今天我们聊聊“指标体系”，提到指标体系，你可能会问：
我天天都在看指标、分析指标，把指标做成体系有什么好处呢？对我的工作有什么价值？
其实你看似每天都在和“指标”打交道，但也仅仅是在“看”图表、“搬”数据。
可能你对指标体系与业务的关系，都从来没有深入思考过。比如对于你公司的业务，它各项指标的背后究竟在对什么负责？指标体系又是如何将一个个单点指标串联，为业务描绘出清晰蓝图的呢？
想到这些问题时，你可能会意识到指标体系就是业务的逻辑框架啊，所以我才说“指标体系是思考业务逻辑的第一步”。
而如果你对业务的思考，没有建立在指标体系之上，可能会犯以下场景的错误。
思考业务的底层逻辑——指标体系
新年刚过，又到了需要对上一年进行业务复盘的时候了，老板询问大迷糊去年的业务情况。
老板：“去年你负责的用户活跃工作进展得怎么样了？”
大迷糊：“还不错，咱们产品的活跃挺不错的，现在 DAU 已经有 543 万了。”
老板看向数据看板，也醒目地看到了“543 万”这个数，心想“你不说我也知道”。如此回答，怪不得晋升加薪都没大迷糊的份。
而如果是磊叔，会怎么回答呢？
老板，我负责的用户活跃，主要考察每天启动产品的注册用户数量。整体来看，每月活跃保持 7.3% 的增长，是因为渠道团队的拉新活动带来很多新增注册用户，占每月活跃用户的 40%，新一年会继续沿着此方向继续推进；同时我们也发现 DAU 的提升对整个收入贡献也很大，每新增一个 DAU，大约能带来 23 元的收入。
大迷糊的回答只有一句话，仅仅陈述了一个表面的数字；而磊叔却将一个复杂业务场景的关键特征、运营效果和未来方向说得清清楚楚、明明白白。
表述业务场景的业务特征：每天启动产品的注册用户数量。
表述业务场景的运营效果：保持 7.3% 的增长。
表述业务场景的未来方向：联合渠道主打新增注册用户。
表述业务场景的衍生价值：DAU 对收入贡献很大。
这两个回答差异如此明显的原因，在于他们思考业务的底层逻辑不同。
大迷糊的回答是基于 “指标”本身来思考的。基于“指标”本身的思考方式单一、局限，往往是“就事论事”的单点分析，分析结果要么不够透彻，是“正确的废话”，要么缺乏整体通盘的大局观和全面见解。
而磊叔的回答是基于 “指标体系” 来思考的。基于“指标体系”的思考，除了关注 DAU 这个指标本身，还会结合与 DAU 相关联的其他指标分析，例如 DAU 与收入指标间的关系；以及结合与 DAU 相关联的不同维度分析，例如 DAU 与渠道维度的关系。
而很多时候，产品/运营的同学在分析指标时，会像大迷糊一样，仅针对单个指标思考，这样分析出的结果肯定会单薄、零散，难以发现有价值的信息或更全面的问题。
而指标体系能够清晰地定义业务特点，准确地表达业务运营情况，精确指引业务运营方向，所以我们才说：指标体系是思考业务逻辑的第一步，也是数据化运营的根本。
这一讲的内容看似基础，实则却很重要，它能帮你建立一个良好的思维意识。
指标与指标体系
指标与指标体系的定义虽然简单，但很多同学对它们还是有不少误解。比如，将用户信息明细表误作为指标，直接汇报工作；再或者由于不了解指标体系结构，在工作中遇到问题，不知道利用哪一层指标作为工具去应用，也无法从指标中洞察业务情况。
接下来，我想带你重新认识一下指标与指标体系。
1. 指标，必须具备业务意义
指标，即具备业务含义，能够反映业务特征的数据。
指标必须为数值，不能是文本、日期等文本
指标的形态只有一种，即指标是且只是数值，不能是任何非数值的形式。正因为指标只能是数值，故指标才能进行分析和计算，并能从数值的变化中去洞察业务运营的机会和问题。
所以“性别”不是指标，而“男性数量”“女性数量”“男性占比”“女性占比”“男女比例”等才是指标；“城市”不是指标，而“一线城市占比”“省会城市数量”“GDP 大于 1 万亿的城市数量”等才是指标。这是很多同学容易犯的错误，请一定注意。
