过往的一些互联网方法也可以应用到新能源车企上，具体怎么用呢？作者结合互联网数据产品（指标体系设计）在新能源车企的实践，与大家谈谈，希望对你有所启发。

22年初，笔者转行到了新能源车企的自动驾驶业务部门，截止到11月初把公司内自动驾驶业务下的部分数据产品也从0到1搭建、运营了起来，如指标体系、标签体系等。而上述这些产品都借鉴了之前在互联网行业的一些方法，并且取得了一些不错的效果。今天我就通过本篇文章和大家聊聊新能源车企（自动驾驶域）指标体系相关数据产品参考互联网行业方法的实践。

一、互联网指标拆解方法回顾

在互联网行业，设计指标的方法是：一横一纵。

横，指标结构的分类，通过业务层级结构对指标结构进行分类。

以商超、电商营销域指标体系为例，营销通常是以活动的形式进行，先找出业务的核心关注点，即：营销（流出去的优惠费用）+销售（流进来的营收）。那我们就可以把营销域按照营销、销售先分为两类。了解过商超、电商业务的同学应该知道，如果再往下拆解，营销又可以分为两类：营销类型、营销来源。营销类型是优惠券、返利等营销类型；而营销来源，即这个营销费用来自供应商还是平台等。按照这个思路，我们就可以依照业务关注点再一层层拆解，最终就得到了指标体系的结构。

纵，指标的细分，通过杜邦拆解的方法找出需要关注的具体指标。

先学习下“杜邦拆解”，网上有很多解释，我这里给一种简单的释义：将指标按照数学关系拆解出因子指标。还是以商超、电商营销域指标体系为例，先找出北极星指标，即：销售额。再按照杜邦拆解找到不可以再拆解的所有指标，例如“销售额” = “客单价” * “下单用户数”，“客单价” = “实付金额” + “促销金额”，按照这种方法一层一层拆解即可。

二、新能源车企的指标体系设计实践

在设计ADAS行车功能模块的指标体系之初时，面临的问题是指标从0开始设计、业务也从0开始学习、部门高层们也没有太多想法。既然接受了任务，干就完了。

1. 横，梳理指标体系结构

当时一级部门目标有4点：

1. （功能线路）供给可用率>**%
2. 辅助驾驶主责事故 < *次/亿公里
3. 用户满意度>**
4. 投诉率<**%

围绕这4个目标，可以倒推下指标体系的主体结构。“供给率”代表的是功能渗透，“事故率”代表的是功能安全性，“满意度”、“投诉率”可以统一到功能满意度。因为是针对功能的指标体系设计，所以可以再借鉴下互联网对产品功能基于成熟度的划分：能用 < 好用 < 易用。结合行车功能的成熟度评估标准，能用即可用，好用即舒适度，易用即效率和连续性，整个指标的主体结构就搭建好了（如下图）：

再一层层拆解后，指标体系的结构基本初见面貌，部分展开如下：

2. 纵，细分拆解指标

功能指标拆解可以套用杜邦拆解的方式，如“用户接管”分类下，“用户接管率” = “预期接管率” + “非预期接管率”，还可以按照紧急度，再拆解为“紧急接管率”、“非紧急接管率”。

因为功能指标有一定的业务属性，有些指标在按照杜邦拆解的方式时，还得结合功能的场景来拆解。以“导航变道”分类为例，连续性需要关注成功率，而“导航变道成功率”就得基于功能场景进一步拆分为：主路调整成功率、汇入主路成功率、驶出主路成功率。

按照这种方式将每个分类下的指标均完成了拆解（仅展示部分）：

依赖上述的结构和拆解指标，终于确认了标准的指标体系。同时在可视化展示设计时，也按照这种标准结构进行了划分，方便了各业务方对功能指标理解达成了一致。

最后的结果也和大家分享下，相关数据应用已经服务了自动驾驶的体验设计、功能研发、线路供给、订阅运营等团队，并协助体验经理推动了研发对相关功能稳定性的优化，推动解决了匝道高精地图覆盖率低的问题等。

结语

在上篇产品文章中，曾引用过《让大象飞》中的一句话：“所有的创新都是从模仿他们之前的某种东西开始的，这就是我们学习的方式”。我想在这节课中，这句话依旧可以借鉴。

从互联网转行进入新能源车企近两年的时间里，之前积累的知识依旧可以在新的领域支撑着我的工作。除了本文提到的指标体系设计有了成功的实践外。

在自动驾驶-安全域的场景库设计中，我参考“人、货、场”的电商场景结构，对“驾驶员信息”、“车辆信息”、“场景信息”进行了拆解展开，最终的整理也收到了算法、业务同学的一致好评。

这篇文章就到此结束了，后续的产品文章中，有机会我将再补充一些案例分享给大家。如果你有其他想法，欢迎在下方留言评论~