数据指标体系这么整，产品小白也能搞定！

关注并将「人人都是产品经理」设为星标

每天早 07 : 45 按时送达

建立数据指标体系，可以帮助产品经理更好地梳理、理解业务，并发现业务过程中出现的问题，进而推动产品的迭代优化。那么，数据指标体系应该如何建立？本篇文章里，作者就数据指标体系的整理方法进行了总结，一起来看一下。

全文共 3011 字，阅读需要 6 分钟

——————/ BEGIN /——————

今天偷偷告诉大家一个简单实用的数据指标体系的整理方法，保证你一学就会，至于废不废就看自己造化了~

在我们产品设计领域，一个产品从想法到落地，大致需要经历以下环节：需求、功能、交互、数据。对应的这些个岗位，分别是需求分析师（写文档的）、产品经理（画图的）、交互设计师（搞动效的）以及数据产品经理（弄数据的）。

而建立数据指标体系，绝对是数据产品经理的高光时刻！毕竟像什么数据采集、数据优化这些工作，老板跟用户又看不到，也不关心……很多公司又没有转职的数据产品经理，所以这也可以说是产品经理的高光时刻……

怎样才能把握好这个高光时刻，我们往下看~

啥是数据指标体系？

建立数据指标体系之前，得先整明白啥是数据指标体系吧~

我们先来看看这张图：

我们把“数据指标体系”几个字，拆开来看就好理解了。

数据指标体系分为三部分，分别是“数据”、“指标”以及“体系”：

1. 数据代表的是可量化；

2. 指标代表的是一种结果；

3. 而体系代表的是其中的逻辑。

还是不明白是吧，这就对喽。

我们再来举一个实际工作过程中的例子：

比如你们是一家创业公司，公司就那么十几个人，然后今年累死累活营业额刚破百万，再然后你们老板在年底开庆功会，给大家定了个来年的小目标，先挣他一个亿！

你以为老板是为了挣那一个亿么？你的格局呢？庸俗、肤浅，tui！

老板明明是为了帮助我们理解，啥是数据指标体系，多么的用心良苦啊！

你看，一个亿的结果就是指标啊，而且完全符合我们的定义，这是一个可量化的数据！

老板帮助我们确定完指标之后，还得一个个挨着碰杯，把酒言欢，不吐不快~

碰杯的时候，那不得顺便定一下，哪些人承担多少，哪些区域承担多少，然后大家再一块讨论讨论，哪些产品分别能卖多少钱？！

你看看，这不就是数据指标体系中的体系么！挨个碰杯喝酒，分配指标的过程，这他喵的不就是指标落地的逻辑嘛！

老板不知不觉，就帮助整个公司建立了一套无懈可击的指标体系，谁要是敢说这个老板不是个技术出身的产品总监大牛牛，我庄晓庄第一个不愿意！

为啥要建立数据指标体系？

以上小公司的老板，已经从非常专业的角度，带我们深刻感受了数据指标体系的精髓，接下来，关于为啥要建立数据指标体系，我再聊聊自己的一些不成熟的小想法~

1. 业务角度

对于我们产品经理来说，建立数据指标体系的过程，可以说是提升产品价值的一个过程！

因为我们可以从另一个角度，更加全面，更加系统地梳理业务、理解业务，进而重新思考以及提升产品价值！

对于我们的产品用户，例如销售或者运营来说，数据指标是指引业务方向的依据，而体系则保障了整个业务是可以从多维度、全方位的上帝视角去查看的，并且发现了各种问题，都是可以追溯根源的！

被数据搞崩溃的同学也不在少数，如果没有体系的话，就会造成随着产品迭代，逐渐增加各种五花八门的报表，然后业务同学分析具体问题时找数据却变得越来越难，每天会消耗大量时间在不断地寻找数据、核对指标的泥潭中无法自拔。

