编辑导语：随着互联网的深度发展，各行各业基本都开始利用数字化工具，这时候指标体系显得尤为重要。本文围绕指标体系的建设，结合案例，分析定义、意义及其构建过程等内容，推荐对此感兴趣的伙伴阅读。

先来说一个场景：

在开始今天的主题之前，先让大家体会一下这样两个关于目标的场景：哪个场景你觉得更好更加清晰一些？

场景A：我们公司今天要做的更好，订单类要比去年多很多，引进更多的头部商家，做电商领域最棒的公司！广告部，你们要把营收提上来；业务部门，你们要把业务范围开拓得更大！

场景B：经过和去年同期的对比，在结合一些外部环境，2022年，我们全年的目标是GMV可以破1000w，这是在去年基础上增加10%。其中，电商类业务线作为主要业务，要承担GMV目标的70%+，完成700W的GMV，同时完成订单量10w+，都是在去年的基础上增加10%，以下二级部门按照这个进行合理的拆解。广告部门今年的目标是……..电商部门负责人拿到这个目标后，按照用户侧、商家侧、供应链三方分别进行合理的拆解。

用户侧按照漏斗情况，进行拆分，并且把目标分给各个部门，且转化率需要提升……..在业务发展的各个阶段中，你是否有以下的困惑？

当处于业务的新生期：

• 作为管理者：应该如何衡量业务发展的进度？
• 作为业务负责人：每个环节需要用啥来进行合理评估？如何通过数据快速发现问题？
• 作为一线业务：如何科学衡量活动做的好不好？所花费的钱到底有没有达到目的？

当处于业务的发展期：

• 作为管理者：业务在持续增长的过程中，如何更加合理的进行目标制定？如何提效？
• 作为业务负责人：如何快速发现所负责业务的情况？
• 作为一线业务：做了留存相关的活动，不知道人有没有很好的留下来？……

当处于业务的成熟期：

• 作为管理者：如何实现降本增效？如何提升工作效率？如何降低成本？并且发掘新的增长点？
• 作为业务负责人：如何进行规范化、标准化？如何推动精细化运营？
• 作为业务负责人：如何进行规范化、标准化？如何推动精细化运营？
• 作为一线业务：如何把活动策略进行精细化投放？提高每次活动的钱效？
• 作为一线业务：如何把活动策略进行精细化投放？提高每次活动的钱效？

一个解法：在你要解决上述所有问题之前，你都必须先进行最为核心的一步：指标体系搭建！

一、指标体系的定义

在讲解指标体系之前，我们先来说说啥是数据。

咱们先来看下维基百科中的定义：“ 数据是通过观测得到的数字性的特征或信息。更专业地说，数据是一组关于一个或多个人或对象的定性或定量变量。”

我们来拆解一下这句话中的关键词：

数据的产生方式：是通过观测得到的。观测是利用我们的感官主动去进行获取

• 通过眼睛看到的：形状、大小、颜色、数量
• 通过鼻子闻到的：气味

数据的形态：是带有“数字性”的特征或者信息。

• 可以被数字化的结果。例如：3个人、6只猫
• 可以被准确描述的定语。例如：天空是蓝色的、篮球是圆形的

指标体系就是数据的标准化。对内，可以用于企业中组织管理、业务反应、战略调整等各个方面的重要基础。对外，指标体系作为数字经济的基础，可以拉动其他产业的转型升级，是未来几年的重要方向。

可以说，在数字化的时代，建设一套好的指标体系是必须具备的核心武器！

二、指标体系的意义

无论是传统行业和互联网行业，几乎每个公司都要做数字化的改造，指标体系的相当于数字化改造的核心地基，如果没有地基，直接做上层应用也只不过是空中楼阁，非常容易倒塌。

指标体系对企业有如下的重要意义：

1. 更好进行管理

指标体系的搭建首先可以自上而下进行组织和管理，已经对每个部门进行更加合理的目标设定和管理。

2. 更优打造业务

从产品、生产、采购等各个业务领域进行规范化、一体化。

真正做到数据相通，通过搭建的指标体系快速找到关键点，明确各个环节的问题，提升人效和钱效。

3. 更早构造壁垒

正如大家所熟知的AI、元宇宙等未来的发展，这些都是要建立在数据积累的基础上，数据开始的建设周期较长，有些“吃力不讨好”的感觉，但是只要把指标体系建设好，且长期的维护下去，这些数据本身也是企业的重要资产以及竞争的核心壁垒。

