从0开始建立数据指标体系

互联网人在工作中和数据打交道的场景非常多，然而普通的数据工作与形成体系的数据工作有什么不同呢？怎样让数据分析工作形成体系，大大提高数据分析的效率？一起来看看这篇文章，作者从数据指标体系讲起，希望能给你的数据分析工作带来启发。

最近求职课的很多同学都找到了满意的工作，进入大厂。为了提升同学们的职场竞争力，陈老师特别推出一个系列文章。从数据分析的基础方法到具体问题处理，系统讲解一下。第一期，当然得从数据指标体系讲起。因为几乎所有数据分析工作都会提“建立数据指标体系”。

同学们现实的困惑是：你说报表我就见过，我天天都在更新。可这玩意怎么就体系了呢？做了体系又怎么样呢？为啥我不觉得我做的是体系？今天系统解答一下。要讲，就从数据指标讲起。

一、为啥需要数据指标

以下话是不是经常听到：

“大概有1万多人吧”

“有很多顾客都不满意”

“感觉我们门店都没人了”

不确定、不具体、不准确。

我们平时过日子都是这么说话的。没毛病，因为具体的消息是有很大成本的，大部分时候我们就是随口说说而已。但是企业经营要是都靠这个那就死翘翘了，花多少钱赚多少钱都不清楚，老板非气得翘辫子。

数据指标就是对抗这种不确定的。

如果我们把上边的表述改成：

4月1日新注册用户9800人，超目标1000人

4月1日当日A产品退货100件，累计30天退货率2.5%

4月1日全国到店用户30万人，到店率30%，低于32%的期望值

是不是爽快多了。这就是数据指标的直观用途。

二、为啥需要数据指标体系

实际工作中，想要准确说清楚一件事是挺麻烦的，比如我们想说：“2月份A产品卖得非常棒！”如果对方想较真的话，可以挑一堆刺出来（如下图）

一个问题，往往有很多方面，只用一个指标不能充分说明问题。这就需要一组有逻辑的数据指标来描述，这就是数据指标体系。

三、数据指标体系五大件

1. 第一要素：主指标（一级指标）

用来评价这个事到底咋样的最核心的指标。比如说：“产品卖得好”。直观地想到是“销售金额”这个指标，因为这是我们卖货直接收到手里的钱，钱多了当然好。

每个指标得有以下要素：

• 业务含义：在业务上它的意义是……
• 数据来源：哪个系统采集原始数据
• 统计时间：在XX时间内产生的该数据
• 计算公式：如果有比例、比率，得说清楚谁除谁；如果是汇总，得说清楚谁加谁。

注意：有可能需要多个主指标，来做综合评价。比如产品卖得好，光看金额还不够，可能还要关注毛利，这才是真正赚到的钱。可能还得看销售数量，因为销售数量和库存直接挂钩，得防止积压太多。这样就至少有了三个主指标：销售金额、销售件数、销售毛利。

2. 第二要素：子指标（二级/三级指标）

主指标可能由几个子部分构成。比如：

销售金额=用户数 * 付费率* 客单价

如果销售金额没达标，我们会很好奇：到底是购买的客户少了，还是卖的人不够多，还是卖得太便宜了，了解细节有利于我们找到真正的问题，这时候就得拆解子指标。

3. 第三要素：过程指标

主指标往往是最终的结果，比如B2B行业的销售金额，是销售线索-售前跟进-需求确认-产品体验-价格谈判-竞标-签约这一系列过程最后的一个结果。光看一个最后结果是无法监督、改进过程的。如果想更进一步管理，就得看得更细一些，从而添加子指标（如下图）

4. 第四要素：分类维度

有可能一件事是很多人、在很长时间内完成的。想知道总销售金额是怎么构成的，每个地区、每个团队分别完成多少，可以增加分类维度。

通过分类维度，把主指标切成若干块，这样能避免平均数陷阱，把整体和局部一起看清楚（如下图）

5. 第五要素：判断标准

即使有了以上四个点，我们还是不能说：A产品卖得好。因为好是个形容词，是和差相对的。因此就需要一个对比的参照物。参照物的选择，本身是个复杂的分析过程，需要做深入的分析。

