如何搭建一套业务指标体系？

首先，要明确的是，指标体系是由一系列存在相关性的指标所构建起来的，用来描述或指导某一事件的评估体系。

●指标：分为过程型指标和结果型指标。过程型指标，一般强调数据的实时性，高频跟踪事件的发展过程，用来指导业务人员的执行落地。结果型指标，一般为某一特定时间段内的汇总型数值，如“总金额”，用来评估该事件的结果好坏。

●相关关系：也可抽象理解为指标之间的运算逻辑，如“利润 = 收入 – 成本”，可知收入与利润呈正向关系，成本与利润呈反向关系。

●判断标准：一般可分为以下 4 种：
avs 过去：对比历史同时间段内数值，如 2023 年总营业收入 vs 2022 年总营业收入。
bvs 目标：对比当年目标设定值，如 2023 年 Q1 收入目标 100w，实际总收入 89w。
cvs 行业：对比当年行业平均值，如 2023 年行业平均规模增速 10%，企业规模增速 12%（OS：行业不一定要选择所有企业，也可缩小样本范围，如行业 Top20）。
dvs 竞品：对比企业对标竞品数值，如 A 企业 2023 年总收入 1000w，B 企业 23 年总收入 800w，本企业 23 年总收入 900w。

其次，一套有效的指标体系必定是与业务高度相关的，其核心作用在于监控业务的发展、指导业务的下一步行动、复盘透析业务利弊的成因。也就是说，指标体系必须立足于业务场景，毫无逻辑的指标堆砌是无意义的。

为避免在实战场景中存在异议，单个指标的取数口径必须明确，且尽可能简化（过于复杂计算的指标一般不适合实际业务场景）。同一业务场景下的指标必须存在强相关性，且尽可能将关联指标精简在 3~5 个，如 A=B+C+D。

业务的描述和分析必然是建立在评判标准之上的，有对比才有分析。因此，指标的判断标准一定要合理。比如，A 企业目前行业规模排名 100，横向对比行业 Top5 企业对业务实操没有意义（可能有激励作用吧）。

综上，一套切实有效的指标体系必须遵循以下 4 点：
●指标口径明确，取数清晰简单；
●指标之间存在强相关性；
●判断标准合理，不可过高或过低；（标准需根据实际情况进行动态调整）
●必须基于业务场景，基于业务实操点；（无法通过业务去改变数值的指标可能不具备分析意义）

2.1.1 方法论之 OSM 模型

OSM 模型是目前互联网热度比较高的指标拆解方法论。

O 代表业务目标（object），即业务存在什么样的问题，或者说业务的核心目标是什么，可能是营收规模、利润空间等。

S 代表业务策略（strategy），即在知悉业务目标的前提下，业务人员可以采取的行动和策略，如投流、降本等操作。

M 代表业务度量（measure），即在执行某项业务操作后，判断该行为是否有效的标准，一般有 2 种概念：一是 KPI，用来直接衡量策略的有效性；二是 Target，是预先给定的数值，用来判断是否达到预期。

抛开理论概念，其本质就是回答以下 3 个问题：
●我们做这些是为了什么？（最直接最核心的目的，如提升流量、增加点击、提高利润）
●我们为此可以做哪些操作？
●我们如何判断操作是否有成效？

2.1.2 实例：OSM 模型在线上零售场景的应用

落地于实践，OSM模型如何应用？

以线上零售平台的新品销售业务为例，基于运营人员的视角，将OSM模型应用于业务实操，搭建一套数据监控指标体系。

一般来说，新品在线上平台发布并投入销售会经历以下几个阶段：内部评定 → 上新预热 → 活动销售 → 常规销售。从“内部评定”到“活动销售”一般不会超过2周，运营人员围绕一波新品的工作基本集中于这2周内。

那么，在整个新品上市的过程中，我们该如何搭建指标体系，以此来指导运营人员的工作呢？

●Step1：确定新品上市的核心目标——最大化销售（这里指代数量，而非金额；一是价格更适合在商品定价体系内去分析，二是运营人员一般无独立定价权，在上新过程中很难做策略调整。）

选择指标公式的小Tips

一：为什么不用覆盖面最广的指标

覆盖 100%数值的指标肯定是最符合逻辑的，但不一定是适用于业务实操的。从经验上来看，分析时如果追求 100%精准，反而有可能将逻辑复杂化，抓不到重点，应当遵循二八法则，抓大放小。（占比小的指标可以用来观测辅助，而不是重点分析）。

二：如何选择合适的指标

① 从实际逻辑上推论用户在电商 App 上进行购物时，常规路径一般是：搜索/浏览 → 点击 → 退出/收藏/加入购物车/立即购买。从最终环节来看，由“退出”到“立即购买”，购买意愿是逐渐增强的。但基于对用户在销售活动期间的行为研究可得，“加入购物车 → 付款”的路径占比是最高的，其他路径占比相对较低。

