从底层逻辑出发，梳理建立数据指标体系和分析方案的底层逻辑。
多维度视角+业务场景关键元素分类+追踪业务过程+梳理业务逻辑关系（强关联，弱关联，互斥关系）
重要性过滤+对比出标准 （时间、指标、比率）
引出第一条底层逻辑：逻辑一：多维度视角
先要确定数据指标体系的目标受众，“他” 看数据的视角和维度：职位侧重点在哪里
业务阶段是初期还是成熟期，越是初期数据越少，越是成熟期，数据积累越多。
知道“他”的视角之后，去看“他"的业务是什么？ 对于门店经常提到的 ” 人、货、场”：
分析哪些人，场地面积，货物种类。对于网页商城经常提到的“转化漏斗”：多少个商品点击量，多少个加入购物车，多少个订单“
转化率多少，似乎，不同业务要分析的”东西"完全不一样，到底一致性在哪里？
引出第二条底层逻辑： 业务场景关键元素分类
门店经营成交的场景"我在门店付钱给售货员,他收钱给我商品".
网页商城成交场景 “我点击商品，访问页面，（也许会咨询），点击提交订单”
虽然各个行业，分析的具体事项不一样，但都是围绕，业务场景关键元素分类，进行的。
那么问题又来了，这些“元素”怎样更好？例如，我想在门店挣多点钱，我的货怎么分配？客户怎样更多？店员怎样卖得更好？搞个网站，我也知道点击，访问，订单，那怎样更多点击？为什么点击A不点击B? 怎样多点订单？围绕着刚刚的元素问下去，似乎有“十万个为什么”，我们怎么知道这些元素”从哪里来“ ？
引出第三条底层逻辑：追踪业务过程
门店零售业，客户从哪里出发，什么时段来到商城，进入门店的概率有多大···
网页商城，从哪里点击进来，进来之后浏览过多少页面，有多少连接引导他点击下一个连接。
但是，这样梳理完成后，围绕关键元素追踪出来的业务过程，似乎不是相互独立的， 零售业的逻辑， “人 货 长 ，但是我这个人经过门店，会不会进去 和这个门店拜访的货 关联性很大， 网页商城，我访问产品页，遇到问题能找到咨询页 会很开心，但是我没想提问咨询的时候，咨询按钮主动跳出来挡住视线，我可能会处于厌烦直接离开
思考到这里，引出第四条底层逻辑：梳理业务逻辑关系（强关联，弱关联，互斥关系）
先有访问才会下订单，访问和订单是强关联，网页不需登录可以浏览商品，登录和浏览是弱关联，投诉的次数越多，复购的概率越低，复购量和投诉量是互斥关系。
这样，我们已经通过梳理业务考虑到很多节点的数据，说道用处，这些数据都是有用的，但是全部都关注，看完一遍，都要花很多时间，尤其是忙起来，就只想知道一个 数据结果，为了解决这个问题，引出下一条底层逻辑
逻辑五：重要性过滤
区分出核心指标和次要指标
逻辑六： 对比出标准 （时间、指标、比率）
重要不重要，参照物，标准，这些都不是拍脑袋出来的，都是靠对比出阿里的，怎么对比有三个基本原则
时间对比、指标对比、从比率上对比
从时间上，这个月完成得好不好，要和上个月对比，和去年对比。具体对比什么，要比较同一个指标。但有时候，同一个指标直接对比并不能说明问题，
例如，今年付费用户90个，去年付费用户80个，今年一看上去就是更好。
但是去年没有做推广，总用户只有100个，其中付费就有80个。今年花大钱推广，总用户有300个，其中付费只有90个。这样看，推广费都赔进去了！这里应该用 “付费率” 做对比，去年付费率80/100= 80% ， 今年付费率90/300= 30% ，明显去年比今年好很多。
不比不知道，一比吓一跳，通过对比，真相大白。
通过以上六条底层逻辑，完成了从0到1的梳理和建立数据指标体系。
我们通过”数据“ 去发现问题，分析问题，并且解决问题，而通过这套搭建基本数据分析指标体系的底层落可以让这an是变得事半功倍，
从源头发现问题，借助体系化的工，在日常工作中可以监控业务，发现问题，可续的执行业务目标，在追踪业务过程中找到改建的切入点
但是，后续的实际工作中，建立数据指标体系需要各部门紧密沟通，还需要对公司业务和各部门的深刻理解，更要针对业务痛点， 做细分板块的深入数据分析等等
