握梳理数据指标体系的能力，后续就能以不变应万变了。