三、搭建指标体系的过程（重点！）

其实，搭建指标体系是一个不断认真思考企业业务本质的过程，搭建一套好的指标体系可以让企业更好地进行革新优化，提升更多的人效，释放更好的钱效。

经过多年的行业经验，我总结出了一套可以适用于近乎每家公司的指标搭建方法，起名为“ 指标体系构建四步大法 ”。

搭建流程：Step1 盈利模式→Step2 业务模型→ Step3 指标分类→ Step4 搭建选型。

Step1：盈利模式

搞清楚公司的盈利模式是啥，这一步很重要，或许你会说我们公司现在还没有开始盈利，但是长远来看必须有这样的公式，盈利模式是公司大的风向标和旗帜。

按照经验来看，我们通过是否节省时间和是否直接提供价值，一般会把盈利模式分为4种，分别是：

自研+流量模式：费时间+直接提供价值

这类模式会以内容类业务为代表的，提供图文视频各种类型的（免费or付费）内容，通过大量的流量获得广告收入。例如：爱优腾、得到这样的业务。

免费模式：省时间+直接提供价值

这类模式会以工具类业务为代表，其核心功能是免费，但是会以增加些增值服务来收费。例如：一些美化图片的app、一些日历类app。

 佣金模式：省时间+间接提供价值

这类模式会以交易类业务为代表，主要核心在于撮合BC交易从而获取手续费。例如：阿里、京东等等电商app。

流量模式：费时间+间接提供价值

这类模式会以社交类业务为代表，主要通过大量的流量来获取广告费用为生。例如：微信等为主的社交类app。

以上每一类商业模型的收益公式都不一样，咱们今天只选其中的一种模式来详细讲解——佣金模式。

从上述公式可以看出，如果你要将利润最大化，你需要做的无非是提高单笔应收和单量，或者降低分账比例和管理费用。这个公式就是佣金模式下的利润公式。

Step2：业务模型

拿到了利润公式，接下来很重要的一步就是要进行拆解了。

第1层拆解：由于是做佣金模式，必然涉及到BC两端的人，卖家和卖家，需要撮合更多的交易，这样企业才有更大的利润可以获得。所以业务模型的第一层拆解，先区分B和C两端。

第2层拆解：突出平台在B和C两端充当的角色。

平台相当于是在管理天平的两端，首先要保持平衡，在这个基础上不断扩大两边规模，此时可以通过一些策略来扩大规模。

例如：平台准备购物节等活动，或者给与买卖两方一些劵作为刺激两边消费的利器。此时业务可以拆解为：买家端、买家端、订单相关、策略相关等等。

Step3：指标分类

如何进行更好的指标管理呢？和图书馆的数一样，当然是分类！历史类的、文学类的、社科类的等等更好的分类，可以更清晰的把指标进行归纳和汇总，方便管理和维护。

L1战略层：企业的核心指标

相关指标：盈利战略目标、增长战略目标。

L2管理层：各个部门的核心指标（注意横向拆解）

相关部门：人力资源部、产品部门、研发部门、广告部门、运营部门、供应链部门、客服部门等等；

相关指标：

• 人力资源部——公司离职率；
• 运营部门——订单GMV、订单利润；
• 产品部门——产品上线数、新增用户数；
• 广告部门——广告利润等等；

L3业务层：每个部门核心指标的拆解下放到各个二级部门（注意纵向深入）

我们以运营部门为例：订单利润=[活跃用户数*转化率]*[客单价*（1-分账比）]

