数据指标是什么？必知必会的数据指标类型都在这了 介绍了数据指标及指标体系最基本的一些概念及区分，本文以数据指标体系设计的原则为首，将会逐步介绍数据指标体系建设的方法及步骤，在建设指标体系的同时也会指出需要注意的事项。
做任何工作都需要具体问题具体分析，对于数据指标建设体系，不同用户会有不同的数据需求，这就需要区分这个数据产品的服务对象是谁。比如企业级BI，它是为领导层服务，给领导看的，就要想领导想看什么样的数据，看了数据后又会做怎样的决策，如何根据展现的数据进行分析，如何安排工作改善指标，如何判断指标是否得到改善，如何执行闭环操作等。再如推荐类的数据产品，要明确用户是谁，他会更在乎什么样的指标。
数据公司里的数据产品经理，需求来自各行各业，不仅仅是互联网，可能是金融机构，也可能是快消行业，这时他们提供的主要是一个通用的解决方案，去解决客户所在领域的痛点。而互联网公司里，涉及数据指标体系的主要是平台型数据产品经理，其用户主要是各业务部门，如运营部门、产品部门、商务部门或者财务部门，甚至是总裁办。这时候，就需要数据产品经理高屋建瓴，面对各部门的需求，收集各部门需要的关键指标，排出当前的优先级，分批解决。我们主要谈以业务部门为用户的平台型数据产品经理。
01、数据指标体系设计原则
用户第一
数据产品经理作为产品经理的一个分支，也必须具备产品经理的思维。产品思维中很重要的一个思想是以用户为中心，坚持从用户中来，到用户中去。产品经理每天工作的一个重要环节就是研究用户，用户的需求点是什么，应该设计怎样的功能才能满足用户需求，设计了此功能后用户反馈如何，更新迭代后用户的留存是否有变化，是否更喜欢这个产品。从这一系列的过程中，我们真实再现了产品经理每日的思考。
也许有时太过追求数据采集的准确性，太过较真每个数据指标定义的详细逻辑，太过考虑数据需求背后实现的可能性，然而作为数据产品经理，我们更需要深入思考的是，什么是用户需求。这里的数据产品经理，不仅包括数据公司里为B端用户设计通用数据产品或解决方案的应用型数据产品经理，还包括每家互联网公司里处理业务部门数据需求、规划数据中台或大数据分析平台的平台型数据产品经理。
用户比我们更懂得他们自身的痛点，所以需要对用户召开需求收集会，让他们提出其常用的关键性指标。随着新项目的扩展，也会有一期又一期的指标建设被提上日程。基于已有数据，优先解决用户的指标需求，适当给出指导性建议进行需求优化，这是首要的事情。
只要数据采集足够全，数据质量足够好，没有短期实现不了的指标。但是，数据指标体系的构建并不是指标越多越好，要选择比较关键的指标。那么怎么选取呢？解决方式就如上面所提及的，依据“用户第一”的原则判断，我们的指标体系是否围绕着“为用户创造价值”这个核心理念进行设计的，如果相差甚远，则不予考虑。我们要尽可能选取和用户强相关，与价值输出关系密切的指标。至于其他指标，我们暂不用排到最高优先级。
典型性原则
马克思主义哲学曾经提及：矛盾存在于一切事物之中，具有普遍性。普遍性寓于特殊性之中，并通过特殊性表现出来；特殊性离不开普遍性，特殊性包含普遍性。矛盾的特殊性要求我们坚持具体问题具体分析。普遍性就是数据分析的指标里出现频次最高的指标，是最具典型性的指标。特殊性就是虽然会出现，但是频次较低、小众的数据指标。根据业务的不同需求，数据指标的选择也要根据业务场景进行切换，做到具体问题具体分析。