2. 技术角度

产品刚开始用的时候，所有需要的指标数据，都通过SQL语句去各种基础表里面查询出来的，开发写好SQL，然后系统每天跑跑SQL就完事了。

但是随着时间的推移，各种数据指标越来越多，SQL已经跑不动了。但是会发现其实很多地方用到了类似的指标，可能维度不同或者可能完全相同。

这时候就需要升华一下方案，将SQL语句，细化到指标的计算上，这就要引出另外一个概念了：数据仓库。

从业务角度来说，搞的是数据指标体系，而从技术角度来说，建立的则是数据仓库！

数据指标体系该咋建？

具体做事情的环节，我通常都是以目标为导向，数据指标体系在工作流程中的目标就是为了建立数据仓库！

为了达成这个目标，我们有这么几件事需要搞定：

1. 罗列出所有指标

先模仿才能超越，不知道有啥指标能罗列的，请参考（抄）下图：

2. 确定指标的计算公式

这个很重要啊，开发要根据这个撸代码呢，如果你业务上定义不清楚，那产品开发出来以后，肯定就完犊子了。

我是遇到过，不同开发写的，不同页面上同一个指标的数据都不一样的，原因就是计算方法不同……

计算公式可以分为两种，一种是标准的指标公式，例如PV、UV这些，直接用度娘上面的标准公式啊；另一种就是具体业务的指标公式了，这个就需要根据实际情况定义清楚啦。

注意：计算公式，最好不要用语言描述，直接给出数学公式！

3. 确定指标的统计维度

方法同1，不会就先模仿（抄）：

4. 说明各个维度指标的意义

这就是产品经理的本职工作啦，在需求评审会的时候，我们不仅要传递怎么做，还得传递一下为什么要这么做，这样才能够服众嘛，而且开发也能够自己做事情的意义，而不只是一个撸代码的工具！

5. 罗列出维度的相关属性

这个就是我们数据库表里面的各种字段啦，我们看一下接下来的例子，肯定立马就明白了。

还是回到我们老板定的小目标的专业角度，按照以上我们不成熟的小想法，最终呈现出来的结果大概是这样的：

其实从非严格意义上来说，这就是数据库建模的逻辑层了，然后开发同学，根据这个逻辑层的表，再去搞搞物理层的设计，就差不多能出数据仓库的建设方案啦！

而且再补充一点，毕竟我们是从产品经理的业务角度来梳理这个表的，所以像什么表的主键啊、外键啊，这些我们不用考虑，这个阶段把业务梳理清楚就ojbk了~

概念补充

1. 数据切片存储

这次词听起来挺高大上的，但我们把数据当成面包就好理解多了，也能更加形象地理解搞数据指标体系的意义了。

我们可以把面包横着切，存起来早上吃；竖着切，存起来中午吃；斜着切，存起来晚上吃。

数据指标体系也是一样的了，以各种维度（员工、区域、时间、产品）存储起来（切片存储），然后在不同的场景下随用随取就行了。

相当于专门整了一个中间表，用于存储各个维度的结果数据，然后需要用的时候，直接从这个表里面找结果数据就行了，少了那些个SQL计算的过程！

2. 星型模型、雪花模型

以上老板所整理的专业的数据指标体系，就是最简单的一个例子，也就是只有一层的雪花模型。

但实际工作中，我们往往会碰到多层的情况，比如一个网络访客，他的属性有IP；然后IP还有属性，比如地址、使用场景；再然后使用场景还有属性，比如企业专线、移动网络等等，这么列下来，就是雪花模型了。

3. 大宽表

以上两种模型，还能再引出一个概念，那就是大宽表。

有些同学可能会觉得，维度层级多了以后，一层一层列举出来多麻烦啊，那就有简单粗暴的一种方法，那就把所有的属性，都列到同一个层级当中，也就是整一张数据超级多的表，这就是大宽表！

大宽表，简单粗暴，绝对能用，但是有利有弊，具体的利弊让技术评估吧，我们产品经理就不专业了，但是这个概念还是需要了解一下的，哈哈哈。

结  语

术业有专攻，我们作为产品经理，把业务梳理清楚就可以了，然后再懂些基本的技术原理，按照技术思维梳理出相应的文档就非常不错了。

接下来就是由开发来整理具体的数据仓库建设方案了，我们就可以安心摸鱼啦，哈哈哈~

—————— / END / ——————

产品经理培训｜产品运营培训｜企业内训服务

请在公众号后台回复「培训」了解更多

▼ 喜欢请分享&收藏，满意点个赞，最后点「在看」▼