如何搭建一套完整的数据指标体系？

一、如何搭建一套完整的数据指标体系？

21.11.24更新：该答案很老了，我想办法再总结成一篇新文章。因为我见还有很多人再看，避免不系统带来的误导。

以下是原答案（不记得什么时候更新的了，年轻的时候？）：

第一份工作时，我的前辈给我安利一本书，顺便带了一句总结。

大概就是：数据分析就是把指标不断下拆的过程。

这个东西听起来容易，但拆了两年了，才慢慢熟练起来。

以前刚毕业的时候，面试会问很多这样的问题：你会选择什么指标去分析这件事？

甚至在工作一两年后，面试的内容还是：如果是你，开辟了一个新业务，怎么去建立指标体系？

之前我记录过一个拆解指标的心得，但现在再让我写，可能又有不一样的理解。

指标拆解是一切业务工作的前提。

为什么说的那么绝对，因为其实这就是分析最前置的事情。我要做一个业务，最简单的，我要知道它的订单/单量/流量。

这就是第一个指标。

指标拆解的工作很好玩，就像做订单预测一样，合理的指标拆解可以让思路更清晰，也可以做到持续监控，它就像组建一个人的血管，一点点的把所有脉络记录下来。

如果我刚毕业的时候就熟悉这个，大厂肯定要我（笑）

（所以工作经验对数据分析来说太重要了）

一个公司的指标体系大概会长什么样？或者说，当我新开辟一个业务时，我怎么从头搭一个指标体系？

别急，一定要坚持一个观点。

指标永远是从业务出发的。

对于一个公司来说，最最最最重要的，就是我的利润。

利润是一切，是国家的GDP，是说服投资人的唯一。你做的产品能长久的获得利润，占据市场，你就是最闪亮的星。

但每个公司，利润的来源都不一样。

（这里先强烈建议做数据分析的同事学一下财务和会计，在大数据还没出来的时候，财务和会计承担着公司经营分析的职责，其实很多事情都跟钱有关。你花出去一分钱，赚回来一块钱，都老老实实的记在财务账簿上）

利润 = 收入-成本。

收入 = 单量*单均价

单量 = abcdefg

到这里就关联回来了，公司的利润来源于你的订单，然后是你为订单制定的价格，你为了让大家来买你的东西，花费成本打开市场，获取流量。

这就是最本质的东西。

对大部分互联网平台来说，收入主要来自于两大块，一块是用户付费，一块是流量收入。举个例子，对于网易云音乐来说，他购买音乐版权（？），给你一个音乐平台，你为了更多好听的歌买了会员，这就是它收入的一部分。他也可以在自己的产品上做广告，做考拉海购的推广，你去考拉海购那里买了商品，相当于考拉海购要付网易云渠道费（虽然他们是一家人），这就是流量收入。

好，那么我的利润被拆解成收入、成本。收入被拆解成付费订单量、客单价和商业变现收入。

从业务出发，我的订单和流量来源于我提供的产品和服务，用户会留在这里，为了我提供的服务付费。

所以订单继续拆解成用户*人均单量

流量换算成时长，再拆用户*人均时长

用户一般用MAU去计算。

成本也需要拆，成本拆解的结果是你用钱换来了产品和服务。抛开人力成本，就包括你提供的产品数量（比如音乐总数，视频总数），这类就属于供给一侧的数据。

用供给侧去养用户侧，用钱换更多的钱，这样一级指标基本搭建完成。

收入类：总收入，人均ARPU，流量变现收入

订单类：总流量，总付费订单，付费流量数，人均浏览时长

用户类：总访问用户，总付费用户

供给类：总商品数，被购买/浏览商品数

二级指标通常在一级指标下细拆，包括不同类型的用户，不同时段访问的用户，这类指标都是为上一级指标服务。

还有一类指标属于效率类或质量类指标，会出现在用户生命周期，或者分析供给侧生命周期的情况下。比如我每天会新增多少主播，这些主播的时效如何，怎么让他提供更多的视频和资料，速度多快，质量多好，效率多高。

