通过“三个半”准则定位北极星指标
如何选择北极星指标呢，我觉得有三个半的标准需要遵循：
1. 构建全面指标体系：自上而下，无遗漏
自上而下的确立指标体系的目的是希望数据指标可以大而全，包含业务关心的全集，不重不漏。防止部分问题出现时，无法通过数据指标发现。直到问题非常严重，造成重大损失时才被看到。
拿网约车公司举例，整个网约车业务最关心的有三个方向，分别是经营、体验和安全。
经营主要聚焦于当前的利润。通过经营数据，公司可以知道业务当前的盈利情况。一方面可以支持业务进行决策，并制定未来长远的战略规划。另一方面也可以对公司内部进行精细化的运营，找到无效或低效的环节来提升生产效率，降低成本。
体验主要聚焦于未来增长。尤其是对网约车这样服务类的业务来说，给用户的体验好了，用户就愿意来平台上打车，就会产生复购，就会愿意推荐朋友一起来平台打车。打车的用户变多了，频率变高了，那么未来业务自然而然就增长了。
安全主要聚焦于归零风险。如同空难置于航空公司，当网约车的司乘人员在打车过程中人参安全受到威胁时，对于整个网约车的业务来说都是灭顶之灾，使整个业务产生剧烈的震荡。因此遵循海恩法则，我们需要通过减少安全隐患来避免安全事故的真实发生。
在确立通过经营、体验和安全三个维度来衡量整个业务之后，再将每个维度向下一层一层的拆解。
2. 聚焦业务重点：因时制宜，精准施策
那如何再进一步的向下拆解呢。
接下来就需要结合业务所处的不同阶段和当前重点了。继续拿网约车乘客的体验来举例。基于网约车现在的业务现状，会将乘客分为四类不同的用户，分别是活跃用户、差体验用户、高风险用户、低频/流失用户。通过NPS等调研手段可以了解活跃用户的体验；通过客服进线可以了解差体验用户的问题；通过自媒体上的吐槽可以知道高风险用户的抱怨；低频/流失用户的声音相对比较难获得，一般会在有专门需求的时候搭载调研获取。
对于一些处于初期的业务，由于业务的流程可能还没有完全跑通或是由于一些极端的差体验，导致用户的抱怨较多。这时候由于业务量还不大，自媒体的讨论度还不足以说明问题，那么客服进线就是最值得关注的指标。而对于网约车这样趋于成熟的业务，极端差体验已经比较少了。这时候光看差体验就不够了，还需要时刻关注所有活跃用户的使用情况。因为这时候活跃用户的群体已经非常庞大了，一点点的体验优化带来的活跃用户使用频率的提升，就可以极大的提高公司的增长。因此，在同步看清这三个指标的同时，还需要着重关注活跃用户的体验水平。
3. 确保指标有抓手：明确解法，落地执行
在确定最终指标的同时，还需要确保指标是有抓手的。不然就会导致指标和实际业务的动作脱节。拿NPS来说，NPS指标本身是没有抓手的。业务询问用户的推荐度，从而得到了一个NPS的值。但NPS值涨了或跌了是由于什么导致的呢，我们其实是无法知道的。因为我们不知道用户会因为什么原因更愿意或更不愿意推荐我们的业务。如果无法知道NPS值下降的原因，我们也就无法知道做什么事情可以让NPS涨回来。从这个角度来说，NPS不是一个好的指标。
那么如何为指标提供抓手呢？这时候首先需要业务团队的主动发力，思考清楚业务的核心价值是什么？哪些是必备属性，哪些是魅力属性（来自卡诺模型）对于网约车来说，它的核心价值是价格低、确定性、好服务。对于不同的品类来说，虽然核心价值都是这三个，但必备属性和魅力属性可能是不一样的。比如对于特惠快车来说，价格低是必备属性，好服务属于魅力属性；而对于豪华车来说，好服务属于必备属性，价格低则属于魅力属性。
在有了业务的核心价值之后，我们就可以在原NPS调研的基础上，再去追问用户在这些核心价值上的态度。这样我们就能知道用户到底是因为什么原因愿意或不愿意推荐我们了，从而我们就有了指标的抓手。同时我们也就知道我们做什么可以解决用户在体验上对我们的不满，从而来提升NPS提升用户体验。
附加：度量竞品差距：知己知彼，百战不殆
这个标准不是必要的，但是如果能有会对业务有很大的帮助。
竞品和我们之前的差距是衡量业务好坏的另一把尺。
一方面，知己知彼，才能百战不殆。只有知道了自己和竞品目前的差距，无论是好在哪里还是差在哪里，才能更好的做好防守发起进攻。当两者之间的差距发生变化时，也应该时刻保持警惕。
另一方面，有事业务的好坏还可能受到社会环境的影响。但社会环境的变化本身是很难被量化的。比如这两年大环境普遍在变差，这时候如果业务的各项指标都在缩水，但与竞品之间的差距保持不变，那说明业务的缩水更多是由于大环境导致的。
但是竞品的数据指标往往是很难获得的。像GMV这种保密性很高的客观数据，是绝对不可能被外界获取到的。这时，NPS这种调研指标就更好的发挥了他的优势。我们在调研用户的同时，只要再询问一下他是否推荐使用竞品就可以获得竞品的NPS指标了。（当然该如何选择调研的用户才能体现自身和竞品的NPS客观差距，这就是属于用研同学的另一个课题了。）
打造数据指标体系
