体系化的指标往往是结合用户的场景来进行分析，并且多个不同的指标和维度是可以串联起来进行综合分析。
一、什么是指标体系
在产品和运营的工作中，我们会接触不同的数据、不同的指标。很多时候我们做的数据，都是针对单个点的层面去做，而最终显示出来的数据往往比较零散，无法串联起来，发现全局的问题。
而指标体系化，则是将零散的数据串联起来，让你通过单点看到全局，通过全局解决单点的问题。
用一个词来形容，就是“引一发而动全身”，通过相关的指标变化看到整体业务场景下的变化，从而快速发现问题或者是监控相应运营策略的效果情况。
二、指标体系有什么好处
相信看完前面的解释，你会发现，体系化的指标和零散的指标，最大的区别是——是否能更加快速地发现一些问题。
如果还是有点晕，咱们就以转化率和留存率来看看下面这个案例：
说干就干，可7天后。
在单点数据分析时，我们经常会遇到此类问题——就是出现什么问题，就分析这个问题，没有全局考虑用户的整个场景。
那么我们换个角度，来看看会有什么不同？
从上面两个例子中，我们可以看到：非体系化的指标往往是单点分析，分析不出来之后需要重新分析另外一个点，而无法串联进行全局分析。
而体系化的指标往往是结合用户的场景来进行分析，并且多个不同的指标和维度是可以串联起来进行综合分析。就像排序（如价格）因素里面的某个维度，可以分析页面转化率，也可以分析商品的售出率等。通过相同维度的分析可以更快地找到问题的原因。
说了这么多，如何去搭建指标体系呢？
下面，就是很精华的实操内容啦：
三、如何搭建指标体系
指标，实际上就是一种度量。大到用于监控和评估商业进程的状态，小到衡量某个功能模块的情况，或者是自己的活动效果。
从运营角度来看，一个好的指标，需要具备四个特点：业务层面是有价值；可衡量业务真实情况；简单可执行；大家都共同认可。
从技术层面来看，一个好的指标，统一具备四个特点：容易收集快速衡量；准确度高；可被多维度分解；单一数据源。就像我们经常使用的衡量APP产品启动人数，使用UUID或者是COOKIE往往比使用IP更加准确。
但很多时候，因为技术或者是业务自身的原因，我们往往很难找到很完美的指标。那么这个时候我们最重要的就是统一口径进行分析，更多地观察数据的波动情况。
1. 选什么样的指标
（1）指标分级：通常是分成三级。
用于衡量公司整体目标达成情况，通常设定在5-8个指标。这类指标是与业务紧密结合，按照行业标准进行制定，有可参考的行业标准指标，且这类指标针对全公司所有员工均具有核心的指导意义。
比如某游戏公司的一级指标：新增账号、留存率、DAU/MAU、付费人数（率）、收入金额等。
为了实现一级指标，企业会做出一些策略，二级指标通常与这些策略有所关联。可以简单理解为一级指标的实现路径，用于更快定位一级指标的问题。
例如：某游戏公司一级指标是游戏收入，那么二级指标可以设定为不同游戏物品的收入。一级指标是DAU，那么二级指标设定为分服务器的DAU等。这样当一级指标出现问题的时候，我们可以快速查询到问题的所在点。
三级指标是对二级指标的路径拆解，用于定位二级指标的问题。三级指标的使用通常是可以指导一线人员开展工作的指标内容。三级指标的要求是：一线人员看到指标后，可以快速做出相应的动作。
如游戏公司的二级指标是XX区服的DAU，那么三级指标则可以设定为游戏时长、游戏频次、游戏等级分布、游戏关卡流失情况等。通过观察这些数据，可以去针对性地做调整，如某个关卡流失的用户特别高，那么尝试降低难度。
当然，如果想要更细致一点，也可以往下继续拆分，这里就不一一赘述了。
这里有一个注意事项，在进行整个指标分级的时候，我们需要先思考：
一级二级指标，能否反应产品当前的运营情况；
三级四级指标能否帮助一线人员定位问题，指导运营工作。
以上是指标分级纵向的内容。横向思考，如何针对不同级别的指标来选取合适的指标？
这就是指标分级的第二个方法：OSM模型。
2. OSM模型
OSM模型（Obejective，Strategy，Measurement）分别代表业务目标、业务策略、业务度量。
S：为了达成上述目标我采取的策略是什么？
M：这些策略随之带来的数据指标变化有哪些？
我们搭建指标体系是为了更好地发现用户的问题，并且去解决。所以我们需要站在用户的场景去考虑整体的内容。
以知乎为例，按照OSM模型，它的指标是什么样的？