又或者用户多久会产生付费，付费和付费的时间能不能继续缩短？

这些效率类的指标可以用时长来描述，比如两次付费的时间间隔等。

剩下的就是看如何切合自己的业务，能够把业务指标对上成本，对上收益，对上订单，对回效率和roi，行成自己的闭环，那么指标体系就算初步完成。

剩下的就是大体系关联小体系，总部中后台有一套大体系，但其中某个关键的业务指标可能是某个业务部门的核心指标，但核心指标依然离不开流量成本和roi，那就交由小部门来拆解并且录入指标体系的域中。

越下钻的业务指标应该越灵活，越靠近总部核心指标越固定，这就考验bi部门的结构设计和对应的数据产品设计，这样便得到了一个仅用少量人便可维护的指标体系。

想要转岗或者学习的同学可以看看知乎官方的数据分析课程，体会真实的工作场景。里面有一线互联网大厂大牛带队，直播互动讲解互联网数据分析工作流+常见分析模型运作原理，还有大厂真实案例带练实操、涵盖分析工具操作入门、数据可视化、数据分析+实战，对零基础的同学更有帮助~

下一节课，因为看的分析师蛮多的，像这种分析有疑问的也可以看这个回答。

二、10086大数据是什么数据？

10086大数据也就是“移动大数据”，是依附于“中国移动”海量的用户群体的大数据，包含中国移动的用户上网行为数据，用户的通话行为数据，用户的通信行为数据，用户的基本特征分析，用户的消费行为分析，用户的地理位置，终端信息，兴趣偏好，生活行为轨迹等数据的存储与分析。

“移动大数据”不光可以实时精准数据抓取，还可以建立完整的用户画像，为精准的用户数据贴上行业标签。比如实时抓取的精准数据还筛选如：地域地区，性别，年龄段，终端信息，网站访问次数，400/固话通话时长等维度。如用户近期经常访问装修相关的网站进行访问浏览，或者使用下载装修相关的app，拨打和接听装修的相关400/固话进行咨询，就会被贴上装修行业精准标签，其他行业以此类推。

三、大切诺基轮毂数据？

大切诺基的轮毂数据如下：

大切诺基采用的轮胎型号规格为295/45R20，汽车的轮胎胎宽为295mm，胎厚为133mm，扁平率为45%，汽车前后轮胎的规格是一样的，轮毂采用的是美国惯用的大尺寸电镀轮毂。

四、数据大模型概念？

数据大模型是指在大数据环境下，对数据进行建模和分析的一种方法。它可以处理海量的数据，从中提取出有价值的信息和知识，帮助企业做出更准确的决策。

数据大模型通常采用分布式计算和存储技术，能够快速处理数据，并且具有高可扩展性和高性能。它是大数据时代的重要工具，对于企业的发展和竞争力提升具有重要意义。

五、千川数据大屏看什么数据？

千川数据大屏可以看到公司内部的各项数据，包括销售额、客户数量、员工绩效、产品研发进度等等。因为这些数据对公司的经营和发展非常关键，通过数据大屏可以更直观、更全面地了解公司的运营情况。此外，数据大屏还可以将数据进行可视化处理，使得数据呈现更加生动、易于理解。

六、什么是关于数据认知的一套思维模型？

知识管理领域有一个DIKW模型，它把我们每天所接收到的东西分为四个层级，分别是：数据（data）、信息（information）、知识（knowledge）、智慧（wisdom）。

DIKW模型，很好的帮助我们理解数据、信息、知识和智慧之间的关系，它向我们展现了数据是如何一步步转化为信息、知识、乃至智慧的。

简单来说，我们日常所接收到的所有事实，就是数据，当你把它们按照某种流程组织、分析、整合在一起时，数据就产生了意义，就是信息。信息能够帮助我们回答一些简单的问题，比如，时间、地点、人物、关系等等。