其中，活跃用户数又可以拆为=新生用户、留存用户、衰退用户、沉默激活用户；

转化率可以拆解为app使用人数和打开率、加入购物车人数和转化率、下单人数和下单率等等。

以上每一个指标都可以作为运营这个大部门下的各二级部门的目标指标。

要注意：很多指标光靠一个部门其实是无法实现的，所以在给各个部门划定目标指标的时候，要注意各个相关部门的联动，设置一些主背指标和共背指标。

这一层我们重点找一个比较核心的部门进行下介绍和拆解，我们就拿比较有代表性的运营团队来进行说明。

Step4：搭建选项

梳理清楚业务模型后开进行数据模型选型，每种方法都有各自的特点，并且会适用于不同的环境中。具体选择哪种数据仓库设计方法取决于组织的业务目标、业务特性、时间、成本、不同组织单元之间的而有所差别。

一般常用的选型有三种：

1. inmon模型：（详细介绍可戳XXX）Inmon 三范式建模的方法适合长期稳定的业务，所谓“长期稳定”是指：“时间方面，业务整体的数据建设可以经得起长时间的打磨；成本方面，由于inmon建模需要专家团队的支持，所以需要能接受较多的支出。”
2. kimball模型：（详细介绍可戳XXX）Kimball维度建模的方法更加适合快速激进的业务，所谓“快速基金”是指：“时间方面，业务处于快速扩张要快速看到效果；成本方面，没有较多较为专业的团队来支持相关建设。”
3. inmon+kimball混合模型。

小结：

这个小结重点介绍了指标体系的搭建过程：

第一步：盈利模式 。重点看下企业所处于那个象限。不同的象限有不同的利润公式。

第二步：业务模型 。进行业务过程的抽象和还原，把控核心的业务流程，将模块进行抽象。

第三步：指标分类。根据第二步业务模型抽象的结果，整合指标分类。L2管理层是对横向各个部门的核心指标进行划分，L3业务层是对纵向进行深入分类，每个部门核心指标的拆解到各个二级部门。

第四步：搭建选型。选型一般分为三种，inmon模型、kimball模模型、inmon+kimball的混合模型，需要根据具体的业务形态进行选型和区分。需要详细了解两个模型的逻辑和原则，三言两句无法讲解清楚，建议大家看下相关的几篇文章，这样可以更好的进行实战。
已添加： 第四步：搭建选型。选型一般分为三种，inmon模型、kimball模模型、inmon+kimball的混合模型，需要根据具体的业务形态进行选型和区分。需要详细了解两个模型的逻辑和原则，三言两句无法讲解清楚，建议大家看下相关的几篇文章，这样可以更好的进行实战。

四、 一些真实应用的场景

场景说明：电商业务线需要提升15%的利润。

Step1：利润公式拆解

订单利润=[活跃用户数*转化率]*[客单价*（1-补贴率）]-管理费用

Step2：业务模型拆分

这个公式中可以拆分为3个视角，人数、客单价、管理费用。

下单用户数需要进行拆分：新用户、成长用户、成熟用户、衰退用户、沉默激活用户。

一般情况下，80%以上的订单由成熟用户贡献，所以还需要将成熟用户进行细拆，RFM模型就很合适，成熟-低价值用户、成熟-中价值用户、成熟-低价值用户这三类，每一类的客单价都不同，可以针对每一类用户进行客单价目标的制定。

平台支出：这里一般包含两类：管理费用和补贴率。如果要扩大利润，毫无疑问是要降低这两部分的支出。

但是这里要特别注意的是，补贴率和管理费用不能无底线降低，如果平台给与买卖双方的活动补贴少了，很容易被竞品去“挖墙脚”。所以这两部分费用是需要有底线的。不然，平台整体的体验也会大打折扣。