O：用户来使用知乎这个产品，目标是什么？
这里涉及两个不同的用户——内容分享者和内容消费者，这里简单介绍内容生产者的分析思路，大家可以自己试着分析下内容消费者。
用户需求：分享知识观点（发布观点），建立行业影响力（内容受到反馈）。
那么，如何让用户感受到自己的需求被满足了呢？
S：知乎做的策略是：内容点赞评论、内容打赏、盐值增加、XX话题优秀回答者。
M：接下来，我们需要针对这些用户动作去做指标，在这里面我们的指标会有两个，分别是结果指标和过程指标。
结果指标：用于衡量用户发生某个动作后所产生的结果，通常是延后知道的，很难进行干预。
过程指标：用户在做某个动作时候所产生的指标，可以通过某些运营策略来影响这个过程指标，从而影响最终的结果。
还是以内容生产者为例：
结果性指标：发布文章数、发布文章的人数、文章点赞/评论数、被打赏人数、被打赏金额、优秀回答者人数、新增优秀回答者人数等。
过程性指标：使用内容导入人数、内容发布转化率、文章互动率、评论折叠率等。
通常我们会在指定指标的过程中使用OSM的模型，去针对用户在不同场景下产生的动作，以及这个动作可能带来的结果，用户在这个动作中会出现什么样的数据变化。之后再结合数据，针对性地去调整我们的运营策略或者产品功能。
简单理解：结果性指标更多的是监控数据异常，或者是监控某个场景下用户需求是否被满足。而过程性指标则是更加关注用户的需求为什么被满足（没被满足）。
2. 如何搭建
指标选取之后，就要开始搭建指标体系。前面我们说过，指标体系是通过场景流程来综合进行分析，而这里最重要的就是分析维度的选择。
一个好的指标是可以多维度去拆解划分，当好的指标搭上完整的维度，很多问题就可以迎刃而解。如果没有合适的维度，你建立起来的依然只是多个指标，只是指标合理，做不到前后场景化的分析。简单理解，维度是将点串联成场景的那根线。
我自己通常会采用这样的逻辑来进行体系搭建：选指标-针对每个指标做出可能要的维度-将指标和维度重新组合。
通常我们在选取某个指标的时候，想到的维度都比较简单，如：用户进入商品详情页，我可能只想要知道用户进了哪个类目的商品详情页；商品成交的时候，可能关注的是类目和金额；同样地，在商品列表页的时候，我们监测用户搜索，会关心用户搜索了哪些词，搜索频次等。
那么如果我将用户进入商品详情页内，搜索的关键词和成交的指标组合会是什么样的场景呢？
用户搜索了哪个关键词，并且进入了商品详情页，之后这个商品被购买了。
这时候我们分析搜索关键词的时候，效率会非常高。如搜索某个关键词的用户转化率非常高，但是搜索的次数比较少，那么我们将这个关键词置为热搜是否可以提升整体的转化率呢？
指标的维度拆解后，重组我们如何做呢？
我的原则是：在同一个流程，用户动作存在关联的，尽可能多地在多个指标覆盖相同可用的维度。以电商为例，用户的动作是：搜索品类-搜索列表页-点击筛选-商品列表页-提交订单-购买。那么在整个流程中最好可以保留搜索品类的关键词、筛选的条件、商品的信息等内容。
最后，当我们指标和维度都确定之后，剩下的就是去做数据埋点了。什么样的埋点数据不会被开发喷呢？开发拿到不用动脑子的那种。
我之前使用的格式是这样的，大家可以参考下：
最后，就剩下数据可视化的内容了。数据可视化通常根据自己的业务场景去结合，使用自己合适的数据，通常会包含用户数据、渠道数据、业务流程数据等。具体的可视化我就不做过多赘述，百度一下，什么样的场景用什么样的图我想都可以看出来。
重要的是这些流程的组合，就是将不同的指标和维度进行组合，关联分析出来的事件才是最核心的，这是完全可以指导你进行工作的三级指标，并且贯穿全流程。
四、总结
数据分析是产品和运营的一项基本功，好的运营和产品总是会通过数据去发现问题，并且解决问题。而完善的数据体系可以让这件事情变得事半功倍，从源头发现问题，借助体系化的工具，工作也可以很轻松。
最后呢，给大家介绍下现有哪些平台可以辅助做这些数据体系：目前国内做数据服务的几个平台：Growing IO、神策数据、诸葛IO等。
如果自身不具备搭建完备的数据组，建议使用第三方会快速一些。那么剩下的就是使用本文的内容，给到需要的数据指标和维度，去找开发进行埋点就好了。
如果自身有比较完善的数据分析组，甚至是数据挖掘组，你就当没看过这篇文章，让他们去卖力给你结论，让他们去卖力做数据埋点吧，我就不献丑了。