在构造指标体系的时候，往往这些判断标准是和当前数据一起呈现的。这样在看数据的时候，可以直观地做出判断，使用起来就很方便了。

四、数据指标体系如何发挥作用

小结一下，构成指标体系五部分是：

有了这五部分，诊断起问题来非常轻松。

先看主指标+判断标准，比如主指标是：销售金额，先看本月是否达标了，没达标差多少达标。再看年累计达标没有，有多少亏空/盈余。这样很容易看清楚：问题是什么，有多大。

再看分类维度。哪些区域没有做好，是不是一贯做不好；哪些区域做得好，是勉强完成还是持续上涨。这样谁有能力兜底，谁是拖后腿的一目了然。

再看子指标/过程指标。哪个环节没做好，是线索太少了，得加大推广力度；还是跟进成功率低，得提升销售能力；还是报价总miss，得增加一些折扣。怎么处理问题一目了然。

可以说，做好了数据指标体系，基本上能干60%数据分析师的活。好的数据指标体系，就能让业务人员看一眼就知道该在哪里干，该往什么方向干，非常好用。

注意：基于指标体系的诊断，只解决战术问题，不解决战斗层面的细节问题。

比如这些问题：

• 我没有思路，该怎么设计方法？
• 我有三种方法，哪种更适合当前问题？
• 我想用方法一，成功几率有多大？

这些用专题分析的方法更容易解决。毕竟报表报表，只是报告状况的表，至于未来怎么干，得有更针对性的分析才行。

五、如何构造数据指标体系

1. 第一步：明确工作目标，清晰主指标

这是最重要的第一步，先整明白：我做这一堆指标为的是什么。把主指标树清楚，后边判断标准才知道围绕谁做，子指标才知道对应哪些流程。只要是在企业上班的部门，都有各自KPI，因此主指标是肯定能找到的。

2. 第二步：清晰判断标准

这一步也非常重要，涉及到这是“一个有用的报表”还是“一堆花花绿绿的数字”。什么算“好”是一个非常关键的问题。

既然已经找到了主指标，就得为它建立配套的判断标准。这样才能解读数据含义，才知道怎么看分类维度。常见的有四类标准（如下图）。

当然，立标准本身是个很复杂的分析，也可以做得很复杂。但最后，哪些算好，哪些算不好，得区分得很清晰。

3. 第三步：了解业务管理方式，找合适的子指标

有了主指标和主指标的判断标准以后，可以进一步梳理子指标。子指标和业务管理方式有直接关系。

比如销售金额，既能以分公司为单位进行指标拆解，也能以用户为单位进行。具体怎么看，要看业务能怎么管这件事。比如销售一般按区域管理，那就按分公司拆。市场一般按用户管，就按用户拆。总之，业务方便最重要。

4. 第四步：梳理业务流程，设定过程指标

过程指标理论上越多越好，越多过程指标，可以越细地追踪流程，发现问题。但在业务上，不见得每个动作都做了数据采集，因此要结合具体业务流程来，在关键节点加以控制。

5. 第五步：添加分类维度

有很多维度都能当分类维度，选用哪些，完全看业务上能从什么角度管理问题。把对管理有意义的维度加进来。（如下图）

这样就搞掂了一个数据指标体系，过程一点不复杂。大部分时候，实际问题是：没做过数据采集，没有数据记录可以做指标。这才是最头疼的。然而问题是：为啥看起来简单的过程，做出来却没那个体系化的感觉呢？

六、为什么我做的不是指标体系

常见问题一：没有主指标，不知道在干啥。

这是最常见的问题。很多同学的报表是从离职同事那里交接来的。为什么做？做了给谁看？看了又怎样？一问三不知。反正每天照猫花虎，定时更新就好了。

有些同学试图搞清楚，但是业务方自己是糊涂蛋。你问他：你们目标是什么啊？他答：提升GMV啊~~亲，GMV这么宏观的东西，他到底管哪一块？提升的话从多少提升到多少？提升到多少算满意？丫自己做方案也是照猫画虎，稀里糊涂，更不要说和数据分析师讲清楚了。

常见问题二：没有判断标准，不知道说了啥。

这个是另一个常见，且致命的问题。很多同学都是盲目更新报表，数据列了一大堆，到底什么算“好”什么算“不好”，不知道。或者只是天真地认为：涨就是好，跌就是不好。结果引出特别多笑话（如下图）

常见问题三：没有拆解子指标，对着主指标发呆。

这个问题往往是部门分工问题的后遗症。

常见问题四：没有按业务流程构造子指标，单纯堆砌数据。

很多同学构建数据指标体系，喜欢堆砌数据。放一堆指标以显得丰富。可实际上如果不按业务流程找子指标，指标之间逻辑性就很差，看起来经常莫名其妙。更不要说，很容易弄出来类似“你幸福吗”这种稀奇古怪的玩意。

常见问题五：没有根据业务选分类维度，胡乱拆解。

把用户性别、年龄、地域、VIP等级、来源渠道、终端型号等等维度一通丢，显得报表很丰富，实际上业务意义不清楚。

你问他为什么拿男女分类，他答：分出来差异大……至于差异大了还能咋样，业务上有没有能力针对性别做事情，又不知道了。

以上种种问题，本质上都是没有站在对业务有用的角度进行思考。单纯地为了搞指标而搞指标。

这和工作习惯有直接关系。很多同学不是试图自己去理解业务流程，了解业务目标，而是去找一个“权威”“正式”“完美”“通用”版的指标体系。结果就是只会到处抄抄抄，看似做了很多，结果连看数据的人都没几个。

想改变，当然得从基础抓起，不要觉得我有个“数据XX的头衔”，就得看各种高深的算法理论才算有用。搞理论是科学家的事，在企业上班就得干点实际有用的东西。想助力业务，当然得从一线业务认真研究起。