指标都是汇总计算出来的
所有的指标都是从明细数据逐步、逐级汇总计算出的，是许多明细数据综合汇总的结果；而单一个体的明细数据不是指标，因为它也不具备任何业务意义。
这个也是产品/运营同学常混淆的地方，经常误把明细数据当作指标。
如下图所示，左边的是用户列表，属于明细数据，不具备任何业务价值；而右边的“用户数量”“男性用户占比”是指标，才具备业务价值。
2. 指标体系，将业务清晰拆解
指标体系是指根据运营的目标，将多个指标创建联系后形成的整体。如下图所示，指标体系是通过将指标纵向拆解、横向扩展，再通过指标的定义，以此来形成体系化，且具备树状结构的数据结构。
最上层，叫作顶层指标
顶层指标一般是战略型、整体型指标，用于管理团队或业务负责人把控产品方向和进展，比如 GMV、用户规模等。
顶层指标之下，叫作汇总指标
汇总指标一般是战术型、执行型指标，也是产品运营同学使用最频繁的指标，用于分析业务问题，寻找业务原因，例如有效注册用户量、DAU、MAU 等。
最底层，叫作原子指标
原子指标一般是从数据源或数据库中直接加工出来的指标。由于其颗粒度过细，不直接用于业务场景，而是作为多维分析中指标变化的原因。
例如，渠道 A 的每日注册用户量就是原子指标，用以反映渠道整体获客能力的好坏，以及获客出现问题时的原因。
现在我们已经知道了指标和指标体系对于业务的作用，那么再进一步思考，能从哪些角度入手，考量指标背后的意义呢？
如何看待指标？
刚刚我们提到，对于“指标体系”的思考，除了需要你关注单个指标外，更需要你结合相关指标，并能从不同维度进行分析。这样，就需要你对指标的“类型”和“维度”划分有更深入的理解了。
1. 目的不同，选取的指标类型也不同
从产品运营的完整生命周期看：
规模类指标，用来体现产品在所处行业赛道中排位和与竞争对手距离，通常包括用户规模、收入规模、内容规模、渠道规模等，如注册用户数、GMV、内容库数量、覆盖渠道数量等；
质量类指标，用来体现用户对于产品的黏性和忠诚度，即产品功能和运营是否能够持续吸引用户，如活跃用户数、用户留存率、用户访问时长、人均打开次数等；
营收类指标，用来体现产品变现和收入能力，即用户是否有意愿在产品上进行付费，如购买转化率、复购率、首次付费周期、客单价、人均收入贡献等。
从产品运营的不同阶段看：
北极星指标，指能够体现产品当前阶段战略方向的指标，一旦确定，不同的角色和团队都需要瞄准这个指标去开展工作；
虚荣指标，指短期内增长明显，但长期来看价值较低的指标，如累计用户数、GMV 等。
从用户行为看：
行为指标，用来体现用户在产品上的各类行为特征，如 PV、UV、页面停留、浏览位置、页面跳出等；
业务指标，用来体现产品中各类业务完成情况，如收藏夹数量、回答问题量、发布视频量等。
这些指标类型，你一定要将它们的含义和分类理解透彻，因为我们需要根据问题的背景、目的，去调取、选用不同的指标，“误选”和“误用”都会对业务方向造成极大的负面作用。在后面的课时，我也会继续详解每类指标的具体作用。
2. 维度不同，分析业务才更全面
维度，是描述指标的不同角度，既可以是文本也可以是数值：
常见的文本类维度，包括地区、性别、地理位置、产品品类、渠道等；
常见的数值类维度，包括收入、年龄、消费金额、用户等级、产品评分等。
维度中最常见的就是日期维度、地理位置维度、品类维度和渠道维度。
日期维度，常分为年维度、季度维度、月维度、周维度、日维度和小时维度。
地理位置维度，常分为大洲维度、国家维度、省维度、市维度、区维度和街道维度。
品类维度，在电商产品中应用较多，通过品类维度可以快速寻找不同品类带来的指标变化，以及对比不同品类的指标区别。
渠道维度，常分为线上渠道和线下渠道，是拉新获客的重要维度，通过渠道维度可以制定渠道投放组合、优化渠道运营，以及对比不同渠道的获客质量。