指标建设要切实反映业务的变化，这样就可以指导我们改善产品，即把指标细分为可执行的动作，做好了这些就可以从指标上看到业绩的改善。比如今年销售部要实现5亿元的销售目标，作为部门总监，你不能只安排5个员工每人领1亿元的销售目标，而要细化为让他们在10个省每天拜访5个有效客户，每个月签下10个合同。拜访数和合同数的提升直接影响业绩的达成。这些就是可执行性的指标。
在指标选择的过程中，要尽量选择比较典型及代表性的指标，这些指标能真实反映业务情况。例如，针对内容行业来说，衡量整个App的宏观情况时，一般会考虑DAU及次日留存，这是App内所有功能点提炼出来的共性需求。而在评估运营推荐的栏目书单是否激起用户兴趣时，应该更关注推荐位图书的点击量。评价单本书的推荐质量时，则应关注该书的阅读人数、阅读章节数及阅读时长。因为人们在推荐榜单中进行浏览时，用户只能根据封面或者书名去点击感兴趣的内容，再根据详情页的介绍，去决定是否翻开这本书，进而产生进入阅读器的行为。其中，进入阅读器的人数会被记作是阅读的总人数，每个用户通过翻章进行的阅读也会产生阅读章节，阅读时长相当于辅助指标，用来判断用户是否真实地阅读了那些章节。这就做到了针对不同需求选择典型性指标，数据指标也建立在具体分析的基础上。
系统性原则
整体与部分是辩证统一的关系，整体居于主导部位，统率着部分，具有部分不具有的功能，而部分离不开整体。系统性原则要求我们树立全局观念，立足整体，统筹全局，实现最优目标。
在构建数据指标体系的过程中，要多关注指标间的逻辑关系，最终要把所有指标组成一个系统的有机整体。最常见的一种做法是，类似二叉树的法则，以树的形式来组织指标，即先确定几个核心指标作为树根，然后不断拆解，加入各种维度，最后形成一棵指标树。当然也可以模拟用户使用产品进入每个页面的层级不断展开，形成一棵用户行为树。
动态性原则
事物是运动变化发展的，要坚持以发展的眼光看问题。随着产品业务的发展，数据指标体系也是随着需求的变化在不断完善的，产品在用户生命周期的不同发展阶段，产品经理及运营关注的指标也可能会发生变化。例如，在产品发展的初期，运营更关注的是新增注册用户数和新增活跃用户数，然而随着产品功能的不断完善与发展，运营关注的指标越来越多，公司不只关注新增注册用户数这个可能含有水分的指标，还特别关注基于日活稳定基础上的用户留存，甚至细致到1日后留存、2日后留存、3日后留存、周留存、月留存等。
数据指标体系的建设就是这样不断去满足和适应业务发展的需要，这样才能完全支持产品各项功能及业务的展开，进行一次又一次的迭代。除此之外，数据指标体系自身也需要不断更新与发展，在使用过程中，不断收集反馈，去除暂时使用不到的指标，丰富现有指标能统计到的范围和涉及的面，加入一些更具参考价值的新指标。
02、数据指标体系建设的方法与步骤
罗马城不是一天建成的。如果是从零开始构建指标体系，切不要奢望立刻搭建一个大而全的指标体系，这无疑会大大增加复杂性和工作量，导致项目延期、没法按时交付。最好的做法是，先根据当前的业务阶段，围绕产品核心指标，关注用户行为关键指标，由主要指标到次要方面，由内而外延展，一期期地上线验收。然后在使用过程中，坚持自查与用户反馈，不断修正、丰富及完善，逐步迭代，最终形成一个相对全面、完备的数据指标体系。
数据指标体系建设的方法
为便于读者记忆与理解，我们将数据指标体系的建设方法转化成了通俗易懂的歌名。
一首是逃跑计划乐队的《夜空中最亮的星》，一首是蔡依林的《海盗》，一首是以GSM模型衍生出的高胜美的《千年等一回》。为什么是这三首歌？这三首歌有怎样的魔力？接下来将细细阐述。
（1）夜空中最亮的星——北极星指标
