作者對數據指标體系進行了系統的梳理，總結了數據指标體系的5個要素，構建體系的5個步驟和常見的5個問題，與大家分享。希望文章能讓你對數據指标有更深入的了解。

大家好，2020年開年就是一波疫情，就業和經濟形勢都很嚴峻。為了提升同學們的職場競争力，為災後重建做點貢獻，陳老師特别推出一個系列教學。從數據分析的基礎方法到具體問題處理，系統講解一下。

第一期，當然得從數據指标體系講起。因為幾乎所有數據分析工作都會提“建立數據指标體系”。同學們現實的困惑是：你說報表我就見過，我天天都在更新。可這玩意怎麼就體系了呢？做了體系又怎麼樣呢？為啥我不覺得我做的是體系？今天系統解答一下。要講，就從數據指标講起。

01 為啥需要數據指标

以下話是不是經常聽到：

• “大概有1萬多人吧”
• “有很多顧客都不滿意”
• “感覺我們門店都沒人了”

不确定、不具體、不準确。

我們平時過日子都是這麼說話的。沒毛病，因為具體的消息是有很大成本的，大部分時候我們就是随口說說而已。但是企業經營要是都靠這個那就死翹翹了，花多少錢賺多少錢都不清楚，老闆非氣的翹辮子。

數據指标就是對抗不确定的。

如果我們把上邊的表述改成：

• 2月4日新注冊用戶9800人，超目标1000人
• 2月4日當日A産品退貨100件，累計30天退貨率2.5%
• 2月4日全國到店用戶30萬人，到店率30%，低于32%的期望值

是不是爽快多了。這就是數據指标的直觀用途。

02 為啥需要數據指标體系

實際工作中，想要準确說清楚一件事是挺麻煩的，比如我們想說：“2月份A産品賣的非常棒！”如果對方想較真的話，可以挑一堆刺出來（如下圖）

一個問題，往往有很多方面，隻用一個指标不能充分說明問題。這就需要一組有邏輯的數據指标來描述，這就是數據指标體系。

03 數據指标體系五大件

第一要素：主指标（一級指标）

用來評價這個事到底咋樣的最核心的指标。比如說：“産品賣的好”。直觀的想到是“銷售金額”這個指标，因為這是我們賣貨直接收到手裡的錢，錢多了當然好。

每個指标得有以下要素：

1. 業務含義：在業務上它的意義是……
2. 數據來源：哪個系統采集原始數據
3. 統計時間：在XX時間内産生的該數據
4. 計算公式：如果有比例、比率，得說清楚誰除誰；如果是彙總，得說清楚誰加誰。

注意：有可能需要多個主指标，來做綜合評價。比如産品賣的好，光看金額還不夠，可能還要關注毛利，這才是真正賺到的錢。可能還得看銷售數量，因為銷售數量和庫存直接挂鈎，得防止積壓太多。這樣就至少有了三個主指标：銷售金額、銷售件數、銷售毛利。

第二要素：子指标（二級/三級指标）

主指标可能由幾個子部分構成。比如：

銷售金額=用戶數 * 付費率* 客單價

如果銷售金額沒達标，我們會很好奇：到底是購買的客戶少了，還是賣的人不夠多，還是買的太便宜了，了解細節有利于我們找到真正的問題，這時候就得拆解子指标。

第三要素：過程指标

主指标往往是最終的結果，比如B2B行業的銷售金額，是銷售線索-售前跟進-需求确認-産品體驗-價格談判-競标-簽約這一系列過程最後的一個結果。光看一個最後結果是無法監督、改進過程的。如果想更進一步管理，就得看得更細一些，從而添加子指标（如下圖）

第四要素：分類維度

有可能一件事是很多人、在很長時間内完成的。想知道總銷售金額是怎麼構成的，每個地區、每個團隊分别完成多少，可以增加分類維度。通過分類維度，把主指标切成若幹塊，這樣能避免平均數陷阱，把整體和局部一起看清楚（如下圖）

第五要素：判斷标準

即使有了以上四個點，我們還是不能說：A産品賣的好。因為好是個形容詞，是和差相對的。因此就需要一個對比的參照物。參照物的選擇，本身是個複雜的分析過程，需要做深入的分析。

在構造指标體系的時候，往往這些判斷标準是和當前數據一起呈現的。這樣在看數據的時候，可以直觀的做出判斷，使用起來就很方便了。

04 數據指标體系如何發揮作用

小結一下，構成指标體系五部分是：

1. 主指标
2. 子指标
3. 過程指标
4. 分類維度
5. 判斷标準

有了這五部分，診斷起問題來非常輕松。

1. 先看主指标 判斷标準，比如主指标是：銷售金額，先看本月是否達标了，沒達标差多少達标。再看年累計達标沒有，有多少虧空/盈餘。這樣很容易看清楚：知道問題是什麼，有多大。
2. 再看分類維度。哪些區域沒有做好，是不是一貫做不好；哪些區域做的好，是勉強完成還是持續上漲。這樣誰有能力兜底，誰是拖後腿的一目了然。
3. 再看子指标/過程指标。哪個環節沒做好，是線索太少了，得加大推廣力度；還是跟進成功率低，得提升銷售能力；還是報價總miss，得增加一些折扣。怎麼處理問題一目了然。

