数据指标库建设

一、文章概述

从实践角度出发，如果想把公司的大数据搭建完善，数据治理这一步至关重要，这里面涉及到了架构、安全等诸多方面。不过，起步阶段是不断提升数据质量，其中数据指标是数据质量建设中的重中之重。指标的建设只是走完数据治理的第一步，为了确保指标库能够保持长期可用，必须有一套严格个管理和执行流程，否则建设的结束就意味着混乱的开始。

二、报表梳理

指标的一个直观的表现形式是报表，公司的报表可以说是浩如烟海。首先我们可以根据报表的使用率、查看报表人员性质、同化报表值等诸多方面找到核心报表链接。结合产品经理、数据分析师、运营经理等诸多角色会商，定义出“第一关键指标”。第一关键指标这个名词来源于《精益数据分析》第六章。

对于产品经理来说，最关键的指标是什么？不同的员工对第一关键指标的认知不一样，甚至有些员工对第一关键指标没有概念。同时，伴随着各个部门报表系统的指标越来越多，指标口径不尽相同，数据重复计算等问题不断涌现。尤其是大家对第一关键指标不明确，并且大家朝着自己的方向发力。

第一关键指标是指公司在每个发展阶段，都有一个现阶段高于一切、需要集中精力做的数据，这就是“第一关键指标”。当然，随着公司业务的发展，这个指标会发生变化。

三、指标整合

埃里克·莱斯提出了驱动创意增长的三大引擎：黏着式增长引擎、病毒式增长引擎、付费式增长引擎。但是他也提示创业者，最好在一个阶段只关注于某一个引擎。

第一关键指标可能是KPI、销售额、DAU、用户留存等。第一关键指标法和绩效管理中的KPI等理念比较接近，就是要寻求现阶段整个公司最需要关注的指标，以此加大火力想目标前进。

在APP业务疯狂发展阶段，留存分析直接能反应用户等活跃度，帮助公司证明APP能够吸引用户。

在APP营收阶段，例如像新浪微博、支付宝、微信这种产品形态已经相对成熟，公司的关注点聚焦在如何快速盈利，关键指标主要是LTV（Life Time Value，生命周期总价值）、CAC（Customer Acquisition Cost，用户获取成本）、渠道分成比例等。

各类的报表以及相关的表达方式千差万别，梳理之前应该给出一个描述指标的基本框架。包括大类、子类、维度、归属、命名规范等等。曾经由于架构漏了一些要素导致返工，因此这个顶层设计一定要做好。

命名规范：业务限定词+业务名称+量值限定词+量值描述。

归纳总结指标结构，以业务为基础创建原子指标，再确定原子指标等几大属性。

• 业务分类：根据报表业务体系梳理，例如用户、流量、运营等。

• 指标维度：指标的详细层次，例如区域维度、渠道维度、路径维度等。

• 数据粒度：指标的统计周期、包括日、月、年等。

• 衍生指标：基于指标等计算指标，例如同比、环比、目标值、完成率等。

  
  

四、指标库建设

1 信息维护

1.1 指标定义

信息维护主要包括业务方的指标定义（业务方&数据RD）

需求方：指标缺失

需求部门	需求方&Leader	指标大类	指标名称	指标描述	原子指标	状态	原因分析	详细方案	前置条件	投入成本
						缺失

数据RD维护后的指标关键字段

需求部门

需求方&Leader

指标大类

指标名称

业务描述

原子指标

计算口径

脚本名称

出数时间

波动范围

开放负责人&Leader

版本上线时间

状态

下线/在用/不准确

1.2 指标维护

针对指标的大类、小类、指标名称、指标标签进行维护；考虑到不同的数据依赖源可以输出相同指标值，需要对脚本进行维护，并上线脚本进行多种结果进行匹配（数据质量监控）。

1.3 指标查询

主要是针对指标的大类&小类&指标名称&指标标签进行查询。

2、指标开发

2.1 脚本配置

保证脚本的可执行，另外保证数据库中存在多个版本的脚本，方便追溯。

2.2 运行调度

定时输出指标报表，业务方以及RD同学，进行查看。

2.3 运行监控

和数据报表的数据进行匹配，做数值上质量监控。以促进指标库长期可用。如果数据指标和报表长期不一致，或者关键报表中不包含的指标需要定期维护。包括但是不限于（新增、下线、维护）

3、生命周期管理

3.1 指标上线

3.2 指标下线

3.3 使用评估

需要出评估报告

3.4 版本管理

指标本身需要有版本控制

4、质量管理

4.1 相关性检查

4.2 脚本校验

4.3 阈值设置

4.4 监控预警

作者：清和 来源：大数据漫路求索