从前文对NPS（NetPromoter Score，净推荐值）框架的介绍来看，NPS指标完全具备上述能力。因此，我们将进一步探讨如何构建一套以NPS为核心的数据指标体系。
用户分析
在着手构建NPS指标体系之前，我们还需进行前期的用户调研，以深入了解指标体系的消费场景。通常，数据指标的使用者可以分为三类：决策者、业务人员和数据分析师。在设计指标体系时，我们必须充分考虑这三类用户的背景及其使用场景。
决策者 决策者需要定期监控NPS指标的变化，以此来评估体验水平的波动以及年度OKR、的完成情况。同时，他们还需要比较不同领域的指标，如体验、安全、运营、舆情等。通常，他们需要根据当前的业务战略，在这些指标之间做出权衡。例如，对于B2C平台而言，短期内NPS的下降可能换取运营数据的增长。然而，如果NPS的下降并未带来预期的好处，那么这表明业务未达到预期目标。
业务人员 业务人员负责整个NPS指标或其中的某些二级指标，因此他们需要定期分析NPS的变化趋势，向决策者汇报体验水平，并从中识别产品体验问题。在此基础上，他们需发起专项项目，并推动相关团队改善体验问题。
数据分析师 数据分析师在体验专项中往往需要进行深入分析。他们需要快速获取详细的原始数据，根据不同维度进行深入探究，或与其他指标进行比较，并构建自己的数据仪表板。
需求归纳
针对这些不同的使用场景，我们在数据产品阶段需要构建以下工具：
1. 为决策者提供统筹决策的驾驶舱。
2. 为业务人员提供的BI（Business Intelligence，商业智能）看板，用于趋势分析和周期性比较。
3. 为数据分析师提供的分析工具和SQL取数模板，以支持探索性分析。
因此，为了构建这些数据产品，我们需要在数据生产过程中提供以下内容：
1. 所有问卷有效数据的明细数据，便于数据分析师进行拓展（即dwd层的明细数据））。
2. NPS的原子指标、分解的满意度指标以及用于分析判断的统计指标（如显著性、相关系数等）。
3. 根据实际业务场景构建的派生指标（即dm层和app层的汇总数据）。
值得注意的是：
中间的DWM层（数据仓库中间层）的大宽表，主要用于数据仓库的高效数据生产，其数据结构和存储形式较为复杂，原则上不对外开放，以避免误用。
ODS层（原始数据层）用于存储数据清洗前的数据，以便在数据清洗出现错误时，可以进行数据回溯。
指标管理
除了构建数据指标的生产体系，指标管理同样是数据指标体系中的一个关键环节。指标管理的重要性主要体现在以下三个方面：构建指标字典、撰写指标白皮书以及实施数据质量监控。
指标字典的构建
在数据生产流程确定之前，首先应当明确指标的定义。指标名称的构成包括时间周期、空间维度、业务维度、计算维度和原子指标等要素。例如，“近28天（时间周期）北京市（空间维度）新用户（业务维度）未加权汇总（计算维度）的NPS（原子指标）”。
此外，还需详细界定每个要素的具体内容和相应的代码标准。例如，北京市的定义是基于用户注册地还是使用地，以及这一指标是基于哪张Hive表的哪个字段来判定以及唯一责任人。
指标负责人还需与各维度负责人建立高效的迭代机制。一旦维度标准发生变更，应及时通知指标负责人，以便对指标进行相应的更新。
这些准备工作是为了确保在未来对标准有疑问时，能够迅速追溯到唯一的来源和负责人，从而避免无谓的争议。
指标白皮书的撰写
数据生产链路搭建完成后，接下来是撰写指标白皮书。白皮书兼具知识库和客服的功能。一方面，它沉淀了整个指标体系的定义、使用方法和思考过程，便于不同用户理解指标体系的价值，提升其影响力。另一方面，当用户对指标体系有疑问时，白皮书可以成为首选的解答资源，提高问题解决的效率。
数据质量监控
为了确保数据指标的准确性和稳定性，数据质量监控是不可或缺的。数据质量监控通常从生产侧和消费侧两个方面进行。
在生产侧，要确保数据的稳定产出。以NPS为例，需要保证每天都有NPS数据产出，并通过主键ID确保数据的唯一性。
在消费侧，主要监控指标的异常变动，这些变动可能由数据质量引起，也可能是业务异常所致，需要业务人员了解并据此做出决策。无论是哪种情况，监控都是必要的。对于简单的数据指标，可以通过涨跌幅进行监控；对于复杂指标，如调研数据，样本量的变化对涨跌幅有较大影响，此时应结合业务实际，采用显著性检验、两倍/三倍方差法、零值检查等方法进行监控。
最后，当指标维度非常多时，有时会存在多个指标之间有加减乘除或近似的关系，这时候也可以根据实际的业务情况进行交叉验证，从而来提高数据质量。
在总结了构建体验数据指标体系的重要性和具体步骤之后，我们可以得出结论：一个优秀的指标体系不仅是对业务现状的精确描绘，更是推动业务持续健康发展的指南针。通过以上对NPS指标体系的深入探讨，我们清晰地认识到，从用户调研到数据产品的构建，再到指标管理的精细化运作，每一步都是确保数据指标体系有效性的关键环节。
