前言
在日常工作中，数据同学经常会遇到以下问题
产品：为什么A页面的数据和B页面的数据对不上
数据：我去看看
一段时间后.....
数据：A页面数据是来自于AA表，计算逻辑是AAA，且没有包含AAA状态数据；而B页面是来自于BB表，计算逻辑完全不同。所以他们虽然名称相同，但其实数据并不一样。
产品：......
亦或是
数据：同一个指标在多个项目里用到，但A同学从A表取了数据；B同学从B表取了数据。我应该从哪个表取呢？如果这个指标的逻辑修改了，那这两个表应该怎么修改呢？新增一个指标，如何确认它的定义呢？
如果大家经常遇到上述类似问题，说明需要一个“数据字典”或者“指标库”来对指标的定义进行规范化和维护。
本文将会对指标进行初步介绍，并就如何规范指标进行深入讨论。
什么是指标
我们经常听到以下类似的对话：
”很多用户都对我们产品不满意。“
“感觉我们线下门店都没几个人了。”
“小程序感觉都没几个人看。”
这些不准确、具体的话，我们平时说说倒是无妨——毕竟具体的消息需要一定的成本。但是在工作中如果还是这个态度的话，恐怕就不太合适了。如果每个项目、活动连每天多少用户数、花多少钱赚多少钱都说不明白，那这个项目想来也没什么价值。
指标，就是对抗这种不确定的描述。
我们先来看百度百科中指标的定义
指标，是说明总体数量特征的概念及其数值的综合，故又称为综合指标。在实际的统计工作和统计理论研究中，往往直接将说明总体数量特征的概念称为指标。
简单的说，指标是衡量目标的方法，它为了衡量某个东西而存在。我们常说的日活、成本、利润、收入等，都是指标。
将刚才的话运用指标重新编辑下：
“据问卷抽样统计，60%的用户都对我们产品持负面意见。”
“近一个月线下门店的客流量同比下降30%，环比下降40；每小时客流量甚至不到10人。”
“近一周小程序的DAU不到200”
是不是显得准确了很多？
下面我们进一步介绍指标的构成
指标的构成
我们可以简单的分为3类：自身属性、业务和技术。
指标的构成
属性
-
名称
这里主要是统一认知，同一个名称——同一个定义。
-
计量单位
即该指标的单位；用户量——人；订单金额——元（人民币）等类似。
-
所属类型
根据指标自身的特点，我们可以将其分为3种
-
基础指标：主要指不能再拆解的指标，通常表达业务实体原子量化属性的且不可再分的概念集合。如：订单数、订单总金额
-
复合指标：建立在基础指标之上，通过一定运算规则形成的计算指标集合。如：平均订单金额=订单总金额/订单数
-
派生指标：指基础指标或复合指标与维度成员、统计属性、管理属性等相结合产生的指标。如：近30天订单金额=用户在过去30天完成支付的订单总金额。
指标和维度的结合，在指标中会被称为派生指标；在维度中则会被称为行为维度。
基本所有指标都属于这三类。
-
-
度量类型
所有的指标都是度量，因此也必然符合度量的分类。
-
全可加度量：指可以在任何维度进行聚合的指标，例如访问数、订单数、订单金额等。
-
半可加度量：指可以根据某些维度进行聚合的指标，例如财务指标中的差额——它可以在除了时间维度以外的所有维度进行聚合。
-
非可加度量：指完全不可以根据任何维度聚合的指标，主要指各种比率。例如利润率、转化率、消费率等
非可加度量一般会在 OLAP 层或 BI 层进行处理。
-
业务
-
业务域：
高维度的业务划分方法，适用于特别庞大的业务系统，且业务板块之间的指标或业务重叠性较小。例如用车业务板块包含乘客端、司机端，电商业务板块包含商城、返利模块。
-
业务过程
可以概括为一个个不可拆分的行为事件，如下单、支付、评价等业务过程。一般来说一个过程只有一个时间。
-
可分析的维度
单纯的指标没有任何分析价值，必须与维度相结合；例如时间维度、产品维度、客户维度、供应商维度等
-
业务意义
在业务上它的意义是什么？它衡量了什么东西？
-
计算公式
业务 OR 逻辑上的计算方式，例如 利润=收入-成本
技术
-
产生系统
数据产生于哪个系统；例如订单金额来自订单系统，用户访问来自于埋点系统。
-
所在库表
数据所在的库、表及相关字段。
我们用DAU（日活跃用户数）来举一个例子
| 属性 | 值 |
|---|---|
| 英文名 | DAU |
| 中文名 | 日活跃用户数 |
| 计量单位 | 人 |
| 所属类型 | 基础指标 |
| 度量类型 | 半可加度量 |
| 业务域 | 小程序 |
| 业务过程 | 用户启动小程序 |
| 可分析的维度 | 启动时间、用户、渠道等 |
| 业务意义 | 反应了小程序的运营情况 |
| 计算公式 | 根据用户ID去重 |
| 产生系统 | 埋点 |
| 所在库表 | XX.XX |
是不是顿时清晰了很多？
指标的特点
结果指标和过程指标
结果性指标，比如电商场景下的 GMV 或订单量，它通常是业务漏斗的底部，是一个不可更改的、后验性的指标。
过程性指标，可以简单理解为我到达这个结果之前经过的路径，以及通过这个路径去衡量转化好坏的过程，它是可干预的，而且通常是“用户行为”。
绝对指标和相对指标
绝对指标：是指统计量的绝对值，用于反映规模、大小的量级指标，如活跃用户数。
相对指标：是指统计量的比率值，用于反映程度、质量的健康水平指标，如人均使用时长相对指标是由绝对指标通过计算得来。
可以说绝对指标是相对指标的基础，而相对指标常常蕴含着更大的信息量，两者相辅而成才能更好的分析。
先导性指标和滞后性指标
这里主要根据是在用户的关键行为（例如用户下单支付）前还是后来判定。
虚荣指标
虚荣指标指的是看起来很吊但仔细想想并没有卵用的指标，例如总用户数——你知道总用户数又有什么用呢？你需要的是用户的新增、质量、活跃。而不是它总共多少人。
指标与相关概念
在 Data Science 中，指标有很多相关的定义，以下介绍部分：
指标和度量
指标是度量，但度量不全是指标。
在数据中，度量更多是相比维度的一个连续性数值；可以说我们常说的指标都是度量。
例如某个员工在今年剩余的年假天数，这毫无疑问是个度量，但要作为一个指标实在是有点牵强。
指标和维度
单一的指标没有任何意义，至少需要有一个维度以上的对比才能产生价值，且只有放在同一个维度下对比才有意义
-
考虑的维度越多，洞察就可能越深入
-
维度不是越多越好，分析维度最好控制在五维以内
-
通过求和或均值的方式聚合某一些维度，可达到降维分析的效果
指标与指标体系
一个问题，往往有很多方面，只用一个指标不能充分说明问题。这就需要一组相关联的指标来描述，这就是数据指标体系。笔者会在后续进行详细深入的介绍。
网友评论