本文将相关知识点结合实际业务经验，记录如何搭建数据指标体系，欢迎拍砖~
目录
- 阿里onedata指标规范
- 指标体系五大重点
- 以音乐类初创公司为例构建指标体系
1. 数据指标体系搭建的方法
1. 1 阿里onedata指标规范
1.11 业务域
适用于庞大业务系统，比如去哪儿的酒店业务和机票业务，两者之间重叠业务较小的。一般中小公司用不到。
1.12 数据域
对业务进行数据概括，类似于桌面文件夹存储数据，每个文件夹名称。
1.13 业务过程
可理解为不可拆分的行为事件，比如下单、支付、评价等。
1.14 维度、维度属性、修饰词
维度：反应业务的一类属性的集合构成的维度，如性别
维度属性：如性别下的男、女
修饰词：指除了统计维度以外指标的业务场景
修饰类型：对修饰词的抽象划分
这三个可以理解为修饰原子指标的，类似于sql后where的条件限定
1.15 原子指标/度量
原子指标/度量：某一业务下行为事件的度量不可拆分的指标，如注册数
1.16 时间周期
如自然周，近30天内
1.17 指标类型
包括原子指标和派生指标
原子指标 = 行为事件+度量
派生指标 = 一个原子指标+多个修饰词+时间周期
例如：原子指标=完单量，派生指标=近一周iOS乘客完单量，包含时间周期=近一周，修饰词=iOS，维度=乘客，原子指标=完单量。
1. 2 指标体系五大重点
（1）一级指标
最核心的指标，如日活跃用户数
（2）二/三级指标
一级指标的构成：日活=日新增用户+留存用户数（昨日次日留存+前日第三日留存+...）
（3）过程指标
也就是用户使用产品过程中的转化率
（4）分类维度
通过各维度分类拆解，了解数据详细信息，如：新增用户分成n个渠道
（5）判别标准
要参考过去或者最近趋势才能判断当前数据出于什么状态，需要哪些分析
2. 以音乐类初创公司为例
第一关键指标，也就是北极星指标为：人均播放时长。
因为在音乐产品中更加关注的是播放的用户数而不是活跃的用户数，而人均播放时长是播放总时长与活跃用户的商，恰恰能反映出音乐版权是否是用户所喜爱的，歌单、场景的制作是否与用户的需求相符。除此之外，用户付出越多代表用户对产品的依赖度越高，因此可以时间上衡量对产品的依赖度
2.1 分析业务流程
- 注册登录阶段：新增用户数、不同渠道新增用户、活跃用户数
- 播放音乐阶段：播放用户数、播放时长、播放量、人均播放时长、人均播放量、区分各运动组合的播放数据、区分休闲场景的播放数据
- 分享阶段：分享次数、分享用户数、被成功邀请用户数、分享率
- 付费阶段：总付费账户数、付费金额、付费周期、新增付费账户数、活跃付费账户数
-
续费阶段：暂定二期
image.png
2.2 划分数据域，一级指标
对于不同部门对指标的关注点不同，这里我根据业务过程划分数据域。
2.3 二级指标
2.4 从增长方向定义指标
2.5 音乐产品分析常用维度
除了以上提及到的指标外，作为音乐公司比较注重音乐内容方面的评估。因此会从内容维度上区别指标。
（1）播放来源：以播放为目的区分用户从哪一条路径发起的播放，可以了解用户的播放习惯，可能会发现原本没有关注的点。区分发起播放维度（单曲or场景or歌单or专辑or艺人维度发起的播放）
举例：
从2019年7月大改版成场景为主的音乐播放器以来，用户从单曲维度发起播放远高于场景，特别在12月初我们上线付费功能带来的变化是用户更加倾向于听单曲维度，场景、歌单播放量变得越来越少。因此在20年3月的第二次大改版中，首页取消场景维度发起播放，只留下一个场景入口。代替它的是通过单曲、歌单、歌手维度发起的播放，从播放数据上看这次改动的影响是：人均播放单曲量+2.3首
（2）因为新app做的是和运动有关的音乐产品，结合实际业务
2.6 产品功能指标搭建
首先要判断各个产品功能的定位和表现，这里用波士顿功能矩阵：
这里贴一个我之前做过的波士顿矩阵模型：波士顿矩阵模型
其实有很多产品功能矩阵横坐标是留存率反映用户粘性，纵坐标活跃用户占比。
大众型：（曝光量大，使用率高）可以了解用户使用流程，不断优化升级；
核心功能型：（使用和留存率都较高）在核心功能中寻找高价值需求，推广这类需求提高用户留存，探索增长突破口不断优化；
小众功能型：（使用率低留存高）可以推广功能增加小众功能的用户量级；
其他功能型：（使用率低留存低）对于需要保留的功能定位问题迭代更新，对于没有价值功能可以摒弃；
针对大众功能和核心功能，与产品经理沟通功能目的，根据prd寻找功能路径，整理出每一步骤的指标进行优化。
以“音乐产品搜索功能为例”：
总结：
综上，产品的指标体系搭建主要包括三个步骤：
关键指标的选取；
基于AARRR模型搭建产品基本指标体系；
完善产品各功能的指标体系。
在阿里onedata构建指标中还可以通过总线矩阵定义，比较全面，适用于数仓数据架构。如下，请参考：