回想一下，刚刚我替代大迷糊对老板的回答，就结合了 DAU 与“渠道维度”的关系，分析出 DAU 增长的原因，一个方块六个面，我希望你看待问题也能尽可能地多维度思考。
讲完如何思考，接下来我们讲一下该如何做。
在指标体系的作用下，能做什么？
在我介绍顶层指标、汇总指标和原子指标时，可能你也发现了，指标体系在将业务清晰拆解的同时，也能将组织架构清晰拆解，并展示指标的上下级关系。
而这也是指标体系发挥作用的关键所在，所以我们可以从以下这三方面驱动业务。
1. 合理调配运营资源，并明确工作重点
指标体系的树形结构刚好对应着产品运营团队的组织架构，顶层指标一般由业务部负责人负责，汇总指标和原子指标由各层级的小组长和同学负责，同时指标体系中每一个指标都有对应的同学来运营。
换句话说，就是把指标体系中的每个指标，换成产品运营同学的名字和职位，也就成了完整的组织架构图。
阿里巴巴就是典型的业务驱动型团队，其团队人员和组织架构是完完全全服务于业务的。接下来，我讲一个真实案例向你说明这点。
几年前，我们打过一场“内容消费时长”战役，目的是提升用户单次使用产品时观看视频的数量。
在启动这个战役时，由战役的负责人确定战役目标，即人均观看视频数量（人均 VideoViews），然后基于这个指标开始向下拆解：
在拆解的过程中将人均 VV 细化为实时推荐拉链的准确率、视频标签的覆盖率和准确率，以及内容库中各个分类短视频的内容充足率等指标，因为这三个指标和人均 VV 息息相关；
然后，继续细化拆解这三个指标，直到不能拆分为止，并形成内容消费时长的指标体系；
最后，由 HRBP 根据这个指标体系来将人员填到各个指标中，最终完成这个战役的各级目标和人员安排。
这样的指标划分对团队协作有如下好处：
首先，每个指标的负责人都非常清晰地知道自己负责的指标是什么，开展工作时指向性非常明显；
其次，每个指标的负责人都知道自己的上下级汇报关系，当出现问题时非常清楚是要向上寻求资源支持，还是向下与团队排查问题；
最后，每个指标的负责人都知道自己平行团队的工作方向，便于开展工作时高效协调和拉通。
2. 向上评估指标的影响范围和程度
除了顶层指标，指标体系中每个指标都有其上层指标（父指标），所以当指标体系中的指标发生明显异动时，可以根据这种逻辑关系迅速评估影响范围和程度。
又因为指标都是汇总计算得来，所以当指标变化异常时，就能够基于计算逻辑准确评估其对父指标的影响，最常用的就是分析指标在其父指标中的占比，以及分析指标与父指标的相关性。
【案例 1】
例如，下图是一个信息流产品的指标体系，此时你的角色是沉默唤醒的负责人。
分析历史数据发现，沉默唤醒用户在 6 月 6 日上涨得很明显，我们希望评估沉默回流用户上涨后可以给活跃用户带来的贡献。
通过多维分析发现，沉默唤醒用户给上层指标（活跃用户）的贡献占比为 9.15%；再通过相关性分析，也能发现“沉默回流”用户与活跃用户的相关性远低于新增用户。所以可以认为沉默回流用户的异动对“活跃”的影响低于其他两个因素（新增和留存）。
多维分析和相关性分析，并不复杂，我会在“模块⼆ 指标分析法，从运营指标体系中洞察问题”中分别进行专题介绍。
3. 向下寻找指标异动的原因
除了原子指标，指标体系中每个指标都有其下层指标（子指标），所以当指标体系中的指标发生明显异动时，可以根据这种逻辑关系迅速寻找原因。
又因为指标都是汇总计算得来，所以当指标变化异常时，就能够基于计算逻辑准确寻找变化的原因。最常用的就是分析指标在父指标中的占比，以及分析指标与父指标的相关性，来判断影响指标变化的是由哪些下层指标带来的。
【案例 2】
我们继续拿上图的案例，假设你的角色已成为“活跃”的负责人。
分析历史数据发现，活跃用户在 6 月 21 日下跌得很明显，我们希望寻找活跃用户下跌的原因。