“每当我找不到存在的意义/每当我迷失在黑夜里/夜空中最亮的星/请照亮我前行”，正如《夜空中最亮的星》这首歌中唱的，每当我们找不到衡量业务指标的意义，每当我们迷失在茫茫数据大海之中，那夜空中最亮的星，也就是北极星指标会指引我们根据业务构建指标体系的方向，告诉我们什么是最重要且最能反映业务的指标。
其实在寻找最亮的星时有以下几个标准，此处可参考硅谷增长黑客的方法论，以下这些问题能帮助我们基于现有业务进行反思，找到新的方向。
在宏观方面，公司现在在市场上处于怎样的地位，公司发展到哪个阶段。这个地位和阶段决定公司目前的战略方法是什么。比如公司是一个新行业的创业公司，正处于萌芽成长期，这时候公司的核心诉求就是验证公司存在的价值，如果公司的核心业务是产品，就验证有没有人会用公司的产品，为公司的产品花钱，这时候重点产品指标就是产品好评率、种子用户留存率。所以，对于不同阶段的公司，考虑的指标重点也是不一样的。
接着，我们从图1中列出的6个方面思考北极星指标的创建。
图1 图解北极星指标
1）产品的核心价值是什么？这个指标能否让人一眼洞悉产品的核心价值？
核心价值是产品存在的意义，新时代互联网产品是社会生产力发展的产物。如今各大行业的产品的发展就是满足人们对衣食住行和美好生活的需求，解决长此以往的用户痛点。
比如，衣食住行中的“衣”，解决人们穿衣需求的电子商务应用，其核心价值是购物，所以它的北极星指标应该与用户购物的交易额、订单数有关。而工具类应用解决的是特定场景下用户的某一类问题，比如春运抢票工具，其核心价值是抢票，所以它的北极星指标应该与帮用户成功抢到票的次数有关。北极星这颗最亮的星最终应该是让产品价值得到最大程度发挥，用户体验和需求得到充分满足。
2）这个指标是否具有典型性？能否完全反映用户的活跃程度？
曾经一些地推的App，通过实物奖励路过下载App并注册的用户。笔者也曾经历过这样的事，当时同行的伙伴们看中赠送的小电扇或者USB充电线等实用的小礼品，地推人员邀请他们下载其App，直到他们手机接收到验证码并成功注册才能拿到礼物。然而由于当时App没有安全协议且索取权限过多，伙伴们转身就把刚下载和注册的App卸载了。
如果仅仅以“下载App数”“总注册用户数”作为北极星指标，那么我们只能看到累计的量，并不能知道减少的量，无法真正掌握用户的活跃程度。在前面的例子中，虽然地推团队很用心地在推广，“下载App数”和“总注册用户数”每日猛涨，但是业务负责人没注意到的是，用户们转身就卸载了，哪怕不卸载，用户们没弄清产品的价值，第二天也不会登录。可见，这种累计的统计量无法反映用户每日活跃的情况及一段时期内用户整体的留存情况，更无法很好地估量出每位用户带来的价值。
3）这个指标能否管中窥豹？如果这个指标在变好，能否代表整个公司的业务在朝着好的方向发展？
“管中窥豹”既可做贬义词，也可做褒义词，这里我们取其褒义解释，即观察部分能推测出全貌。能“管中窥豹”的北极星指标是指通过该指标就能对公司发展的大体趋势一目了然，因为其反映的是公司业务发展的宏观状况，也和其他指标具有正相关性。它好，就说明其他指标家族代表的数据都好。
比如衣食住行中“食”相关的外卖行业，如果只是把注册商户作为北极星指标，显然忽略了食客这个重要方面。注册的商户猛增并不代表人们都会用这个平台点外卖，只代表着商家借助此平台渠道去销售自己的美食。如果用户不来平台，再美的食物也无法促成一笔交易。因此，此处的北极星指标应该满足经济学领域提及的供需平衡，“总订单数”就是一个比“注册商户数”和“注册用户数”更妥帖的指标。
