企业数据指标体系构建与应用的挑战、方法及未来展望
在数字化转型浪潮中，各行业对数据分析的依赖与日俱增。众多企业虽积极投身数据驱动发展模式，却深陷数据指标困境：数据指标杂乱无章，构建缺乏方向，应用更是无从下手。
当下，不少文章聚焦数据指标底层技术原理，然而对企业而言，如何科学构建贴合自身业务的指标体系、怎样将这些指标高效应用于实际决策场景，才是破局关键。否则，前期投入的大量人力、物力、财力都将付诸东流。
基于此，我曾在一场直播峰会上，针对企业数据指标的核心痛点，分享了一套切实可行的思路与方法。现将直播文字内容整理发布，期望能助力企业管理者、数据从业者拨开迷雾，对数据指标体系形成更透彻的理解，进而在企业内构建起高效、实用的数据指标体系，真正释放数据价值，推动企业持续增长。
数据指标应用的现状：
数据量大幅增长：目前各行各业的数据量已经有了大幅增长，之前可能很多企业面临没有数据，找不到数据的情况，但现在已经有所改变，毕竟数据资源上升到数据资产的时候，意味着整个社会的数据量已经出现冗余的情况。
数据多源异构：数据量多，数据来源多源，数据结构多样，数据治理应用难。
构建数据指标分析体系：数据指标应用面临诸多难题，数据应用是全链路的工作，包括底层、中台、数据治理等内容。
数据指标应用挑战：
指标口径不一致：业务线多，业务部门多，业务主题多，业务问题多，指标口径不一致，是比较常见的问题；
数据质量差：在数据分析支撑决策上，数据质量是很大的问题；
数据指标构建慢：数据指标生长的土壤是数仓，业务的消费方、使用方不了解数仓的代码与计算规则，需要构建数据指标时，会很大程度依赖于数字化部门的数据分析师/数仓工程师，因此在构建数据指标时，整体的速度、效率是比较慢的；
数据很多，不知道怎么用：数据很多，怎么梳理，有哪些指标，要哪些指标，怎么搭建相关指标；
指标很多，不知道怎么用：指标很多，怎么组织应用到相应的业务赋能上；
指标怎么建，才有用：业务赋能、业务实效需要建怎样的指标体系。面临这些现状与挑战，从数据指标层面来实现企业数据运营是非常关键而且重要的。
中台、数据治理、数据分析、BI、智能化运营、CDP、算法模型等，这些归为数据项目，数据项目从开始到结束投入巨大的精力、人力、现金，有请外部服务商，也有依靠内部团队自研来做数据项目。
当前从各个行业、各个企业的落地推行情况来看，很多数据项目结束就荒废了，面临建完后就不再维护，缺少维护，如各系统从中台进行分发，后面可能不继续经过中台做分发。项目做完后没产生多大的业务价值，其 ROI 不成正比。如 BI 报表项目，结束就废掉了，很多部门不用，仍然使用他们原来的 Excel。还有数据治理项目，数据治理最后成了数字治理，项目结束了，没有业务部门、业务人员愿意进行持续性的、长效性的运维与运营。
现在流行建设数据指标平台，也面临同样的问题，问题的根源在于并没有帮助业务解决问题。指标建设乃至所有的数据项目、数字化项目，其意义在于业务应用。
（1）数据指标的定义与分类数据指标是一组量化的标准或度量，用于衡量特定业务目标或性能方面的表现，从而帮助企业监控进度、评估效果并作出更明智的决策。
数据指标工作，涉及到建立原子指标和派生指标。建立原子指标、派生指标难度并不大，难度在于这些指标有没有业务意义？上了一个指标平台，建了上百个、数百个乃至上千个指标，它的业务价值在哪里？这对于企业来说是最为有价值的点，也是最困难的点。
在构建指标时，除了理解它的定义，以及在底层技术方面需要做的工作，更应该关注的是指标的分类以及意义。指标的设计构建是规划类的工作，原子指标的构建可以引导构建派生指标。
指标的分类，可分为业务类指标、目标类指标、层级指标以及周期指标。
业务类指标：如财务指标、人力指标、营销指标、销售指标等跟企业业务主题、业务域相关。为何按业务域进行划分？在于指标要去到不同的业务域，去到不同的业务场景下，它本身才有业务价值。若没跟业务结合，那就是一个百分比例，一个数字而已。
目标类指标：描述类指标、预测性指标、诊断性指标。指标要解决什么问题？是描述业务的场景、业务特征，还是基于原来的业务数据做预测，去辅助决策；还是诊断性的来判断当前这个业务模块、业务产品它有什么问题、哪些问题？
层级指标：指标有层级之分，需要划分层级，一级指标，二级指标，三级指标；
