编辑导语：提到挖掘业务分析指标，你会想到什么？很多人可能会直接的去罗列业务指标，这个方法虽然简单粗暴，但是缺乏技巧性。这今天这篇文章中，本文作者为我们分享了一种新的模型建立方法，即从业务模型挖掘业务指标。

最近在处理敏捷开发产品模型的指标分析，其实这里最头疼的一点就是——挖掘相应的业务分析指标。

通常在分析业务指标时，常用枚举法直接罗列，跟业务贴合也比较直观，但这种做法容易遗漏，所以自己一直在思考一种新的模型建立方法，以下拙见。

一、业务模型

业务模型指的是针对某个业务场景而定义的，用于解决场景化问题的一些模型的应用。

一个『组织』经过『流程』，处理相关『事』『物』，这三类最终形成这个业务场景，所以一个业务模型里通常包含四类：人、事、财、物。

• 人：主要是指这个业务模型里所涉及的各类业务的相关组织以及角色；
• 事：该模型所涉及的业务对象；
• 财：这些业务有无涉及成本和收益两项，其中投入的人力也算成本；
• 物：投入的资源和产物。

可以根据这种方式将业务梳理为相应的脑图：

二、业务指标

所谓的业务指标，是指此业务的数据记录，经过统计设计与分析后被用作的了解业务的相关数据指标。

想要建立数据指标，就要先了解下数据分析里的一些基本概念，这里就赘述一下。

1. 统计对象

在统计学中，统计研究对象是指统计所要认识的客体。

而这里的统计对象就是指某个业务或某个分析的目标导向，例如：公司统计每位员工的加班时长，员工可说是统计对象，『员工的加班时长』也算是具体的统计对象。

2. 维度

维度是事物或现象的某种特征，如性别、地区、时间等都是维度。每个业务数据都相当于一个点，该业务的某个属性都相当于一条线。

例如：一个评论业务的数据构成——“用户”A在“时间”B创建的“内容”为C的评论，用户、创建时间、内容这三个属性就是评论数据的三条线，而这三个属性也就形成了这个业务的三个维度。

3. 序列

序列是呈现在图表上的特殊内容，一堆统计数据集合中的某一类分组，也可以理解为某一维度下的细分维度。

如下图：图中有两个维度，分别是：产品类型、地区类别，而图例中的苹果汁、牛奶这些细分的产品类型就是序列。

4. 指标

指标是用于衡量事物发展程度的单位或方法，也称为度量，指标大致分为两类：

1. 绝对指标
2. 相对指标

指标陷阱

统计相对指标时，最好要体现绝对数，否则可能掉进相对数陷阱。例如：看相对指标发现矿泉水涨价50%，而实际是1元的矿泉水涨了5毛。

而在横向对比绝对数时，也同样注意绝对数陷阱。

例如：小明挣了1万，小王挣了2万，单看钱的绝对数以为小王挣钱能力强。但可能实际是小明是用1w本钱挣的，小王是10w本钱，所以应该是小明挣钱能力相对较高。

5. 统计口径与范围

一般来说，统计口径分为财务口径和业务口径，不同的口径计算指标和范围也不同。统计口径，通常为时间、地区、人员等。

6. 简单示例

还是以上文中的评论业务的数据为例：

如下图，在以【属性B】为维度，数量为指标统计数量时，统计到的信息就是 b1为0，b2为2；而如果反过来【属性A】为维度，数量为指标再次统计时，得到的是 a1为1，a2为1，a3为0。

当然也可以将【属性A】和【属性B】都体现出来，例如以【属性B】为维度，【属性A】为其中一个序列统计数量，数据的呈现方式就会如下所示：

一个业务的若干数据汇集起来就如同一个多维的立方体：

三、分析方法-梳理出可能指标

了解了业务模型的划分和数据分析相关概念，就要动手理清该业务里有哪些业务指标了。

1. 模型到指标

常见分析方法：MECE、PEST、5W2H、时间管理、生命周期、逻辑树、金字塔、SMART等。相关模型：OSM模型、AARRR、漏斗模型、杜邦分析、归因、SWOT等。

在实际数据分析的过程中，可以参考一些模型理论，不过这些理论都是在高空中的指导思想，想要将其和实际工作结合，要搭建自己的”通天梯”。

当没有业务模型时，我们应该按照业务梳理出对应的业务模型。有了业务模型时，接下来的工作就是要尽可能全和细地组织出相关指标，可以参考以下两个步骤：

2. 表格组合

为了不遗漏相关业务指标，可以结合业务模型，将任意两个角度进行组合（使用乘法方式），得出相应的绝对数指标，然后再剔除。

例如：根据上文业务模型，先以人为维度

3. 按业务过程拆解

有了上面的表格组合，已经把部分指标尽可能罗列出来了。

但是还是有些指标是维度组合不到的，这个时候就需要再查看一遍业务的流程图，注意业务环节，分析业务目标（一般来说做某个业务都是为了达到某个目标）。

分析和拆解业务过程的时候，就是发现业务各个细小目标的过程，也是发现相对指标的过程。想一想用户保存这条业务数据是为了记录用户的工作时长，还是为了整理相关客户的某些属性资料。

例如：做一个任务，目的是为了让任务成员在指定时间范围内（可能是某个截止日前）完成相应工作，结合业务情况就可以考虑【任务完成率】【不同状态（完成、未完成、超期完成等）任务数】等指标。

如果对鱼骨图使用比较清晰的话，你也可以使用鱼骨图将其罗列出来。

并结合下文，指标挑选使用情况来梳理相关可能遗漏的指标。

四、挑选有用指标

数据分析是质量管理体系的基础，筛选出有意义的指标能帮助我们更好地管控好业务质量。

所谓指标有意义，对人、对事所涉及的影响不同。

某项指标可能对于高层管理者来说意义不大，但是对于具体工作人来说却可以指明工作量，所以在挑选指标时就要考虑其意义，不同角色通过这个指标能发现什么，能带来什么效益。

在挑选指标时可以结合两种情况考虑：

1. 按使用对象

指标罗列出来，就是为了让人去观察和使用的，而使用对象可大致分为两类：

1. 管理者
2. 执行者

管理者就是业务的掌管角色，从管理时间上又可以拆分为：事中管理和事后管理（由于是通过数据分析管理，所以暂时去除了事前管理），管理最主要的任务就是从整体上协调资源。

而执行者则通过个人事务的管控来实现“个人把控质量”，所以执行者的一些绝对指标可以作为相应的KPI。

2. 从业务战略出发

所谓从业务战略出发，也就是从业务根本需求考虑。而在考虑这方面时可以从两方面考量：

1）管过去

无论是管理者还是执行者，管过去都是为了复盘：

• 发生了什么
• 为什么发生

2）看未来

所谓的看未来，就是相通过历史根据变化趋势来研判。

• 将来会变成怎么样
• 应对措施

通过这方面的考虑，可能就会发现有部分指标在组合时被遗漏掉了，我们就可以补上。

五、数据呈现方式

最后，讲到数据的呈现方式，有了指标自然需要呈现出来，总体上呈现方式尊重两个原则：

1. 以变化看趋势
2. 以同口径看对比

以变化看趋势：常用的是时间的变化，通过时间的演变观察历史的变化规律，同时推演未来可能发生的情况。

以同口径看对比：若是统计对象自身比较，分为 同比和环比。若是不同统计对象之间比较则是对比。正所谓“没有对比就没有伤害”。

至于具体的表现形式，可以参照下面这类广为流转的图：

参考：

数据分析师重要技能
数据分析必须想清楚的两个概念：指标和维度

本文由 @29号同学 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