4）这个指标能否解决众口难调问题？是否容易被整个团队理解和引发交流，甚至得到他们的认可？
有些业务是有很多核心指标的，但是这些核心指标之间可能会有一定的矛盾和冲突。这时候我们该如何权衡推进，如何解决众口难调的问题？
比如在交通导航领域，快车端会有运力指标，同时还肩负安全指标。这两个指标其实是相互矛盾的。再如有些行业的衍生指标，如视频热度、司机服务分等是由多个原子指标组成的，这时候涉及权重问题。应定义好各种指标的权重，并且让多个部门接受。
5）这个指标是事后诸葛亮，还是能够神机妙算？
这里，事后诸葛亮指的是指标晚于事件的发生，具有滞后性，没法及时且真实地反映业务发展的状况。
有些公司过于看重用户带来的回报，把当月会员付费收入作为北极星指标，这并不是不可衡量的指标，然而它却是一个相对滞后的指标。因为有的用户已经停止使用产品几个月了，却还在被扣月会员费。
所以，不选取滞后指标，选定先导指标能让产品方提前发现并解决问题，不要等到用户都已经流失数月再想着去召回，那样的成本很高，而实现的可能性却极低。
6）这个指标是不是柏拉图指标，并不好操作和实现？
构建数据指标体系时需要注意指标的可落地性，不能用柏拉图指标。柏拉图的梦想是美好的，但是在没有考虑现实性的情况下最终只能是幻梦一场。
比如衣食住行中“行”的领域，在搭建地图类交通安全的数据指标体系时，我们可根据维度拆成“人”“车”“路”“环境”这几个维度，但是这些维度虽然看似完美，落地却有一定困难。比如，出行公司不可能因为一个路段比较危险就向当地的市政厅提出修路，或者因为司机的车长时间未检修就封禁他的号。很多维度受客观因素影响，比较难发挥“人”的主观能动性，因此在构建这种指标体系时可优先考虑“人”这个维度相关的一些指标。可见有些指标是可落地的指标，而有些指标是柏拉图指标。
寻找北极星指标的过程并不是一蹴而就的，要结合公司业务的核心目标及用户行为的关键动作综合考虑，切不可强求一步到位，这也是一个试错的过程。当然，北极星指标不一定只有一个，由于业务的复杂性，可能会是多个指标，也可能是多指标根据不同权重合成的复合指标，这就要求我们基于业务及产品本身进行深入思考，并多和需要数据的各部门探讨。无论是北极星还是北斗七星，能在夜空中指引我们前行的，都是好的指标。
（2）海盗——AARRR模型
“啦啦啦啦/黑色的风，吹熄着火/暴风雨外，那片天空/幸福在招手”，在蔡依林的《海盗》一曲中，我们听到了异国风情的地中海海盗般的各种吆喝和呼喊，就如我们接下来要提到的“AARRR”一样。AARRR是个拟声词，业内把AARRR方法称为“海盗指标法”。它是由500 Startups创业孵化器的联合创始人Dave McClure于2007年提出的一套模型分析的方法。
AARRR对应于用户生命周期的5个重要阶段：获取（Acquisition）、激活（Activation）、留存（Retention）、营收（Revenue）、引荐（Referral）。业内一些听说过此模型的人员会将其转化为漏斗模型，但其实这并不是自上而下的漏斗筛选的过程，而是互相贯穿、互相影响的几个部分。
① 获取
获取相当于获客拉新，是产品有用户的第一步，也是开启产品生命周期的重要一环。用户的来源分为自然流量和非自然流量，自然流量指用户通过非直接付费的渠道来到产品，非自然流量为付费渠道。付费渠道门类复杂，总的来说是通过线上广告投放及渠道投放来获取用户。这就要求在后续的用户数据分析过程中，增加渠道ID这个维度。
② 激活