周期性指标：临时性指标、短期指标、长期指标；指标在定义的时候，只是临时性的构建，用于短期解决临时性的业务问题、或短期的业务板块、业务产品的监控、诊断的短期性指标；整个企业的北极星指标，是指标的核心，可长期使用的长期指标。
（2）数据运营的定义与重要性
数据运营是指通过数据驱动的方式来提升企业的各项运营能力，包括产品、内容、用户、活动等多维度的运营，核心是实现优化业务流程，提升效能等目标。
数据运营的范围：产品运营、用户运营、活动运营以及增长运营等均包含在内，目的在于让一切的运营工作有据可依，决策是客观且科学的。
（3）数据指标是数据运营里最细的分析粒度
对产品的生命周期，在不同的周期阶段，设立不同的指标来帮助我们去实现更好的运营工作。这就是数据运营与数据指标在宏观层面的一个关系。数据指标支撑从宏观走向微观，从规划走到具体的落地。在数据运营里，可能会借助 BI、报表以及各式的平台，在这些载体中数据指标是数据分析最小的颗粒度，数据指标往下就是原始数据。
在业务决策时，会去问销售额、客单价、客流量，这些都是数据指标的一个代表，以及它的量值，不会去看原始数据，因此在做数据运营时，必须将每个模块都拆出一系列的数据指标，如产品运营、用户运营、活动运营，以下是一些例子：
产品运营：注册用户数、增长率、使用时长、转化率、留存率、客户满意度等都是产品运营的核心数据指标，通过将产品不同生命周期阶段的业务流转化为指标进行分析、监控，可以更好地帮助产品优化、迭代。
用户运营：注册用户数、获客成本、用户的活跃度、留存率、转化率、流失率是衡 量用户运营成功与否的关键指标，这些指标可以帮助企业更好地做用户增长与复购。
活动运营：活动的参与度、转化率、活动响应人数、ROI(投资回报率)是活动运营的核心指标，帮助企业对当次活动做更深入的复盘。
（4）数据指标的核心：北极星指标
在构建数据指标时，需要关注北极星指标，但不能过度关注。北极星指标是指企业用来衡量其核心业务价值和成长的核心指标。它是一个单一的、最重要的度量标准，能够反映出企业的核心价值主张是否被市场接受，并且能够指导企业的所有决策。
北极星指标的价值：
北极星指标的构建不可能只建一个，因为所有的决策都不是由单一的指标来促成的。如果做数据分析，陷入到单一的这个指标，那数据分析、数据价值就到天花板了，没体现出来。
因此北极星指标的建立需要关注此指标可以解决哪些问题？能够让所有的管理者以及业务决策人员可以聚焦到核心业务问题与价值点。如互联网的 APP，要追求增长，就必须关注新注册用户数这一个指标，这个是能够引领整个 APP 所有业务工作、业务流程，往目标去实现的一个指标；那还有产品活跃度？很关键的指标就是日活。
如何找到北极星指标：问一下自己，自身的产品、平台、业务、品牌，哪些指标是能够去监测、诊断你的生死存亡的？比如互联网 APP，其北极星指标是新注册用户数，它可以衡量这个 APP 是在朝前发展，还是滞后、停滞了，这是非常典型的指标，还包括收入、日活、留存数等典型指标，能够关系到整个业务的生死存亡，因此选取这些指标作为企业的北极星指标。
（5）数据指标赋能企业数据运营
数据产品、BI 平台、报表平台、指标平台这些平台都是产品，这些平台如何去有效做产品运营？跟商业化的产品运营，是有共同点的。
首先要找到在产品运营中关键的指标，如注册用户数、新增用户数、日活、留存等能够关系到整体在产品运营、业务发展的衡量、诊断的指标。这些关键指标很关键。在构建指标体系时，指标的建设是有重要性、优先级的。很多企业建了五六百、上千个标签，其实很多标签是冗余的，在打这些标签时，若业务问题不能解决，其业务价值也不大，那就沦为凑数滥竽充数了。
如何识别关键指标，比较通用的一个方法是去拆分产品的一个生命周期，可以按照产品的生命周期分阶段来构建，这样更能够助于产品的运营。其次是分析关键指标背后的业务动因：如一家互联网健身的 APP，当前的新增用户数下降，可能跟品牌的市场推广有关系，或者是当前的一个营销活动的一个不足、策略不足，导致出现异常了，这些都息息相关，影响了最终指标的表现。可以从这一指标拆解出来很多业务问题，这些业务问题可能覆盖很多的业务部门，这些就是要解决的业务问题，由此帮助提升新增用户数这一指标。用户数上去了，APP 的营收上去了，由此可以实现企业利润这一唯一的关键北极星指标。技术人员不是单纯的帮助搭建指标，构建原子指标、派生指标等工作，工作价值的衡量不是以量取胜，是因为了解这些工作，了解数据从生产到消费到应用整个环节的工作，知道指标的价值体现在哪，如何体现，不然很多工作其实是无效的。
