关于如何构建指标体系，已经数据类的账号发过很多文章，几乎每个数据从业者都能说出个OSM、UJM模型等，但如果在面试过程中，只是炫名词，反而会让面试官觉得过于刻意，而没有真正理解指标体系的内涵。结合一些数据分析类的数据产品项目经验，再分享一些个人对指标体系的理解。

一、指标体系的常见问题

在项目落地过程中，会发现企业在做指标体系建设时会存在以下问题。

1.只有指标没有体系

这句话的意思是说，数据团队或者业务团队建设了很多的数据指标，但是对于用数据的人却迷失在各种各样的指标中，尤其侧重业务而非数据分析的一线业务人员，看到Dashboard满屏的指标，一脸懵，不知何从下手分析。究其原因，是构建这个指标体系或者看板的人只是做了指标和分析维度的堆叠，缺少对指标的优先级、指标之间的关联关系的抽象和沉淀，换言之，并没有把利用数据分析和定位业务问题的分析流程沉淀到产品中，而只是把业务提的一个个指标需求做了堆砌。人的精力是有限的，过多的指标会导致信息过载，需要围绕企业不同发展阶段的核心KPI指标，基于业务过程层层拆解，形成一个树状的指标结构，使用者每天首先看到的就是核心的123个指标，某一指标有问题之后，才会基于1或者2指标向下拆解。

2.缺少好坏评价标准

当下大家都比较注重健康，毕竟需要为祖国健康工作50年，拿到体检报告后，如果只是给了你一堆血糖、血脂、尿酸、BMI等指标的数值，你啥也看不懂。而如果标注了某一指标高了或者低了的箭头，你就知道这一项有问题了，需要找医生解读下这个白细胞数指标超标代表啥意思。

同样，对于数据指标体系要想可以给到业务用户提供指导建议，必不可少的就是指标好坏的评价标准。只告诉老板昨天DAU 100W没有任何意义，还需要他自己判断100W业务到底正常还是出了问题。因此，数据指标体系必须包含不同指标的好坏的评价标准，一般来说常用的有：

和历史比

和目标比

目标完成度：指标实际值/目标值，一般来说企业经营管理都需要设置自上而下量化管理的KPI指标，年度、季度、月度等，1个亿的小目标不是人人都可实现，但是脚踏实地影响奖金的的KPI还是要时刻紧盯的。

和同行比

不患寡而患不均，打绩效分奖金的时候怎样服众，常用的就是你张三做的没有李四好，所以李四是A，你是B。所以可以和平级对比，比如部门平均、中位数等，衍生出可以在更大范围内的对比，比如行业内。

和预警值比

过去指标阈值设置以来业务经营为主，比如业务确定GMV同比波动超过50%算异常，随着大模型应用的成熟，可以依赖算法模型，充分考虑季节周期、营销活动、天灾人祸等各种因素，设定更加智能化的参考标准。

二、什么是好的指标体系

基于指标体系的常见问题，总结一下到底什么是好的指标体系。

首先，指标体系要能全面量化业务表现，比如对于管理层，基于北极星指标，可以衍生出覆盖业绩、用户、成本等各个方面的指标体系，不能报喜不报忧，一叶障目不见泰山；且指标之前需要有清晰的优先级（层级）以及关联关系

其次，要有清晰的好坏评价标准，不要只做数据工具人，把SQL取数或者excel邮件产品化，而是要能够为没有数据分析经验的业务用户提供明确的是非判断标准，直截了当地告诉他们数据有没有问题

此外，指标需要能够指导落地执行地业务动作，比如发现了流量下降异常，可以逐层拆解定位到哪个渠道、哪个产品出了问题，谁负责，该如何改善。