中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

為了做好指標管理，企業可能會落地一套指標管理系統以解決問題，但實際上，指標管理系統想做好可能并不如想象中的那么容易，這其中有很多坑需要我們提前避開。這篇文章里，作者就做了解讀，一起來看看吧。

假如你所在的企業業務發展迅猛，在強調用好數據的當下，如果沒有好用的系統，肯定都會逐漸碰到如下問題：

1. 不知道有啥：企業數據資產多如牛毛，但知道和找到對的數據卻困難重重；
2. 需求滿足慢：搞清楚自己該要啥該找啥，你會發現公司業務多變化快，需求多，取數人力不足；
3. 指標對不齊：數據變更快，變更記錄不及時，數據來源多、數據處理人員多、口徑多，多份數據對不齊；
4. 問題排查慢：系統數據出問題，數據加工鏈路長，碰到人員流動和交接，問題排查慢，修復耗時長。

發現數據問題，定位數據問題，解決數據問題，經常搞得基層員工焦頭爛額（如果你在基層干過，真的而是叫天天不應叫地地不靈）。千里之堤潰于蟻穴，這些看似不起眼的小問題，慢慢就會積攢成大問題，甚至會嚴重影響到整個組織的日常工作、戰術目標達成、戰略愿景的實現，落后的生產力和需求嚴重不匹配時，當非技術出身的管理層、領導層都能感受到問題的嚴重性時，于是，就可以從上而下開展轟轟烈烈的優化治理專項。

這種企業信息化升級，往大了說，可以說是數據治理、數字化轉型之路。一般來說，大家說的都是構建高效智能的數據中臺，數據治理可能也提上了日程。數據治理的核心是什么？核心是統一數據口徑。數據口徑的抓手就是【指標】。

從產品的視角來看，指標管理最終的目標是：讓大家能清楚看到、方便用到。

一、前期規劃

市面上關于【如何建立指標體系】的方法論一搜一大堆，相對而言，講如何構建指標管理系統的少了不少，不過只要耐心搜尋，大廠的競品就等著你發掘，而且文檔還比較全。等你擁有了這些參考信息，系統就實現了80%了，因為功能和界面交互都很好抄，就差工程師幫你把系統開發出來了。

但其實指標管理系統想做好并不容易，因為可能做完系統，進行指標管理落地時，更多問題會凸顯出來，尤其是在業務已經發展起來的階段。

作為一個有很多失敗經驗的老產品，接下來給你分享一些微不足道的經驗。

第一，你要定位問題。

你要搞清楚，這個系統到底要解決什么問題，現狀是怎么樣的。誰在推動做指標管理、指標治理這件事情。

很多時候，推動這件事情的人，是帶有研發背景、數據分析背景的領導，而這些領導規劃做這件事，也不是很清楚呢?；蛟S是因為看了一場其他同行的分享，被案例里的故事給說服了，然后開始未雨綢繆提前規劃這件事情。但是，在你規劃系統去解決問題之前，問題真的被定位了嗎？可能也不好定量描述問題有多嚴重，當前的損耗有多大，那是否有人定性地進行了描述呢？

領導對這塊問題的認知是什么，如果沒啥認知，讓我們解決的問題是什么呢？你可以把這些問題拋出來，問那個任命你來做這件事的人。這個問題是否在更高的層面拉通了認知，能爭取到多少解決問題的時間窗口，多少資源。

世人都曉神仙好，惟有功名忘不了?！白龊脭祿卫?，科學管理指標，數據驅動業務”，大家都會喊口號，為的是做成之后拿好處，可是真正能落實的人，并不多。很多時候，我們不敢提問，不敢拋出問題，組織讓我們做什么，我們就一股腦去做了。當這些問題并未暴露出來，我們都不清楚價值、意義就貿貿然開始做，那最后誰來認可咱們解決問題的價值呢？

第二，你要有抓手。

當你搞定了第一個問題定義和價值問題，你準備開始做了。而真正想要落地，你必須從全局出發，做一步，腦子要往后多推演幾步。你要思考：假如我們要按照敏捷迭代的方式去做，第一個版本MVP應該是什么樣子，我們要針對什么樣的問題場景交付什么內容，用戶能做什么樣的應用。做這個系統的價值到底應該如何體現。