② 计算变量相关系数用数理统计的方式计算出 一系列 X 与 Y 之间的相关系数，选择相关系数高的 X 变量。

●Step2：确定运营人员在整个新品上市流程中可采取的行动或策略。

●Step3：确定判断每个策略执行是否有效的衡量指标及数值（KPI+Target）。

指标一旦应用于实操，必然遇到不断向下拆解的问题。比如提升访客数量，向下拆解可能是访客分别是哪些渠道而来，哪些渠道是我们可控，哪些是不可控的；针对可控渠道，哪些指标又可以证明流量操作是有效的。但向下拆解一定是有限的，不可过细，一般截止于业务操作的最小单元行动（如果该行动是偶发性的，剔除不考虑也可）。

一级指标（Tier1 Metrics）必须是全公司认可的、衡量业绩达成情况的核心指标，本质上需要各部门、上下级都理解的指标，便于沟通传达。

二级指标（Tier2 Metrics）是针对一级指标的路径拆解，一般是业务流程中的指标。当一级指标未达到预期效果时，可通过二级指标快速定位问题所在。

三级指标（Tier3 Metrics）是针对二级指标的路径拆解，一般是业务子流程中的指标，可通过三级指标直接引导一线专员的业务操作，从而影响二级指标的波动。

一般情况下，3~4 层指标足以描述某一业务场景，指导一线业务人员的操作。如果发现还可以向下拆解的话，可能需要反思是否存在冗余指标，或者过于宏大叙事。

指标体系拆解的一般逻辑都是从上到下，从大到小，但基本都会遇到切入点过大，无法落地的局面。首先要明确的是，指标体系的作用是融入业务实操，这就要求我们先抛开数据指标，从具体的一线业务场景入手。场景化的本质就是将实操业务结构化、模块化，从而实现数据指标体系的快速落地。

2.3.1 实例：零售行业的通用型业务场景

以产品流向视角，从产品研发→生产→销售，将公司核心业务串联起来。

基于上述业务框架，我们就可以将这 13 个业务场景分阶段地拆解到各部门的业务指标体系中去，以满足不同部门从产品研发到销售等多个场景下的数据需求。

在落地执行业务指标的时候，我们会发现指标的多少、完善与否并不会阻碍行动的开展，而一个看起来不大起眼的细节却会大大延误时机——指标对齐。

作为数据分析师，“核对数据”可能是日常工作中最繁复的环节，大部分时候核对的并不是本身计算逻辑的疏漏，而是领导、同事口中的困惑“为什么你和我算出来的不一样”。“核对”环节耗时越多，频次越高，越是能说明公司的指标治理环节存在问题。

“同名不同义”或“同义不同名”是指标治理频发的两大核心问题。
●“同名不同义”→“同名同义”：名称一致的指标，必须对应一致的计算口径，尤其是限制条件的相同。
●“同义不同名”→“同义同名”：业务含义相同或相近，名称却不同的指标，必须进行整合和区分，减少冗余指标。

指标治理本身就是一个不断趋近完善的长期过程，甚至不存在所谓完成状态的环节。我们要做的是尽可能地保证指标“同名同义”且“同义同名”，并在实际应用过程中不断迭代升级。

一个合格的指标名称 = (业务主题) +时间周期+限制条件+计算方式+原子指标。

●业务主题：该指标应用的业务场景或来源，也可指代某个部门，如供应链、会员等，便于快速理解议题。
●时间周期：本质也是一种限制条件，单拎出来是因为时间条件变化范围较大且频次高，比如近7天，截止当日等。
●限制条件：可简单理解为SQL语句中的where条件，应用场景下比如订单状态为预付订单的销售金额，或剔除黑名单的会员数量等。
●计算方式：指标的计算方式，比如汇总、平均值、最大值、最小值等。
●原子指标：最小单元不可拆分的指标名称，比如支付金额。
综合上述条件，即可得出一个合格的指标名称，如销售：近7天_预付订单_总计_支付金额。

指标治理不可能是一人之功，最好是由各业务负责人或骨干协作数据分析师制定初稿，并指定专人进行管理和维护。基于此，就离不开一个指标的管理工具——指标字典，用于指标的更新迭代，便于记录指标的计算口径、取数代码、变更历史等信息，方便其他人员的快速查阅和应用。

指标字典可以借用第三方数据产品，比如GrowingIO之类，但更通用的方案肯定是多人协作的共享文档，如飞书、腾讯文档等产品。

业务指标体系的搭建和落地是个长期过程，也不是一个人或部门就可以搞定的事情。业务团队搭配数据分析师，针对性场景拆解，持续性维护才是最优解。
●指标体系的本质：指标 + 相关关系 + 判断标准
●指标体系的标准：基于真实业务、指标口径清晰、判断标准合理
●指标拆解的方法：OSM模型+指标层级化+业务场景化
●指标体系的管理：命名规范+指标字典