要建数据指标体系，但是不知道该怎么建？有很多的数据指标，但是好像没有看到什么价值。这是一个很大的难点、问题点。而且不同行业，同类方向的企业，内部的管理问题、业务流程问题，都是不相同的，在构建数据指派体系是有差异的。
构建应用型数据指标体系涉及到3步骤：
找到业务目标；明确构建维度；具体执行。
（1）实施步骤 1：找到业务目标
第一步是找到业务目标，如何去找？明确你要实现什么目的？要实现销售额的提升、实现会员数的增长、实现品牌的声量，这些都是目标，都是你的目的，进行选择。有了目的，要解决什么问题？就涉及到过程指标，有哪些过程与关键动作？这些动作要有对应指标来帮助实现？接下来是要实现什么样的战略目标？所有的工作不能脱离企业的战略规划，要讲体系，是一脉相承，横向、纵向都不是相互孤立、独立的。
（2）实施步骤 2：明确构建维度
第二步是明确指标构建的维度，指标构建有很多的路径，很多的方法，很多的思路，那要选哪一个？有哪些维度是与该目标相关的，是按照业务域还是业务主题，要在整体的商业框架下去找指标，是很关键的步骤。
（3）实施步骤 3：具体执行如何执行？
构建原子指标，做数仓，做逻辑模型，要理指标跟管指标。管指标区分责任人，谁来提，谁来负责？这些都是执行层面的工作，这些工作包括了指标要不要分类？怎么分？指标定义如何组成？有哪些原子指标？有哪些派生指标？指标的治理也是这阶段需要关注的。
有了要实现的业务目标，执行很关键？执行脱节了，那整体的战略目标是不能实现的。
（4）指标体系助力企业持续运营
整体的数据指标体系，帮助企业运营的一个最大的价值点是长期的持续性、长效性。无论是业务运营、内容运营，还是产品运营，都是要可持续性的，要有长效机制。有一些短期的指标，也有一些长期的度量指标。
帮助业务实现运营、复盘一体化，完成闭环。数据指标体系从构建开始，有各种基于不同业务需求的指标类型，这些指标可以帮助企业做业务的复盘，完成闭环。
帮助流程优化。流程整体比较长，像一个用户生命周期，有始有终、有开始、有结束、有中间、有发展、有高潮，可以利用数据指标来进行优化。
经营事务的监控、评估。如做产品运营，对产品的监控跟评估指标是比较多的。还有活动的评估，这方面的指标是相对比较广泛的。数据指标体系在运营层面能解决问题主要集中体现在以上三点，还有一些细小的价值跟不同企业不同的业务状况相挂钩。
数据指标体系，有一个很重要的问题，就是数据质量差，这是各家企业都面临的一个通病。为此需要数据治理以提高质量，数据治理包括元数据治理、主数据治理，还有参考数据治理，还需要关注指标治理，指标治理也是企业数据治理范畴。关注指标是否规范、指标由谁来管、变更流程等等。
（1）指标数据治理应用示例
比如一家在线教育平台，发现用户活跃度下降很厉害，但是公司各内部所有的数据指标都比较混乱，部门口径也不一致，如何来解决？
首先是对于指标的拆解，要区分业务动因？业务动因可能会涉及多个业务部门，多个业务部门可能口径不一致，计算逻辑也不一致，这个时候很难通过单一指标来进行多方面业务的提升。因此第一步是要找到关键的核心指标。用户活跃度跟哪些业务动作，业务实现的指标相关，然后对问题进行拆分，弄清楚涉及哪些部门、哪些指标、哪些责任人后，可以邀请各业务部门来进行协同、分析，然后再进行指标的定义跟口径的统一，接下来是执行层的构建原子指标、派生指标，并进行清洗、加工跟计算，最后是整体解决方案的业务流分解。
回到例子就是通过对于用户活跃度下降很厉害这个业务问题进行相关的指标拆分、责任拆分、业务拆分后，然后有了明确的指标观测，然后明确这些指标下降涉及到哪些业务流程、哪些业务环节，包括了哪些业务问题？哪些责任人？分工比较明细，环节比较清楚后就可以进行解决方案的业务流的分解。
以应用型的数据指标治理涉及到四个环节，尤其要关注第一个跟第二个点，明确这两个点它的目标是什么？这是要比较清晰的。
（2）指标治理流程
对于流程拆分可以借助做指标治理的流程。做指标治理要进行的五个步骤。
一是找到要实现的业务目标与问题，并进行业务目标与问题的拆解；
二是找到其相关的关键指标与关联指标，关联指标不能忽视，做分析、做决策，不能只靠单一的指标，单一指标是不能够解决任何的业务问题。做决策，如果只根据单一指标，跟原来拍脑袋还是一样的，还没有真正走进数据分析驱动业务决策，实现数据运营；
