什么是指标？

指标的定义

指标是将业务单元细分后量化的度量值，它使得业务目标可描述、可度量、可拆解。指标是业务和数据的结合，是统计的基础，也是量化效果的重要依据。指标主要用于对业务过程进行数值化的描述。

指标主要分为结果型指标和过程型指标：

• 结果型指标：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。结果型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。
• 过程型指标：用户在做某个动作时所产生的指标，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。过程型指标更加关注用户的需求为什么被满足或没被满足。

指标 = 业务维度描述 + 技术维度描述

数据域

数据域是将业务过程或维度进行抽象的集合。数据域是联系较为紧密的数据主题的集合，是业务对象高度概括的概念层次归类，目的是便于数据的管理和应用。

业务过程

业务过程是组织执行的经营活动，例如接受订单、处理保险索赔、注册学员上课或每月对每个账户进行快照。业务过程事件生成或收集度量，这些度量转化为事实表中的事实。大多数事实表关注单个业务过程的结果。

选择过程是很重要的，因为它定义了一个特定的设计目标，并允许声明粒度、维度和事实。每个业务过程对应于企业数据仓库总线矩阵中的一行。业务过程是一个不可拆分的行为事件，业务过程就是企业活动中的时间。

业务限定

业务限定是统计的业务范围，用于筛选出符合业务规则的记录（类似于SQL中where后的条件，不包括时间区间）。原子指标是计算逻辑的标准化定义，业务限定则是条件限制的标准化定义。

指标的组成要素

指标具体到计算实施，主要有以下几部分组成：

• 汇总方式：指标加工逻辑，比如count、sum、avg。
• 维度：比如按部门、地域进行指标统计，对应SQL中的group by。
• 业务限定/修饰词：比如以不同的支付渠道来算对应的指标，微信支付的订单退款率，支付宝支付的订单退款率。对应SQL中的where。

指标分类

• 原子指标：原子指标和度量含义相同，基于某一业务事件行为下的度量，是业务定义中不可再拆分的指标，具有明确业务含义的名词，如支付金额。原子指标描述的其实是一种指标的类型，比如订单支付金额、支付订单数、下单订单数、PV、UV等。但是仅仅一个原子指标是不能直接取数的。

  原子指标 = 业务限定 + 度量值

  

• 派生指标：对原子指标业务统计范围的确定。由一个原子指标 + 修饰词（业务限定） + 时间周期 + 聚合粒度组成。

  

  派生指标可以分为两类：事务型指标、存量型指标。按照其特性不同，有些必须新建原子指标，有些可以在其他类型原子指标的基础上增加修饰词形成衍生指标。

  • 事务型指标：是指对业务过程进行衡量的指标，如近N天支付金额。这类指标需维护原子指标及修饰词，在此基础上创建衍生指标。
  • 存量型指标：是指对实体对象某些状态的统计，对应的时间周期一般为“历史截止当前某个时间”。这类指标需维护原子指标及修饰词，在此基础上创建衍生指标。

• 衍生指标：是在一个或多个派生指标的基础上，通过各种逻辑运算复合而成的。例如比率、比例等类型的指标。衍生指标也会对应实际的统计需求。

  衍生指标 = 派生指标 + 运算规则

  

  

指标相关规范

1. 指标来源规范

为了保持数据一致性，同一业务含义指标的源头尽量保持同一张表，比如所有相关评论指标应该能追溯到同一个数据表。同一业务指标需要涉及多个源数据时，比如日志和服务端的数据。建议尽量加以区分，比如命名上区分。

2. 命名规范

3. 指标规范定义

一个指标只有一个英文字段、一个中文字段、一个算法定义，避免不同部门口中的指标逻辑不同一问题。

4. 统计口径

在开发指标过程中，做到需求描述、计算口径、指标口径保持一致性，同时做到指标可追溯可管理。可依托于工具来完成指标的管理。以下是一些常见的指标口径规范：

• 定义度量标准：定义每个指标的计算方法和公式，以保证所有人对指标的解释和计算方式达成一致。例如，销售额 = 销售数量 * 销售单价。
• 确定数据源：明确每个指标的数据来源，并对数据的准确性进行验证和验证过程进行说明。例如，销售数量来自订单表，销售单价来自价格表。
• 设定计算周期：确定每个指标计算的时间点和时间范围，以保证指标的时效性和可比性。例如，月度销售额需要在每月末算出。
• 选择计算精度：根据业务需求和数据特点，确定指标计算的精度和取舍原则。例如，保留两位小数或者四舍五入取整。
• 标准化指标名称：使用简洁明了、具有意义的指标名称，并与业务术语相一致，以便于理解和识别。
• 编写指标说明：编写指标说明文档，详细阐述每个指标的含义、计算方法、数据来源、计算周期等信息，以方便用户查询和理解。

