数字化转型过程中，很多企业面临着指标体系不完整的问题。比如：

各部门根据业务需求，都有一部分量化指标，但不够全面，对企业整体数据分析应用能力提升的帮助有限；

缺乏整体考量而设置的指标体系，以及错误的指标分析方法，会产生错误的分析结果，进而影响企业经营层面的决策。

相比于单一指标的“出现什么问题，分析什么”，成体系化的指标“通常能够结合问题所在的背景、串联各个指标、通过各种维度进行分析，从而使优化方案更加有针对性”。

在数据分析中，一个好的指标体系可以帮助你更快、更精准的找到答案。那么应该怎么进行指标体系建设呢？

本文大师兄就带大家梳理一下。

一、指标体系建设

1、通用原则

用户第一：指标体系核心是围绕反映实际业务情况的目的去的，因此，指标不是越多越好，更不需要“虚荣指标”。

典型性原则：尽量选择比较典型、比较具备代表性的指标，这些指标能够反映业务的真实情况，其中最重要的指标叫做“北极星指标”。

系统性原则：指标体系是需要强调系统性的，常见的就是找到核心原子指标，然后延伸，最终形成类似二叉树一样的树状结构指标体系，让每个指标有根可循。

动态性则：数据指标体系是随着业务发展变化、随着数据分析需求变化的，因此需要不断地去做指标体系的维护与迭代更新。

2、通用方法

（1）确立北极星指标

北极星指标就像北极星一样，高高闪耀在空中，指引着全公司所有人员向着同一个方向迈进。制定北极星指标的6条标准：

标准1：你的产品的核心价值是什么？这个指标可以让你知道你的用户体验到了这种价值吗？

标准2：北极星指标要具备典型性，能够看出长期一段时间的变化情况与表现情况的好坏

标准3：如果这个指标变好了，是不是能说明整个公司是在向好的方向发展？

标准4：这个指标是不是很容易被整个团队理解和交流呢？

标准5：这个指标是一个先导指标，还是一个滞后指标？

标准6：这个指标是不是一个可操作的指标？

（2）贯穿业务全流程

比如，电商行业常见的AARRR模型包含获取、激活、留存、变现、扩散五个步骤，这也是电商行业产品和商业模式的业务全流程。其实，任何一个企业的指标体系都需能够对企业内部的业务全流程做闭环串联。

（3）贯穿分析全流程

做分析的过程往往有三步：问题背景是什么、要分析什么才能解决这个问题、怎么分析。

• 映射到数据指标体系中则上升为要考虑指标体系的目标是什么、指标体系的用户的业务目标是什么
• 再考虑要实现这些目标会有哪些表现、哪些信号能够支撑他们的目标关注
• 最后再找出相关的指标来支撑数据商业智能bi系统指标体系建设

3、通用步骤

确立公司业务的核心指标：找到能够体现公司业务完成情况、进展情况的指标，也就是常说的北极星指标

确立用户行为的关键指标：常说的过程性关键指标

进行业务需求的多维拆解：将指标按照业务域、数据域进行拆分或者延伸

按照优先级进行系统性整合与建设：经过前面三步，再最后进行整合，将指标系统性整合和构建，去除重复指标、虚荣指标、无意义指标。当指标数量过多时可以按照优先级分类，先做一部分再做一部分，不断迭代完善。

二、建立指标字典

1、指标混乱的恶果

不少公司面临指标混乱的现状：

同名不同径，同径不同名。

口径不清晰，口径有错误。

命名难理解，计算不易懂。

来源不清晰，同部不同径。

2. 指标命名四要素

指标命名公式 = 限定词+业务主题+指标名称+量化词（限定词和业务过程、统计对象不要求都出现在指标名称中。）

限定词：用来对指标进行限定约束。比如：当天、本周、当月、平均、累计。

业务主题：用来描述业务在哪个过程阶段。比如：打开页面、下单、点击支付、支付成功、支付失败。

指标名称：是指标要统计的对象实体名称。比如：统计订单还是用户。

量化词：是对一物理量的测定，通常以数字单位来表示。比如：金额、份额、次数、率。

举个例子：当天（限定词）首次下单并完成支付（业务主题）新用户的销售额（指标名称）次数（量化词）

3、建立指标字典

通过指标命名四要素 ，我们先对指标命名进行规范，但是这还不够，因为公司部门很多，指标的开发都需要成本的，但是很多指标其实是可以共用的，那如何让整个公司形成一个大家都认同的标准化体系呢？

建立指标字典，是搭建数据平台的基础。指标字典由指标构成，指标由维度、汇总方式、量度三要素构成。比如“订单总金额”，“订单”表明维度的限定，“总”表明汇总方式是求和，“金额”可以表明度量单位是货币单位。

建立指标字典，要求：

1）规范维度和量度命名，命名规则要尽量做到明确、通用、易懂；

2）对确认维度或量度，统一计算口径，避免歧义；

3）涵盖尽可能多的关注的核心维度和量度，以此为基础推动数据建设，确保指标字典里覆盖的维度都可区分，指标都可统计；

4）基于指标字典，将核心维度和量度注入元数据中心，接入指标提取工具，后续实现不需要写sql即可完成自助查询及分析需求。

三、数据指标的拆解方法

完成了商业智能bi系统指标体系建设，还需要具体落实到数据分析，第一步，是进行数据指标的拆解，这一章咱们来讲讲如何寻找分析角度，对要分析的对象进行数据指标的拆解。

拆解流程

流程如下图所示：

（1）明确分析目标

进行数据指标拆解的第一步就是明确要分析的目标。例如现在有两个目标需要达成：

（2）确定问题

在明确分析目标后，就需要确定为了达成该目标，需要提出围绕该目标需要解决的问题，可以使用思维脑图，写出在看到该目标后产生的问题。

（3）拆解问题（确定计算公式）

在确定问题后，就需要找到能够数值化衡量这些问题的指标，以及它们的计算方式。

（4）拆解指标&拓展维度布局

计算方式确定，就可通过分析组成这些计算公式的指标来探究影响其的原因，比如销售额=单价*数量，那么就可从「单价」、「数量」来分析销售额变动，以一个指标为定量，分析对比其他指标变化。

同时以计算公式结果为指标，拓展维度（比如地区、时间、品类等等）来探究不同维度下的指标差异。

（4）最终结果展示

展示结果按照总—分方式，如下图所示：

四、效果展示

完成数据指标的拆解，搭配使用 FineBI ，就能方便地帮助用户进行数据处理和数据可视化展示，洞察数据背后的意义了！对以上两个实例分析后，可得完整分析仪表板。

但这一切都要基于一个好用的数据可视化平台。现在市面上流行的有FineBI、Power BI，但权威机构IDC指出市场占有率第1的还是FineBI，这些都可以做数据分析。

商业智能BI产品更多介绍：www.finebi.com

免费下载FineBI 立即体验Demo