激活是指用户开始使用产品，产品的价值开始得到发挥。掌握用户行为数据，可以便于观察产品的健康程度。这个阶段反映了用户使用产品过程中的一系列行为表现，是产品用户体验的核心所在。
③留存
留存是个非常关键的概念，其反映的是产品是否具有吸引力，用户对于产品是否具有黏性，以及现阶段整个产品及用户的数量和质量状况。自古以来有“回头客”一说，而留存恰恰就是从数据上反映回头客的数量和质量的。
④ 营收
营收即变现，即用户给产品带来的回报，可以反映产品的商业模式是否成功，用来衡量产品的商业价值。
⑤ 引荐
引荐即产品的自传播阶段，可以反映产品的口碑。好的产品不用通过过多的投放来获客，通过口口相传，就能带来激活、留存、营收等的提升。相反，产品口碑做差了，会引发用户大量卸载。
综上，此处列出通用的数据指标作为参考（见图2）。不同产品还会有更多基于个性化功能的指标，这里不作延展。
图2 图解AARRR
整合以上AARRR各方面的指标可以得出用户每个步骤的健康程度，再通过时间维度（环比、同比）、空间维度（各个渠道、各个地域）交叉对比，即可多维度得出维度筛选后的结果。
（3）千年等一回——GSM模型
“西湖的水我的泪/我情愿和你化作一团火焰/啊~啊~啊~/千年等一回，等一回啊/千年等一回，我无悔啊”，以这样的开场来介绍这个方法，相信读者永生难忘，高胜美（GSM）这首动人心弦的歌引出了第三种方法，也是不怎么常用，等千年可能用到一回的GSM模型法。
上面提及选取北极星指标来确定关键指标，运用AARRR模型根据用户行为一步步地进行漏斗分析，这两种方法比较适用于App内的指标搭建。而千年等一回的GSM比较适用于分析H5做专题活动的效果，即运用GSM模型来确定分析指标，特别是App内阶段性活动的指标。
GSM是Goal（目标）、Signal（表现）、Metric（指标）的缩写（见图3）。
图3 GSM模型
其中：
- 第一步，识别目标，明确产品的目标是什么，用户的目标是什么。
- 第二步，根据表现推导相应的用户表现，即一定会有哪些现象发生，会有什么信号出现。
- 第三步，找出相应指标（含北极星指标），确定具体哪些指标可以衡量表现，根据数据应该采取什么行动。
比如，某App最近做了一个签到且阅读大于多少章节送红包的活动，想要分析活动的效果，如何设计指标体系呢？
根据GSM模型，Goal是分析活动效果，即图书的阅读情况；Signal则为访问人数的增加，用户黏性的提高，留存转化的提升；Metric可定为活动页访问人数、阅读章节数、阅读图书数、用户阅读时长、转化充值等。
以上，我们提及了基于平台型数据产品在对App进行数据指标体系建设时所需要用的三种方法。第一种北极星指标法是用来根据App定位找到核心指标的方法；第二种AARRR模型（海盗指标法）用于在App获客拉新阶段以及用户稳定使用后，根据用户行为路径找到衡量业务的指标；第三种GSM模型区别于前面两种，但是也用于贯穿App，是特别适合做阶段性H5活动时对运营活动进行效果评估的指标。
我们在使用以上方法时，不能实行拿来主义，一定要先遵循6.3.1节介绍的设计原则，一切基于需求进行方法应用上的优化，这样才能满足需求方以及整个业务的发展方向。在下一小节里，我们会简单提及基于以上方法，在不同行业如何进行基本的数据指标体系建设。当然，第一步是运用北极星指标法，第二步是运用AARRR模型，第三步就是找寻前两者之外的其他重要指标。不断丰富完善，修建成整个数据指标体系的宏伟长城。
数据指标体系建设的步骤
下面详细介绍数据指标体系建设的步骤（见图4）。