Step3：指标分类

业务模型中的人数、客单价、补贴率、管理费用，主要和买家运营、卖家运营、活动运营、策略运营相关。我们重点以买家运营视角来进行分类说明：买家运营需要关注三个方面。

1. 目标人群的转化：这部分要从用户行为方式去分析。从打开app→加入购物车→下单→付款→完成付款，这个核心路径来去观察，哪个部分的转化需要提升；
2. 客单价的提升：从不同价值的用户去看，低价值用户如何提升到中价值，中价值如何提升到高价值；
3. 补贴率的控制：如何进行精细化运营，提升每次活动的补贴率；

五、各大公司的指标搭建实例

由于各行业对于数据的准确度要求有所不同，像交易类业务对数据的准确度要求非常高和精确，所以在选取讲解的公司时，我会选取一些这方面搭建比较好的公司去说。

1. 电商头部：阿里巴巴

在指标体系建设这个方面，阿里巴巴算是标杆，在《大数据之路：阿里巴巴大数据实践》一书中详细讲了 OneData 方法论，大家可以详细看看，具体实施起来需要从数据架构方法、数据模型的设计方法以及数据标准化几方面入手。

OneData整体的架构图如下所示：

业务板块: 根据公司的业务方向进行划分，以阿里巴巴为例，业务板块分为：核心电商业务、云计算业务、数字媒体和娱乐业务、创新业务以及其他。（摘自阿里巴巴财报）。每个版块下面又细分了子业务，例如国内零售业务：淘宝、天猫等等。

数据域：对应业务子版块下进行数据域的划分，我们以淘宝业务线为例，数据域这部分分为交易域、买家域、买家域、财务域等。我们以交易域为例，看下他的业务过程和维度等。

业务过程：在拆解业务过程的时候，需要把业务拆为一个个不可拆分的行为事件。浏览商品、加入购物车、点击下单、进行支付、收到货物、确认收货等等这些都是业务过程。

原子指标+修饰词+时间周期：原子指标是指不可再切分的指标，例如：完成订单数、支付次数这些都是不可再次切分的原子指标。以支付次数为例，修饰词可以用花呗、支付宝、银行卡等等。时间周期有：近1天支付次数、近30天支付次数等等。

维度：可分为维度属性和粒度。

度量所生成的表就是明细事实表，派生指标所得到的表就是汇总事实表。

2. 团购头部：美团

随着促销系统不断发展，平台趋于稳定，再结合各活动类型，及对需求的整理和进一步产品化，选择了3NF+维度建模为基础的模型方法论，对数据进行合理划分和整合，构建了运营专题数据体系。

数据规范的制定也是指标字典和服务层规则引擎抽象的基础。首先同业务达成共识，制定数据一致性标准，统一口径。同时将核心指标和个性化指标进行抽象，抽取统一规范定义，例如：月初到月末的整体交易类GMV和补贴类GMV，其原子指标是GMV，其它要素都属于指标的修饰。

可以说美团的这套指标体系的搭建其实是基于阿里巴巴onedata技术上的，根据这个体系结合美团现在的业务情况得到的结果。

六、建设注意的事项

在进行指标建设时，以下3点需要好好关注下：

第一点：把握核心业务模型。虽然每个阶段的业务模型是不一样的，但是在建设初期一定要较为细致和认真的考虑后续的扩展情况，这样后续可以少做改造。业务模型的制定对于整个指标体系的搭建起着至关重要的作用。一定不能忽略这个部分。要反复并且不厌其烦的和业务同学进行沟通，摸清业务的内核以及发展方向。清晰业务框架。

第二点：小步迭代逐步完善。指标建设可以有个完整的规划，但是在建设过程中，要区分轻重缓急，按照优先级进行区分。

第三点：具体问题具体分析。在进行指标体系的搭建，有各种各样的模型，以kimbal和inmon为例，两者各有侧重范围，也可以根据实际情况进行混合使用。

关于第5部分的内容参考情况如下：

书籍：《大数据之路：阿里巴巴大数据实践》

文章：美团点评运营数据产品化应用与实践

本文由 @业务数智化 原创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