三是在从关键指标再找到关联指标后评估当前的数据现状；每个企业都要做数据治理，当前的数据质量很差，很多的 500 强企业也是同样的情况，所以在做业务决策之前，如果数据质量有问题，数据本身就是错误的，那后面的决策肯定就是错误的。在前期做数据的清洗、加工、治理，然后分析决策。若源头的数据是错误的，那就是浪费时间。所以一定要进行数据的评估，到底是数据缺失、数据异常，还是数据的不完整？这些问题它的源头在于业务操作，可能在业务录入的时候有问题，或者做系统标准的时候有问题的，具体进行业务问题的追溯与明确，可以帮助更好对业务进行处理；
四是制定治理方案进行治理，针对具体的数据不完整、数据有缺失等问题点来制定方案；
最后是治理的执行。这几个步骤是各个企业在不同行业里做指标治理都是必经的流程。
数据指标治理中的最大挑战
数据指标治理当中有三个问题点，是非常大的挑战。
跨部门统一；
找到关键指标及关联指标；
数据质量问题是否能解决。
第一个挑战是跨部门的统一。跨部门的统一是非常难的。不同的部门，如销售部的负责人、市场营销的负责人，各个部门都有自己的业务分析的需求，有自己的口径，这其实是合理的。要做整个企业级的统一，就意味着有可能要砍掉某些口径，这对于各部门来说其实是不能同意的，在整个治理当中面临的不仅是业务的问题，还有人的问题。人的问题首先第一关就是如何说服业务部门的管理人员放弃原来的口径与计算规则来认同当前要设立的相关指标口径，这是相当有难度的。
第二个挑战是要找到关键指标及关联指标。这个挑战很多人会忽略掉，或者可能只关心北极星指标，只关注北极星指标，关联指标很容易被遗漏，一旦遗漏意味着决策所衡量的维度与视角是不完整的。毕竟从传统的经验决策走向数据决策的一个最大的亮点是科学性与客观性，如果所关注分析的指标视角不完整，那跟原来的经验拍脑袋决策其实是没有区别的。
第三个挑战是数据质量的问题能不能解决。数据的现状，数据的缺失性、完整性，质量问题不是发现了就能够解决的，有些其实是无解的。比如做预测，可能用到数据指标的数据，整体的年限周期拉得比较长，这个时候会发现两年、三年以前的数据是很难去追溯的，能追溯也很难去解决。所以这里其实有个问题，第一个是质量到底有没有问题？第二个是这些问题到底能不能解决？这在整体的数据指标治理中是非常复杂与常见的问题。
总体的挑战问题是这三点，这三个也不是全部的挑战。这三个问题不仅仅在数据指标治理中是有的，在主数据治理、元数据治理，以及 BI 报表的数据整理工作当中，也面临着这几个挑战。数据治理的艰难不仅仅是这三个问题，每家企业有每家企业不同的问题点，需要结合大家的实际情况去做分析。
数据指标治理工作的未来展望，能够覆盖更长链路，实现从底层的数据治理、指标构建、指标需求管理、指标需求全链路的自动化实现、智能化加持。
数据治理是相当困难的，有人的问题、业务的问题、技术的问题，到了指标构建阶段也存在这三方面的问题，到了指标需求的管理，需求指标的定义，特别是指标消费，指标消费不仅是分发到不同的应用系统，是指标能够支持业务运营、业务决策，这是整个指标消费完成的一个动作点。在整体的链路当中，人干预的越多，问题越多，而且还越复杂。未来的展望是指标从生产到消费，能每一个环节都实现智能化。
底层数据治理，可以实现智能定标、智能纠偏、智能分析；
指标构建可以实现自动化，可以智能化构建，不需要人工去干预，能根据业务策略以及经营、运营的目标来帮助进行指标构建；
指标需求的管理，能智能识别，哪些需求是合理的，哪些需求不合理，哪些需求是已有的，哪些需求是未有的；
指标消费，能够支撑不同的业务场景，不同的业务问题的解决，这是在大模型加成之后最大应用点的展望，也是最复杂的，是当前各行业、各企业面临的社会性的难点。结合当下的数据资产入表，入表最难的一个工作点还是在应用层面，数据有没有价值，如何体现？若整体链路通过大模型、AI 的加持能够实现半自动化或者说 90% 的自动化，那未来的价值会走得更长远，也会被更多的管理者甚至企业的老板所发现。
本文由人人都是产品经理作者【风姑娘的数字视角】，微信公众号：【风姑娘的数字视角】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。
题图来自Unsplash，基于 CC0 协议。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。