大部分成长型企业都在面临着这样一种窘境：缺乏成体系化的运营指标监控体系。
这些公司有一些共同点：
— 每天看数据的人其实不多，或者只关注结果性的数据，比如用户数、销售额。
— 即使有数据，但是统计口径在部门间也会有较大差异，有时一个指标会出现几种版本的数据结果。最重要的是，这些数据并不构成体系化，无法高效监控。
— 当某些结果性数据出现异常时，每次都会花很多时间去寻找用于定位问题的过程性数据，一遍又一遍，累死了数据分析师不算，也延迟了快速做决策的时间。
解决上述问题的思路，是搭建一套基于业务目的的数据指标监控体系。
「指标」是一种度量，帮助企业追踪和评估业务的状态，从而确保公司是在正确的轨道上运营。而成体系的指标，它的最大价值就是提升整体的人效，快速定位到问题，然后把主要精力用于思考解决策略。
著名的咨询公司Gartner提出过一套数据分析的框架：
— 指标体系中的结果性指标可以帮助我们回答第一个问题：what happened?
Descriptive Analysis是描述性分析，告诉我们结果是怎么样的。
— 指标体系中的过程性指标还可以回答第二个问题:why did it happen?
Diagnostic Analysis是诊断性分析，告诉我们为什么会是这种结果。
— 而第三个问题：what is likely to happen?
是预测性分析，要知道如果继续下去会发生什么，就需要进行另外的趋势预测。
— 同样，第四个问题：what should i do about?
是最后的策略分析，可以根据指标体系的结果描述和过程问题定位，去思考解决方式。
上面其实是在解释，一套体系化的监控指标对企业的重要性。
那么如何着手开始构建一套指标监控体系呢？
第一步：明确使用者是谁，建立指标分层意识
一家公司，需要看数据的至少有3种角色：管理者（各种C-level )、业务线leader（总监）、执行团队。
不同层级的角色，对于指标的细节关注度是不同的，所以指标体系的设计，应该考虑到层级的概念。分为三个层级就差不多够用了，一般不用再往下拆分更细。
一级指标：
管理者一般只关注公司当前阶段最核心的业务指标与用户指标。往往一级指标代表着公司的战略目标，可以来衡量公司的业务达成情况，比如公司的销售额、用户数等。一级指标不能有歧义，指标的定义需要管理层和所有员工都能理解、认同，易于沟通传达。如果是一家启动了体验战略的优秀公司，往往也会设立一项最具体验战略代表性的北极星指标。
二级指标：
二级指标用来衡量各条业务线的业务表现，一般是将一级指标进行拆分后所得的指标。比如日活用户数、开单转化率、客单价这些二级指标。因为销售额=日活用户数X开单转化率X客单价，那么在销售额这个一级指标发生变化的时候，就可以通过查看二级指标的表现，以此快速定位问题的方向所在（注意这里还不是原因，只是方向）。
三级指标：
三级指标可以帮助执行团队去制定产品或运营的策略。当二级指标出现异常时，可以跟踪看下面的三级指标，更加精准的定位问题，离原因更进一步。如果销售额是一级指标，日活用户数是二级指标，那么Ios的日活和安卓的日活就可以作为三级指标，或者各注册渠道来源的用户日活也可以作为三级指标等等。所以可以看出，三级指标是对二级指标的进一步拆解。
第二步：梳理汇总一遍所有指标，按照业务框架初步将指标归类
在构建一个数据指标体系前，首先需弄清楚自己业务的相关指标都有什么。然后将众多的指标，按照一定方式进行梳理。这时候的指标不一定是最后会采用的指标，呈现结构也不一定是最后的结构。主要是帮助自己来理清思路，以及作为和各层级角色沟通的demo版本（总得拿点什么去讨论吧）。
梳理指标时，可以借鉴一些成熟的模型，如OSM模型、AARRR模型等，来归集所有数据指标。