如果说数据是所有事实的结合，那么知识就是所有信息的结合，它使信息变得有用。知识是对信息的应用，是一个对信息判断和确认的过程，这个过程结合了经验、上下文、诠释和反省。

对于知识，我们需要的不仅仅是简单的积累，还需要理解（Understanding）。也就是认知、分析内化知识的过程，并且根据已经掌握的信息和知识创造新的知识，这才是真正的学习。

最后，所有知识集合组成智慧。智慧是判断是非、对错，和好坏的过程，是一个人做正确判断与决策的能力。与DIK不同，智慧关注的是未来，试图理解过去未曾理解的东西，过去未做过的事，回答的是「为什么」的问题。

七、大阳adv 150数据？

150mL水冷四气门发动机、无钥匙启动、怠速启停技术、双通道ABS、集成了众多数据显示的7寸TFT液晶仪表、侧撑熄火、双气囊减震、9.3L大油箱等诸多耀眼的配置在同排量及踏板车中可谓是无出其右者 。

八、大飞龙数据是什么？

非农。

并不是飞龙。每个月就等这么一次非农。非农就是美国非农就业人口数据。大非农是美国非农业人口就业数据，对金价直接影响小非农指的是ADP和失业金申请数据，对金价也有决定性影响。

每个月的第一个周五晚上有美国非农数据，由于夏令时和冬令时的关系，晚上8:30或者9:30，黄金波动比较大。欧元和英镑等其他非美货币也会有波动的，不过幅度不一定很大。一般情况，每个月这一天做黄金是最赚钱的，上下挂单就可以了，赚钱的概率大约95%，有些人做了很多次非农，也没有试过亏损的。

九、大非农数据怎么解释？

大非农数据是指美国劳工部劳动统计局公布的反映美国非农业人口的就业状况的数据指标，包括农业就业人数、就业率与失业率这三个数值。

这些数据每个月第一个周五北京时间晚上8点半或9点半发布，数据来源于美国劳工部劳动统计局。非农数据可以极大地影响货币市场的美元价值，一份生机勃勃的就业形势报告能够驱动利率上升，使得美元对外国的投资者更有吸引力。

非农数据客观地反映了美国经济的兴衰，在近期汇率中美元对该数据极为敏感，高于预期利好美元，低于预期利空美元。

此外，就业数据可以反映一国的经济健康状况，就业以及新增就业对交易员关于国家中长期经济的预期十分关键。

十、excel数据大怎么解决？

当处理大量数据时，Excel可能会出现性能和内存方面的限制。以下是解决大型Excel数据的一些方法：

1. 使用适当的硬件和软件：确保您使用的计算机具有足够的内存和处理能力来处理大型数据集。考虑升级到更高配置的计算机或使用专业的数据分析软件。

2. 数据分割和筛选：如果可能的话，将大型数据集分割为较小的部分进行处理。您可以使用Excel的筛选功能选择特定的数据范围进行分析。

3. 使用数据透视表：数据透视表是一种强大的工具，可以帮助您有效地汇总和分析大量数据。使用透视表可以简化大型数据集的分析过程。

4. 禁用自动计算：在处理大型数据集时，禁用Excel的自动计算功能可以提高性能。您可以手动控制何时重新计算公式或刷新数据。

5. 使用Excel的高级功能：Excel提供了许多高级功能和函数，如数组公式、数据表和宏等。学习和使用这些功能可以提高处理大型数据集的效率。

6. 导入和导出数据：考虑使用其他数据分析工具（如Python的Pandas库或SQL数据库）来导入和处理大型数据集，然后将结果导出到Excel中供进一步分析。

7. 数据压缩和优化：如果您的数据中存在冗余或不必要的部分，可以尝试使用数据压缩和优化方法来减小文件大小和加快处理速度。

8. 使用数据存储库：对于非常大的数据集，考虑将数据存储在专门的数据库中，并使用Excel作为前端工具进行数据分析和可视化。

请记住，Excel并不是处理大型数据集的最佳工具。对于复杂的数据分析任务，您可能需要考虑使用专业的数据分析软件或编程语言。