內容層面，你要考慮，應該將哪些指標納入管理范圍，這些指標怎么用起來？指標數據從何而來。應用層面，應用的場景是什么？ 單純地看指標的口徑，還是說要快速地取指標數據？價值層面，如何評判這些指標真的被業務用起來了？ 用戶查詢了多少次，用來做了多少次報表？我們要對自己掌握的信息有個把握。當下我們現在掌握了哪些信息，比如，現在，已經有哪些指標做成了看板了，哪些指標還沒有。其次，還想掌握哪些信息？對于未來也要有所考量，公司的戰略層面還有哪些業務，粗略情況如何，是否需要指標分析，這塊我們只能基于業務情況進行粗淺的預估。

總的來說，動手之前，花個1-3天時間，深度搜集信息，制定策略，謀定而后動。

二、準備工作

作為一名數據產品經理，你要面對的是關注數據結果及其呈現形式、但不懂技術或者沒空關心技術的業務方。99%的人，尤其是做業務的人，不會關注數據怎么來的、數據怎么加工的，大家只會關注數據結果，取結果若碰到問題，直接會把問題拋出來讓技術人員解決。

當我們發現在線表格已經無法滿足公司管理需要時，我們開始規劃指標管理系統。你要做幾點：

1. 洞察業務需求、目標用戶習慣、明確系統價值；
2. 了解組織的管理要求，設計人機交互和底層數據系統；
3. 協調技術人員，傳遞需求場景，完成系統建設；
4. 切入業務場景、運營和推廣系統，并最終讓業務用起來。

這里，提醒一下：在MVP階段，甚至可以不做用于增刪改查的后臺管理，只需要做好數據初始化即可，也就是直接批量將數據錄入數據庫的方式。因為MVP階段，一定是先讓數據能用起來，而不是做一個非常完善的管理后臺。

三、系統模塊劃分

兩個模塊之下，系統可以分為2個模塊：面向業務應用的功能、用于后臺管理的功能。

1. 面向業務應用的功能

當中核心包含2塊：

1. 自助指標取數；
2. 指標查詢。

指標取數和指標查詢兩者互為因果。因為想取數，要知道有什么指標；因為知道有什么指標，才知道如何取數。

早期，如果業務很單一，不用考慮復雜的業務域、數據域。也不用考慮指標體系。甚至，壓根就不要做指標取數系統，因為找數據分析師、數據研發做一些SQL模板，在不同的情況下，換下輸入的條件參數，執行下就OK了。當組織人數達到一定程度，研發人員已經無法快速響應業務各種復雜的看數需求，有了一定的復用性，組織架構也開始進行劃分，數據權限也開始劃分。指標取數是看數需求處理流程的SOP化、自動化。

2. 用于后臺管理的功能

當中包括5個模塊，分別是：

1. 原子指標管理；
2. 衍生/復合指標管理；
3. 維度管理；
4. 修飾詞、修飾詞類型管理；
5. 業務域、數據域管理。

里面的第3、第5點，跟數據倉庫建模是可以公用的，因為指標體系和基于業務構建的數據倉庫表是密不可分的。再次強調，如果沒有復雜的業務，沒有非常多的指標需要從業務、技術、運維層面進行統一的管理，那真的是不需要構建指標管理系統。

四、功能詳解

1. 面向業務應用的功能

1）指標取數

① 指標取數場景分析

以下兩個場景，哪個更加適合用指標取數來解決呢？

場景A：產品設計了一個新功能，想看看這個新功能的曝光點擊、轉化效果等數據。

場景B：運營新挖了一個主播來平臺直播，想看看這個主播、直播間的各種情況。

我個人認為，B更適合。A場景，其實要從功能規劃階段就要規劃埋點，到上線之后能夠通過點位、事件進行指標查看。針對功能的事件分析場景，一般來說，指標相對固定，人數、次數、比率。

指標取數，跟完全自助的探索分析是不同的，而更像是有固定指標目標，而只是單純修改某些維度變量，里面對指標的覆蓋就可以更廣（可以來源于埋點的指標，也可以來源于業務統計指標）