对这几个指标进行相关性分析后，我们可以发现新增用户、留存用户对活跃用户的相关性分别居于第一和第二，故基本可确定下跌主要由于新增用户的原因，其次是留存用户。
所以接下来为了避免活跃下跌，我会投入更多精力和资源在渠道获客上（针对新增用户），同时继续细拆留存，进一步分析新客留存和老客留存的情况。你也能感受到，基于指标体系来进行产品运营的问题溯源，这样的逻辑和方向都非常清晰。
【案例 3】
刚刚我们仅展示了两个极简版指标体系的思路案例，事实上真实的业务场景要复杂得多。例如，下图这个案例，请问你如何通过指标体系快速找出影响 DAU 变化的原因？
欢迎你在下方留言区与大家讨论，我会一一与大家沟通。之后，这个案例的分析过程我也会在模块二的多维分析中详解。
指标运用注意事项
指标是一个客观概念，是对业务的真实反映，所以团队必须对此有着统一、精准的认识，这就需要你对业务口径和更新周期，有一个规范。
1. 业务口径
指标的详细定义，须能直观、无异议地说明指标的业务意义及其计算公式，并在必要时说明指标的统计周期。
通过定义业务口径，可以让同一个指标在不同团队或组织中具备统一的认知和理解。比如常见的 MAU，即月活跃用户数，那么究竟是“近 1 个月活跃的用户”还是“近 30 天活跃的用户”呢？这两个口径的差别可大了去了，近一个月是指一个完整自然月，而近 30 天是指从今天开始往前推 30 天，可能会跨自然月。这种令人迷惑的口径必须通过指标的业务口径清晰定义，其他类似的还有七日留存和次周留存。
2. 更新周期
指标的更新周期，即指标的计算都需要时间，通常用 T+X 来表示，其中 X 表示所需计算时间，一般用“天”作为单位。例如 T+2，表示这个指标的计算周期是 2 天，即今天看到的指标是 2 天前的数据。
数据化运营，特别要求看指标前，务必先了解这个指标的更新周期是多久。
虽然互联网公司的数据计算能力已经很高效，但也万万不要想当然认为指标都是 T+1 的，如果把 T+2 的指标认为 T+1 的，那么必然会对接下来的业务分析造成严重偏差。
例如，某产品 DAU 的更新周期是 T+2，意味着前天的 DAU（10 月 7 日）是准确的，而昨天（10 月 8 日）和今天（10 月 9 日）的 DAU 仍在汇总计算中，结果并不稳定和准确，不能用于分析。
小结
这一讲我带你重新认识了“指标体系”，以及它与业务的关系。希望之后在你思维中，“数据”不再是单个指标之下的数字，而是能在“指标体系”之下，形成你对业务洞察到的信息。
这样，才是一个数据化运营的过程。
现在我们已经迈出了“第一步”了，接下来我还会带你认识北极星指标、注册类指标，以及活跃留存指标，带你一步步建立数据化运营体系。
下一讲，我们将学习《02 | 告别迷茫！北极星指标，为业务指明方向》，别忘来听课哦～我是磊叔，下节课见~~~
精选评论
**铭：
我的思路：案例3中，快速找出DAU变化的原因，我们可以从数据的三个角度去分析，分别是“地区”、“终端”、“年龄段”，每个角度又可继续细分；找到变化比较大的数据，比如DAU在1-2w之间的数据，观察各指标之间数据的异动，可以发现深圳市和安卓用户的启动应用的次数明显大幅下降，在1w左右DAU数据可以发现，年龄大于30岁用户对DAU指标影响较大。所以产品运营可以针对大于30岁、使用安卓端的沿海城市的用户进行DAU优化。
讲师回复：
这位同学回答的非常好哇，不仅分析思路清晰，而且对数据的变化有很强的敏感度，并且输出的结论非常精准，就像用激光枪精确命中靶心，而不是霰弹枪打中一片。整体分析过程的逻辑性也非常强！
如果我们能把“角度”换成“维度”，把“角度细分”换成“维度下钻”，整个表述的专业感和成熟度会更好。
如果再能通过一些分析方法精确的说明“异动”，用精确的数字来说明“影响较大”，那么这就是一篇120分的回答！
Great! Good Job!