第三步：各层级角色内部沟通，明确业务内容与未满足的痛点
在沟通中，也许你会发现你所沟通的对象平时是基本不看数据的，凭借感觉工作着。这种情况下因为无法度量自己工作的价值，所以基本对于所做工作其意义在那里，也会是一片混沌。如果遇到这样的问题，上面这套沟通清单，可能就不适用了。
这种情况下，可以改变一下沟通战略。
不妨试着了解一下对方一天中最重要的三项工作是什么，分别占用其多少精力，最低效的环节在哪里，工作是否有交付物，谁来评估，怎么评估与反馈等问题。
启发其去分析哪些地方是“原始”的，哪些地方可以更加高效，哪些地方容易出现失误。
当然，上诉的谈话尽量以提问的方式进行，目的是启发对方自己去思考与分析，而不是直接给予指导。自己的反思，会使其更加愿意去改善工作方式、学会使用数据。
工作中有些人习惯去告诉别人，你这里是不对的，你需要如何使用数据等等。往往这样的强塞工具，一般都会被遗忘与忽视。
第四步：重新调整第二步中的指标，根据业务现状选择最具代表性的指标
没有最好的数据指标体系，只有最合适的数据指标体系，也就是最能代表业务发展状态和目标的指标。
我们需要的并不是一粒粒独立的数据，而是通过分析数据后得到的洞察。虽然每天由业务产生的数据非常多，但是如果不能将这些数据和用户、和业务结合起来处理分析，也就无法利用好数据本身的价值。
这些价值体系在：
- 能够从360度全方位了解业务发展的现状与趋势
- 出现问题时能够通过层层拆解快速定位到问题
- 提升执行团队的工作效率，摒弃原始的决策方式
第五步：构建数仓，对数据进行计算，并输出指标字典
前面梳理出了指标体系，那么如何正确地进行计算呢？该数据仓库的同学上场了。
同一项指标，计算口径也会有很多种。为了避免我们采用的计算口径，不符合业务的定义，需要拉上市场、运营、研发、数据、产品等多岗位同学一起，明确口径。
第六步：BI产品的可视化展示
最后，数据产品经理拿到了接力棒，进行BI产品的可视化设计。
比较快速的方式就是通过BI工具进行展示。国内国外的BI工具不少，主流的有Tableau、FineBI、Power BI、Qlik Sens、WonderBI 、阿里云Quick BI、网易有数等等。缺点就是大部分都是付费的平台，且不是很方便定制化。所以也可以使用一些开源的BI工具，具体就不展开了。
好的BI平台展示，会让看数更简单、定位更精准，例如：支持多维度自主组合数据，从而可以多方位分析业务；可以便捷查看对应指标的统计口径；能展示业务的核心链路与转化；能导出EXCEl自行分析等等。
这里要注意不要将三个层级的数据一股脑儿的全部展示在一个看板上。一般情况下，管理层最关心公司整体目标的达成情况与当前阶段战略目标的实现情况，也就是一级指标。业务线leader除了一级指标外，最关心所管部门KPI或OKR相关的指标，也就是一级指标进行拆分后的二级指标。最后，可以给执行团队设定一定的查看权限，可查看所属部门KPI或OKR相关的二级指标与路径拆分后的三级指标，便于指引其定位问题、进行决策。
第七步：在日常使用中收集每位使用者的反馈痛点并持续完善，根据战略变化与业务目标调整进行迭代。
一套完善的指标体系并不一定实用。很多人都为公司设计过各种业务的指标体系，但是未必产生了价值。这其中原因有很多，比如太难用（可用性太差）、数据经常出错（数仓调度、计算逻辑等原因）、有些可能业务方不需要（缺少与使用者深度沟通需求）。
小结：
这篇文章没有很多“研发技术”含金量，更多的是从企业内部的组织协作、项目管理视角，介绍如何从0到1搭建一套指标监控体系。
我们需要再次明确，监控体系的最大价值就是帮助大家学会高效利用时间，把时间花在解决问题上，而不是寻找问题上，从而提高团队整体的人效。无法达成这一目标的指标体系，不是好体系。