② 指標取數流程分析

當業務提了如下需求：我想查看xxx直播間的活躍情況，DAU，還有新增用戶、拉活用戶。取數的一般流程是怎么樣的呢？

a. 確認指標口徑（維度、修飾詞）

比如，業務說，我想看DAU，數據分析師會問：是整個平臺，還是分端？（WEB端、移動端）。業務反饋想看新增用戶數，數據分析師會基于實際情況反饋：目前新增用戶包括了信息流（抖音、快手等）、非信息流（手機廠商應用商店），哪些渠道沒接入，如果是新渠道，需要等渠道回傳數據接入才能看。第一步，要確認指標的口徑，一般就是維度和修飾詞。

b. 確認數據及時性、數據范圍

口徑確認后，要確認數據的及時性（是實時還是離線，離線的級別是怎么樣，小時、天、周？）除此以外，還會確認時間周期，看多長時間范圍的數據，近1天、近7天、近30天、歷史截止當前？

c. 確認結果交付方式和數據呈現形式

確認好數據后，接下來就是以什么方式來交付。到底是人工取數后導出Excel，比如，也就是日報、周報匯報給老板，還是說要支持自動化的自助查看，比如做成數據自動刷新的看板，還是做成支持用戶輸入參數的取數模板？

② 指標取數產品化

一般來說，當數據同事建設好了數倉底表，建設好了維度、修飾詞，那就可以做自助指標取數就可以系統化、產品化了。交互流程可以參考如下：

業務可以組合各種維度、修飾詞、時間周期，自己設置查詢條件。指標取數核心功能：能支持用戶基于維度進行指標的挑選，然后進行即系查詢，并能下載指標結果。后臺系統需要做的就是，管控這些用戶對應的維度、修飾詞、時間周期的使用權限。

選擇指標的界面可以參考如下：

選擇完維度和指標后，可以在取數界面點擊查詢進行取數。

指標取數的產出結果案例如下：

如果還能跟BI系統打通，支持各種關聯分析，比如，針對某個指標，制作折線圖、柱狀圖，如果還能加上趨勢預測等等自動分析功能，那就更好了。

對比指標取數，標簽取數的道理是相同的。不過，標簽取數的結果，都是人數。我們需要針對這群人，再進行下鉆分析（后面再講）

2）指標查詢

指標查詢，可以理解為一個商場的指引臺。

當你到了一個大商場，你會不知道目標店鋪在哪里，當你轉得暈頭轉向的時候，有個向導告訴我們目標店鋪在哪一層，哪個方向（左拐、右拐、直行，別講什么東南西北）

指標查詢也是如此，它能在以下幾個場景發揮作用：

• 當你暈頭轉向時，告訴你系統中現在有哪些指標，對應的負責人是誰。
• 當你沒指標權限時，基于系統反饋的指標負責人信息，你可以通過IM系統，找到對應的聯系人。
• 當你發現數據有問題，指標有錯誤，系統有故障，你可以找對口的負責人進行排查。

比如，當你看到近1天觀看時長這個指標，這個時長的單位是什么呢？如果指標的名稱上沒展示，那就可以通過指標的詳情來了解，是小時，還是分鐘，還是秒。

再比如，人均觀看時長，分子分母分別是什么？分子是觀看時長，那分母是平臺近1天的全部活躍用戶，還是有觀看行為的用戶，還是有有效觀看的用戶呢？這也是需要解釋的。

比如，我們可以在數據地圖中，讓用戶快捷查詢指標。

當然，我們也可以直接在取數的界面進行必要信息的展示和提示，這樣就不必要再到另外的界面去查詢。

對于業務來說，這種系統越簡單越好，需要跳轉的頁面越少越好，甚至可以結合NLP系統對業務使用的業務語言，轉化為技術語言，然后進行取數。

比如問，我想知道最近元夢之星的直播情況，請告訴我有哪些維度和指標。并直接幫我取數，按照Excel的形式給出結果。然后系統自動判斷并執行即系查詢操作，并按照Excel格式給出。

不過，如果系統底層數據沒做好治理，也沒積累案例，實現難度比較大。更加關鍵是，中型公司落地一個模型的收益，能不能覆蓋投入的成本。

2. 用于后臺管理的功能

設計完了面向業務應用的功能，接下來，我們再考慮用于管理、支撐的后臺功能。

首先問自己一個問題：MVP階段，需要復雜的管理功能嗎？需要什么樣的數據支持呢？回答這個問題，需要有點技術背景，但如果你不懂技術其實也沒問題。

第一，指標能取數，那肯定需要有數據源，第二，業務人員進行的各種取數條件的設置，可能要能轉化為從數據源里取數的語言（取數腳本）。

這里需要兩個東西：具體的表數據（數據源）、以及解釋取數配置的東西（生成取數腳本的邏輯）。有了這兩項，只要提前在代碼里配置好，哪怕沒有管理功能，用戶在界面上的操作也能取到結果。而設計功能，當我們的底層表、指標、維度、修飾詞等等信息變得龐雜以后，能夠更加方便地查詢、管理。