可以說，做好了數據指标體系，基本上能幹60%數據分析師的活。好的數據指标體系，就能讓業務人員看一眼就知道該在哪裡幹，該往什麼方向幹，非常好用。

注意：基于指标體系的診斷，隻解決戰術問題，不解決戰鬥層面的細節問題。比如問：

• 我沒有思路，該怎麼設計方法？
• 我有三種方法，哪種更适合當前問題？
• 我想用方法一，成功幾率有多大？

這些用專題分析的方法更容易解決。畢竟報表報表，隻是報告狀況的表，至于未來怎麼幹，得有更針對性的分析才行。

05 如何構造數據指标體系

第一步：明确工作目标，清晰主指标

這是最重要的第一步，先整明白：我做這一堆指标為的是什麼。把主指标樹清楚，後邊判斷标準才知道圍繞誰做，子指标才知道對應哪些流程。隻要是在企業上班的部門，都有各自KPI，因此主指标是肯定能找到的。

第二步：清晰判斷标準

這一步也非常重要，涉及到這是“一個有用的報表”還是“一堆花花綠綠的數字”。什麼算“好”是一個非常關鍵的問題。既然已經找到了主指标，就得為它建立配套的判斷标準。這樣才能解讀數據含義，才知道怎麼看分類維度。

常見的有四類标準（如下圖）當然，立标準本身是個很複雜的分析，也可以做的很複雜。但最後，哪些算好，哪些算不好，得區分的很清晰。

第三步：了解業務管理方式，找合适的子指标

有了主指标和主指标的判斷标準以後，可以進一步梳理子指标。子指标和業務管理方式有直接關系。比如銷售金額，既能以分公司為單位進行指标拆解，也能以用戶為單位進行。

具體怎麼看，要看業務能怎麼管這件事。比如銷售一般按區域管理，那就按分公司拆。市場一般按用戶管，就按用戶拆。總之，業務方便最重要。

第四步：梳理業務流程，設定過程指标

過程指标理論上越多越好，越多過程指标，可以越細的追蹤流程，發現問題。但在業務上，不見得每個動作都做了數據采集，因此要結合具體業務流程來，在關鍵節點加以控制。

第五步：添加分類維度

有很多維度都能當分類維度，選用哪些，完全看業務上能從什麼角度管理問題。把對管理有意義的維度加進來。（如下圖）

這樣就搞掂了一個數據指标體系，過程一點不複雜。大部分時候，實際問題是：沒做過數據采集，沒有數據記錄可以做指标。這才是最頭疼的。然而問題是：為啥看起來簡單的過程，做出來卻沒那個體系化的感覺呢？

06 為什麼我做的不是指标體系

常見問題一：沒有主指标，不知道在幹啥

這是最常見的問題。很多同學的報表是從離職同事那裡交接來的。為什麼做？做了給誰看？看了又怎樣？一問三不知。反正每天照貓花虎，定時更新就好了。

有些同學試圖搞清楚，但是業務方自己是糊塗蛋。你問他：你們目标是什麼啊？他答：提升GMV啊~~親，GMV這麼宏觀的東西，他到底管哪一塊？提升的話從多少提升到多少？提升到多少算滿意？丫自己做方案也是照貓畫虎，稀裡糊塗，更不要說和數據分析師講清楚了。

常見問題二：沒有判斷标準，不知道說了啥

這個是另一個常見，且緻命的問題。很多同學都是盲目更新報表，數據列了一大堆，到底什麼算“好”什麼算“不好”，不知道。或者隻是天真的認為：漲就是好，跌就是不好。結果引出特别多笑話（如下圖）

常見問題三：沒有拆解子指标，對着主指标發呆

這個問題往往是部門分工問題的後遺症。

常見問題四：沒有按業務流程構造子指标，單純堆砌數據

很多同學構建數據指标體系，喜歡堆砌數據。放一堆指标以顯得豐富。可實際上如果不按業務流程找子指标，指标之間邏輯性就很差，看起來經常莫名其妙。更不要說，很容易弄出來類似“你幸福嗎”這種稀奇古怪的玩意。

常見問題五：沒有根據業務選分類維度，胡亂拆解

把用戶性别、年齡、地域、VIP等級、來源渠道、終端型号等等維度一通丢，顯得報表很豐富，實際上業務意義不清楚。你問他為什麼拿男女分類，他答：分出來差異大……至于差異大了還能咋樣，業務上有沒有能力針對性别做事情，又不知道了。

以上種種問題，本質上都是沒有站在對業務有用的角度進行思考。單純的為了搞指标而搞指标。這和工作習慣有直接關系。很多同學不是試圖自己去理解業務流程，了解業務目标，而是去找一個“權威”“正式”“完美”“通用”版的指标體系。結果就是隻會到處抄抄抄，看似做了很多，結果連看數據的人都沒幾個。

想改變，當然得從基礎抓起，不要覺得我有個“數據XX的頭銜”，就得看各種高深的算法理論才算有用。搞理論是科學家的事，在企業上班就得幹點實際有用的東西。想助力業務，當然得從一線業務認真研究起。

#專欄作家#

接地氣的陳老師，接地氣學堂，人人都是産品經理專欄作家。資深咨詢顧問，在互聯網，金融，快消，零售，耐用，美容等15個行業有豐富數據相關經驗。

本文原創發布于人人都是産品經理。未經許可，禁止轉載

題圖來自Unsplash，基于CC0協議

,

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!

查看全部