（1）确立公司业务的核心指标
在确立核心指标之前，首先得明确公司的核心业务是什么，公司的整体目标是什么，以及在产品实现上如何帮助用户解决问题。所以，我们需要进行需求梳理，同时基于需求进行优先级的排序。需求梳理是让我们对数据有个明确的认知，明确我们要分析什么场景，要看哪些数据，要衡量哪些指标。好的需求梳理可以对整个数据指标体系的规划起到很大的辅助甚至指导作用。确立公司业务的核心指标需要用到上面介绍的第一个方法，即确定现有业务的北极星指标。简单来说就是，什么指标最能体现为用户创造的价值，什么指标最能体现给公司带来的收益。需要慎重选择，而这需要参照创建北极星指标的6个方面的标准。
图4 数据指标体系建设的步骤
比如电商行业，核心业务是平台提供更多满足消费者需要的商品，公司的整体目标是尽可能地提高总销售金额。所以，消费者的数量是多少、消费者一天能在平台上消费多少钱很重要，于是衍生出了DAU、订单、GMV等战略指标。再比如内容文娱行业，包括但不限于直播、视频、资讯等，核心指标可能是活跃用户数、购买会员数、播放量、播放时长等指标。
确立了核心指标以后，接下来就可以对这些核心指标进行细分拆解。
（2）确定用户行为的关键指标
数据指标之所以要成体系，就是为了更全面地把握用户的行为数据。在确立核心指标后，我们还需要确定用户行为的关键指标。用户的行为数据是支持整个业务的关键，通过关注主要业务流程和通用用户行为，可以更客观地了解业务的发展情况。
还是以电商行业为例，用户进入App浏览商品，看到喜欢的商品并收藏，再次浏览，看到比较满意的商品并加入购物车，等到大促或者千万元补贴争相付款。对于洗衣液之类的快消品，用户用了一次后，第二次还会翻到上次的订单商品，再次付款，实现复购。这一用户逛电商App的流程，就是千千万万大众消费者使用电商App的日常。这些行为看似普通得不能再普通，但其实这个简单的例子包含了“电商漏斗模型”（见图5）。确定好用户行为的关键节点，可以发现用户行为的关键指标有收藏率、加购率、支付率、复购率等。
图5 电商漏斗模型
而对于内容文娱公司来说，关键流程为会员购买流程、用户播放流程、用户跳转流程等，关键行为有搜索、筛选、浏览、收藏、点赞、评论、下载等。有了关键流程和行为，我们就可以寻找它们和核心指标的关联关系，探索它们对核心指标的贡献程度，进而将这些贡献量化为相应的指标。
不管是哪个行业，在选择指标时，要尽可能保证指标间的独立性，避免产生重叠，而且逻辑定义一定也要明晰，否则容易引起误会。当使用方看到两个近似甚至几乎没区别的指标时，难免会产生困惑，不知道该用哪个来决策，所以最好是只保留其中一个，这样既保证了逻辑清晰，也能避免犯错。在埋点的定义及上报规则更改之后，一定要重新定义相应的数据指标并修改统计逻辑，确保最终呈现的是符合现有统计逻辑的统计量。相关的逻辑修改也需要告知有关业务需求方。
（3）进行业务需求的多维拆解
只是确定公司业务的核心指标与用户行为的关键指标，还不足以支撑日常运营的发展需求，我们还需要对一些关键运营及活动的点进行量化，并进行多维度的分析，将指标拆得更细，以满足运营人员对用户和运营内容更加细致的评估，进而运用数据驱动运营的下一步策略。对核心指标的多维度拆解也可以帮助我们在核心指标发生异变时，快速定位问题，找出原因，提出相应的解决方案。关于业务需求的拆解，可以从宏观的业务大盘拆解及微观的业务单元精分两方面考虑。
① 宏观：按业务大盘拆解