接下來，我們再來看，要有哪些功能。

1）原子指標管理

這里，基于原子指標是否要指定來源的事實表，可以區分為兩種做法。拋開這個點，我們先說公共的部分。

解釋一個原子指標，需要告訴使用者：指標的中文名稱、英文名稱、指標的單位、指標的業務含義、業務的負責人。除此以外，我們還可以對指標進行分類，包含業務域、主題域、業務過程、數據域等。（我不建議劃分太細，劃太細其實也挺難找的）

接下來，我們再說兩種不同的做法。

第一種，原子指標指定來源事實表。

這里，核心就是要指定指標的字段，是基于數倉中的哪個事實表中的哪個字段進行何種計算，最終的出來。

第二種，原子指標不指定來源事實表。

原子指標不記錄和表之間的關系，純粹就是做公共部分的記錄。指標和表的綁定關系，放在衍生指標中進行設定。

下圖是新增原子指標：

2）衍生/復合指標管理

對應的，也有兩種管理方式。還是記住那個公式：衍生指標 = 維度 + 修飾詞 + 時間周期 + 原子指標

第一種。通過原子指標來綁定表關系。衍生指標核心是增加維度、修飾詞、時間周期等信息

第二種。

這里管理的核心，是將具體事實表的一些字段記錄下來，對應的是哪些衍生/復合指標。

既然有依賴關系，那么在衍生指標這塊，就可以看到指標之間的血緣了，可以進行可視化呈現。

指標管理小結：

其實不管哪種方式，關鍵就是要告訴系統：指標要從哪個表中的哪個字段進行取數，也就是指標和表之間的關系。只有記錄了這些信息，未來，才能基于這個邏輯關系去生成取數的腳本。

這里也照應前面文章里說的：表里面沒有原子指標。原子指標只不過是定義指標的最基礎的業務含義、取數方式、哪怕指定事實表，也只是定義技術語義下的指標口徑是什么（也就是所謂的基于SQL的計算方式定義）。

3）維度管理

維度管理的核心，是將維度的邏輯和具體的維度物理表映射起來。

比如，數倉底層建了不同的品類，有對應的一個維度表。那么我們就可以錄入品類的維度（或者是事實表里的維度屬性字段）

用戶想要查看不同分區的直播數據，選擇了分區維度下的指標，比如品類觀看時長，那么最終生成取數腳本的時候，會將維度屬性字段放置到group by字段中。

比如，業務在最終篩選的時候，選擇了王者榮耀和元夢之星這兩個游戲（相當于是確定了維度的取值范圍），在 where 匹配條件里，加了匹配符，比如，where tag_id = 1 or 2。

那么，最終的結果就是：

衍生指標 = 維度 + 時間周期 + 修飾詞 + 原子指標。

那么，當我們構建了衍生指標之后，我們是能夠通過維度反向篩選有哪些可選的衍生指標的。

4）修飾詞、修飾詞類型管理

這塊相當于詞庫管理，修飾詞、修飾詞類型的增刪改查，然后用于構建衍生/復合指標的時候，進行關聯。直播常見的修飾詞有，有效觀看、有效開播、禮物流水消費金額里面的禮物流水。

5）業務域、數據域管理

這塊也相當于詞庫管理，業務域、數據域的增刪改查，用于對指標進行分類。

比如，用戶在篩選時，先有大致的一個業務劃分，然后再去找維度和指標。

3. 指標管理功能總結

看完了這么多，感覺很復雜，是吧？化繁為簡。先拋開修飾詞、業務域、數據域，只關注指標和維度。我建議你從SQL（結構化查詢語言）的角度去重新理解指標管理。

為什么數據產品經理要懂點技術，我認為核心是要懂點SQL。因為懂了SQL，才能從SQL（物理模型語言）的角度去理解這些一切一切。

其實SQL也不用掌握太深，只要看懂最簡單的代碼就夠了。我們看看下面這段語句，其含義是：統計2023年12月12號當天不同支付類型的訂單數量。

select dt as dt, pay_type as pay_type, count(order_id) as cnt from dwd_order where dt = 20231212 group by dt, pay_type