*丹：
案例3中，关于快速定位DAU的变化原因，首先可以衡量下地域，平台，年龄与DAU之间的相关性，然后根据确定出的相关性的程度，进一步对每个维度进行下钻分析，衡量不同城市在地域，不同操作系统在平台，不同年龄段在年龄中贡献占比，来进一步确定影响的因素
讲师回复：
是啦，提到相关性就对了……不过在这之前还要看看这些波动变化是否异常。
**娟：
案例3中，通过已知提供的数据，可以分为三个维度来分析，地域、设备端口、年龄段。针对不同的数据，做相关性分析，发现这三个维度中，相关性相对较强的依次为：深圳、Android、大于30岁。其中“大于30岁”与DAU的相关性最强，相关系数高达0.9。——————————————————————————————————————另外案例中1、2中，不知道是不是分析的方法不对，在excel中用相关性分析，怎么得出的结论跟老师的刚好相反，沉默唤醒用户数与活跃数相关系数高达0.99.请教老师正确的相关性分分析方法
讲师回复：
案例1仅做示意，精准的案例在模块二中会体现。
Cecilia：
如果团队人数较少，就无法做到很明确的细分了，一个人就是一个团队
讲师回复：
是，但依然可以根据指标体系的架构对个别人的工作方向给出指导。
*哩：
不得不承认，平时我做报告时就是那个大迷糊，没思路，就会报数字
**晴：
磊叔好，案例3中，关于快速定位DAU的变化原因的那个问题，如何去定位具体是因为哪个因素导致的DAU变动呢？看到其他同学有提到相关性，如何去看地域、设备端口、年龄段这几个因素之间的相关性？另提一建议，是否可以让文中提到的表格可下载，想拉几条数据线看一下。盼复
讲师回复：
定位引起DAU变动的原因，是基于指标体系的。指标体系中明确定义了某个指标的组成和关联维度。定量判断时，主要使用相关性分析来判断。操作方法在课程中有提到哈。
**英：
磊叔，求翻，有几点疑问：1.指标体系是思考业务逻辑的第一步，请问，指标体系是怎么来2.活跃用户数=昨日留存+沉默唤醒+新增用户数那么登录用数=？3.gmv怎么它就是虚荣指标4.指标体系和KPI考核指标的关系
讲师回复：
1）指标体系是从业务分析的需求来的。一般而言产品初创期就会设计指标体系。所以大多数同学如果没经历过创业团队，一般而言接触不到完整指标体系创建过程。
2）你是问登录用户数吗？这个和活跃用户数是两个概念。你可以理解为：登录用户数 = 昨日留存且登录 + 沉默唤醒且登录 + 新增且登录。
3）gmv，在很多电商公司的定义是：成功购买/付费，同时未剔除退货退款等情况，也就是说，GMV是1000万，退货退款的有100万，那么真实的交易只有900万。另外，我也见过部分公司的gmv的定义为：下单成功即可，是否付费不重要。所以，未明确GMV口径的情况下，一般都将GMV当做虚荣指标。
4）KPI或OKR中的KR一般都是从指标体系中抽取出来，具备重要业务价值和方向的指标。你可以认为kpi是指标体系中的一小部分。
**昊：
可以说很干货了
**平：
案例3的DAU啊，从目前给到的数据看，能从地域、终端类型、用户年龄三个纬度来看，数据日别趋势变化跟各维度下不同内容的相关性，各纬度中，相关性最高的分别是深圳、Android、大于30岁用户。但是，我想再细分看工作日和周末会不会有影响时，把数据整理成从周一到周日，关于各个纬度的数据，发现跟广州的相关性高过了深圳，年龄小于20岁的用户相关性也超过了大于30岁的用户。所以，如果这个app的变动跟工作日过是周末也有关系的话，那么还应该考虑对应时间段内广州、＜20岁的用户的情况。想请教老师，工作日＆周末的分析有必要吗？还是只是辛普森悖论引起的这种变化呢？
讲师回复：
分析周期对相关性的影响很大，也就是说可能一周的数据中发现了某种联系，但是放到一个月却发现没有这个关系了。这是非常正常的，也正是相关性分析的用武之地。因为业务本身就是和时间周期息息相关的。
**华：
通过多维分析发现，沉默唤醒用户给上层指标（活跃用户）的贡献占比为 9.15%；再通过相关性分析，也能发现“沉默回流”用户与活跃用户的相关性远低于新增用户。所以可以认为沉默回流用户的异动对“活跃”的影响低于其他两个因素（新增和留存）。--------------------------------------这里分析错了吧？9.15%我算出来是9.8%呀
讲师回复：
这个图在这里表达的意思是，整个多维分析上应该怎么做，还没有到排查问题那个阶段。6月6日暴涨后，应该是怎么去分析，现在只是说正在整体去看他的这个贡献。意思是在这个表格的这个周期里面，整体去看，其实沉默唤醒带来的用户并不会对活跃带来那么多影响。但是如果在6月6日这一天去看，就是另外一回事了，一个是整体分布，另一个是看里面的具体的排查原因，排查原因我会在后面的章节讲。
**华：
9.15%是怎么算的
*娇：
案例3，第一反应是不是学习类的app
讲师回复：
哈哈，不是，几乎所有的app都会有这些维度哈