数据指标体系的构建思路

前言

指标一般分为：结果性指标和过程性指标

1）结果性指标，比如电商场景下的 GMV 或订单量，它通常是业务漏斗的底部，是一个不可更改的、后验性的指标。
2）过程性指标，可以简单理解为我到达这个结果之前经过的路径，以及通过这个路径去衡量转化好坏的过程，它是可干预的，而且通常是“用户行为”。
在实际的业务运营过程中，不仅要关注结果性指标，更要关注过程性指标，通过优化过程性指标便能够更加有效的达成结果性指标。

在了解了指标的类型之后我们就可以着手开始搭建我们的指标体系了，首先需要找到什么是我们关注的核心指标？

核心指标应当是结果性指标，然后在核心指标的基础上拆解过程性指标并纵向划分层级，在此基础上再划分层级之间的关系，通过层次划分，最终实现我们需要的效果。

总结：搭建指标体系的时候，横向使用OSM模型，纵向进行三级指标分级。
数据指标体系建设参考

一、我对指标体系的理解

1）不同组织或者团体期望指标体系解决的问题一致，但落地的指标体系内容不同
播放用户数：有的要预加载，有的不要预加载
预加载：播放有瀑布流的情况下，用户没有滑动到对应页面，但是该瀑布流下面的节目是已经缓冲完成自动完成了对应下面节目的播放日志上报。
自动启播：就是用户在WIFI播放的情况下，不是用户主动发起的点击播放，但是该节目已经自动播了。

2）指标体系落地产物强依赖于业务，不同的业务存在不同的玩法
视频事业部（视频业务）：主要关注的是各个端的页面或者某个位置上播放用户数、曝光、点击用户数
营销单元（营销业务）：主要是针对promotion_resource_id推广资源、渠道ID涉及到播放指标
两个都是播放指标，但是不同业务关注的维度不同

3）指标体系多数情况下连同管理工具一起落地

二、指标体系中的业务指标内容（简版）

1）指标名称：活跃用户数、会员活跃用户数 // 名称要保持唯一
2）指标类型：基础指标 // 指标的计算方式，直接计算生成，还是多个指标计算生成
活跃用户数：udid去重
会员活跃用户数：会员一般都有注册ID user_id,
就是统计活跃用户数中有多少是会员的，那么用户标识就是user_id 去重

3）主题分类：视频主题、营销主题 // 根据业务需要，对指标进行分类管理

4）业务定义/指标口径：VR的访问用户数 // 对指标的定义描述，目前看这块问题很多，歧义很多
比如我们VR有VR的单独产品、也有在原有咪咕视频APP种VR专区，所以这里就涉及到一个指标多个口径

5）统计维度：终端，省份，版本，业务类型…… // 实际工作中会发现，统计的维度很多

三、指标体系中的指标技术内容（简版）

1）指标代码： // 代码要保持唯一，如果指标名称业务内唯一，指标代码要全系统唯一

DS-01-001活跃用户数 uv :
DS-01-002会员活跃用户数 member_uv: count(distinct user_id)
DS-01-003月累计活跃用户数 mtd_uv :count(distinct udid) where st>=substr(’${DT}^{\prime },0,6)anddt<{=}^{\prime }${DT}’

2）数据类型：一般统一用的string // 指标的存储数据类型，数据仓库中指标类型重要的不是很大

3）数据计算模型：略 // 指标计算的SQL逻辑，实际工作中感觉问题很大
涉及到的统计函数

4）字段名称：DS-01-001活跃用户数: uv // 对应数据表或是取数逻辑中的字段名称
5）计算公式：count(distinct udid) uv where dt=’${DT}’ // 实际工作中，阅读理解还行，意义不大

四、指标体系中的管理（简版）

1）数据仓库表管理
//一般只涉及应用层数据
因为存储有限，需要对结果表的数据做周期管理和定期拉取访问低频的报表数据做下线处理。

2）数据指标管理
//管理上面提到的指标内容，新增，编辑，删除，状态等
这里需要有指标管理界面，每次新增指标的话需要层层审批，保证指标全系统统一和通知到每一个设计方。避免新增指标只是在某个业务范围内使用。
3）数据维度管理 // 类似指标内容，新增，编辑，删除，状态等
维度同指标，梳理数高频维度，对高频使用维度的新增枚举值做严格把控，避免人工配置的问题导致生产数据有异常。

4）数据模型管理
// 管理指标或者数据表头计算的模型，新增，编辑，删除，状态等
主要是模型涉及文档，根据公司业务场景和业务过程梳理出的指标计算文档;新的模型上线的时候需要对文档完整度进行check ，检查是否包含指标和维度对应的编号以及是否有新增指标等
5）数据应用服务管理 // 支持数据可视化，或者数据服务的方式，接口等
6）数据权限管理 // 管理工具的权限运营维护