假如我們的支付方式有兩種：wechat和alipay，那么最終的表格會如下：

看完SQL，我們再問問問題。

在SQL里維度是什么？在哪里？維度就是對應的group by的字段。這個字段是可以來源于事實表的主鍵，也可以是事實表關聯維度表后取得維度表得字段。

指標是什么？在哪里？是count(order_id）嗎？不，如果你只往查詢系統里輸入count(order_id），系統是沒有執行結果的。只有當你指定了表，表取數的時間范圍（時間周期），指定的維度，才能取到結果。如果不指定時間范圍，那就是整個表全部的范圍（也就是從有這張表的那天起的全部數據）。如果不指定維度，那就是全維度（也就是所有的訂單總數）

如果，我們從剛剛的結果表里取數呢？指標是什么？

我們不需要定義count(order_id)了，我們的SQL可以這樣寫：

select dt as dt ,pay_type as pay_type ,cnt as from dwd_order where dt = 20231212

這就是為什么指標能有兩種管理辦法。因為不管哪種，只要最終生成的SQL能從物理表里取到正確的結果就行了。當你理解了SQL是如何取數，如何描述指標，那你就能理解為什么要構建所謂的原子指標管理、衍生指標管理、維度管理。

五、產品運營

1. MVP階段就要考慮后續運營

前文說到，要MVP，要基于場景、用戶需求去初始化我們的最小可用產品，第一個版本我們為了快速產生價值，很多地方是簡陋的。但你要時刻牢記，正是因為舍棄，我們才有獲得。

這套系統，相當于是將之前的業務提需求、開發開發報表的流程，進行了系統化，并且記錄了過程信息（也就是指標、維度、事實表等等對象的元數據），當這套管理體系和對應的系統建設完成時，后續只需要進行日常的運營和維護。

當我們的產品功能上線以后，接下來就進入新的PDCA循環了，Plan（計劃）、Do（執行）、Check（檢查）和Act（處理）。不僅可以對系統的內容（數據資產）進行進一步的豐富，在交互和用戶指引方面，也有很多工作可以做。

2. 在問題中迭代系統

當然，你也會面臨一些內容和功能層面的問題。

比如，業務方希望你能在指標取數中增加新的指標。而這需要開發新的底層表，錄入指標數據，直到豐富整體的指標體系。比如，當指標過多，用戶不方便進行指標的搜索、查詢時，要做一些必要的指標分類、說明文檔、操作指引等。

再比如，因為公司規劃原因，某些業務停滯，某些數據也不再需要了。如果公司對成本管控比較嚴，可以從數據的實際應用情況出發，基于指標體系、數倉表血緣等，對不再使用的報表及其整個調度任務體系進行下線處理。以便節約存儲和計算的成本。

總而言之，這套系統完善之后，能解決50%以上的規范化的取數、看數問題就不錯了。而針對特定場景的分析，還需要人工來支持。人工智能，先人工，才能智能。

當然，問題是解決不完的，人的需求是滿足不完的~

六、總結和未來展望

1. 總結

從規劃的注意事項，再到落地的功能規劃和涉及介紹了很多，大致上為你描繪了指標管理。

不過，我想提醒你，那些能夠落地指標管理的企業，都是天選企業，它們匯聚了優秀人才，跟隨著時代的發展，基于技術和管理的創新，跨過了層層考驗，在重重磨難之中成為大業務量的企業，擁有真正的大數據，真正地利用數據發揮價值，但凡少創了一個關，都到不了所謂數據驅動業務的階段。

對于大多數實體業務經營型的企業來說，科學的指標管理是業務發展的助推器。數據和對應數據管理系統的發展，離不開強力的業務支撐，絕對不要為了做而做，管理指標的目標也不僅僅是為了更好地查看數據，其目標是做出更優質的決策，拿到更好的業務結果。

2. 未來展望

在生成式AI如火如荼進行的時候，我們可不可以利用AI來做更多呢？

AI能在哪些場景嵌入現有的工作流，改善當前工作流，做更加深入的落地呢？比如，業務方看完數據后，直接用語音、文字給AI發送指令，請給近30天沒在平臺消費的用戶發送滿30減5的消費券通知，并自動生成統計任務，在1小時候給我反饋通知發送的達到量、點擊量，消費券的使用量，產生的交易金額。

人還是做主導，但是基于數據做決策、做動作、回收數據的整體鏈路更加高效。長路漫漫，道阻且長~

以上，感謝閱讀~