根据企业战略目标，按照业务大盘的方式拆解数据指标体系。在这方面业内有个著名的方法论，也就是前面提到的AARRR方法（海盗指标法），其整体的拆分逻辑是获取→活跃→留存→营收→引荐。这个方法的特点是比较系统地拆解了用户的增长模型。
② 微观：按业务单元精分
有了业务大盘之后，我们就对这个业务做了什么及我们拿到了什么数据有了大致的了解，但对于企业来讲，更为重要的是考虑两个问题：
为了解决用户在不同业务环节中的问题，每个部门应该关注哪些过程及指标？
企业该如何通过不同的“第一关键指标”考核不同的团队？
相对应地，我们通过对用户实现需求的路径拆解，也拆解了企业在不同工作中需要配备哪些不同的团队。不同团队间既独立又相互需要，但整体上都是为了实现用户增长而组成。这些部门也成了数据产品经理的需求方和打交道的部门，他们的单元业务主要体现在以下几个方面。
- 认知阶段：商务部、市场部；
- 激活注册：市场部、产品部；
- 关键行为：产品部、设计部、运营部、大数据部；
- 沟通：产品部、研发中心、运营部、市场部、业务部；
- 交易：服务端、运营部、财务部；
- 售后：客服、法务部。
根据以上这些部门繁杂的需求，我们可按照不同的业务线进行需求梳理，比如产品部门：需要清楚用户在使用App时的用户行为路径；需要使用漏斗监测产品内业务流程的转化效果，从而找到流失环节进行产品优化；需要通过App内的不同广告位的A/B测试进行效果评估，对比有广告位和没有广告位时的点击数据。运营需要知道搜索关键词的次数，以及比较靠前的关键词是什么等。这些都基于埋点进行设计，然后进行数据指标的逻辑定义。
（4）依优先级进行系统性整合
“分—分—分—总”，前三个过程都是将指标体系不断进行拆分，是一个发散的阶段，最后一步是收敛，进行整合重构。将所有指标进行系统整合，去除相似指标，避免重复分析的指标，保留具有典型性的指标，并将它们有机地整合起来，形成一棵指标树，方便今后查找数据时，快速找到想要的数据。
进行指标整合的时候，要多关注指标间的关联关系。在实际分析时，通常我们会在某个指标上先发现业务的问题，然后会找相关的其他指标确认该问题或求证这个问题的原因，因此有关联关系的指标是在实际应用中使用频率很高的，也正是这些关联关系才使得这些指标成为一个有机整体。
针对上面的电商数据进行整合，为了建立大盘指标体系，需要基于不同阶段所需观察的不同指标，结合海盗指标法勾勒出业务数据的关键漏斗，再加上整体概况数据、用户行为数据、商品详情及销量数据、订单数量及金额等核心指标实时数据，我们就能够对业务大盘有粗粒度的、相对完善的监控。
有了基本数据之后，依据业务指标定义确定数据的统计逻辑，最终将计算结果可视化到大数据分析平台中，供产品及运营的日常监控使用。深入应用，之后也可依据数据仓库中存储的用户、商品、订单等信息进行数据挖掘并进行个性化推荐等。
03、数据指标体系建设的注意事项
- 关键指标并非设计得越多越好，北极星指标可以只有一个，也可以有多个，一般关键指标根据业务发展需要，设计3～6个即可。
- 数据指标体系规划上线并不等于任务已经完成，它需要不断完善、更新迭代，并配合产品的发版改进进行调整、丰富及细化，并且可以根据复合指标，自定义设置一些可用作衡量业务的指标。
- 数据指标体系的建设不能闭门造车，数据产品经理需要增强沟通协调能力，与全公司相关部门通力合作。这就要求和需求方多次确认并明确需求，需要和各端开发多次沟通并衡量实现的可能性。规划好上线，自己也需要相应地验收。要对有问题的地方及时调整。
本文摘编自《数据产品经理：实战进阶》，经出版方授权发布。