统一词根、修饰词、公共字段管理，保证原子指标和衍生指标的一致性。统一指标管理，保证需求描述、计算口径、指标业务口径数据来源的一致性。统一维度管理，保证了维度定义、维度值的一致性。统一模型层次、维表、事实表的关联，保证模型设计的一致性。统一数据域、业务过程管理，保证数仓体系的一致性。

指标分级

(1) 一级指标（Tier1 Metrics）：公司战略层面指标

一级指标必须是全公司都认可的、衡量业绩的核心指标。可以直接指引公司的战略目标，衡量公司的业务达成情况，本质上需要管理层和下级员工的双向理解、认同，目要易干沟通传达。

选择一级指标时，数量控制在5至8个最为合适。需要从公司和用户两个角度出发，与商业结果和公司战略目标紧密结合。比如GMV（GMV = 用户数 * 转化率 * 客单价）、订单数量、周/日活跃用户数量等。

(2) 二级指标（Tier2 Metrics）：业务策略层面指标

二级指标是针对一级指标的路径分析拆解，是流程中的指标。当一级指标发生变化的时候，我们通过查看二级指标，结合一定的历史经验，能够快速定位问题的原因所在。

比如，我们的一级指标是GMV和订单数量上升，而能够影响到GMV和订单数量上升的，就是我们的核心二级指标。比如说货品的单价上升、活跃用户数量增多、或者某站内渠道大规模推广。

(3) 三级指标（Tier3 Metrics）：业务执行层面指标

三级指标是针对二级指标的路径分析拆解，通常以子流程或个体的方式定义。通过三级指标，可以高效定位二级指标波动的原因，这一步也会基于历史经验和拆解。

三级指标能够直接指引一线运营的决策。一线的产品、运营、市场等同学，在看到三级指标的结果后，往往就能够有直接的改变行为产生。

指标痛点

基于但不限于上述场景，可概括为如下六类痛点：

1. 指标名称冲突：指标名称相同，计算逻辑、统计口径、数据源等不一样，这种情况非常让人费解。
2. 命名难以理解：好的指标命名是可以推断出其包含的业务过程的，但工作中总会碰到一些指标，很难判断这个指标是描述什么业务的。
3. 计算口径不统一：有些指标的计算口径不同的人会有不同的理解方式，导致使用者对这一指标理解产生歧义。
4. 计算逻辑不清晰：之前工作中经常会碰到这类问题，当指标出现问题时需要去查代码才能找到指标使用了哪些表中的数据。而有些计算逻辑比较复杂的指标很难用语言描述清楚，即使能够描述清楚也会需要大段文字。指标开发人员很清楚其中的计算逻辑，使用者用起来是一头雾水。
5. 指标重复：由于没有统一的指标管理体系，导致很多指标重复开发，不同指标名称背后很可能是相同的计算逻辑和统计口径。
6. 指标使用问题：由于指标命名不规范、指标描述不清晰等问题，使用者不知道如何使用、分析这一指标。

指标字典

其实就是把公司常用的一些指标，通过有组织，有秩序的进行整理，明确指标的口径、维度、指标取数逻辑等信息，形成公司内个业务部门均统一认同的标准化数据体系。一般为了共享和统一修改和维护，我们会在Excel中维护所有的指标。

1. 指标编码：指标的唯一编码值。
2. 指标名称：指标的名称，定义要规范，可参考：指标命名四要素。
3. 指标归类：只要有分类，方便查找，一般按照业务方向分。
4. 指标映射：这个指标可以用来反应什么业务情况，应用场景是什么。
5. 指标类型：该指标是原子指标、衍生指标还是派生指标。
6. 对象实体：指标要统计的对象实体名称。比如：统计订单还是用户。
7. 业务主题：用来描述业务在哪个过程阶段。比如：打开页面、下单、点击支付、支付成功、支付失败。
8. 限定维度：用来对指标进行限定约束。比如：当天、本周、当月、平均、累计。
9. 可用维度：使用该指标时可以用的维度、例如时间、年龄、性别等。
10. 计算公式：指标如何计算的，其汇总方式和度量。
11. 业务口径：从业务的角度制定统一的数据统计标准，往往用来说明某一数值在特定业务场景下的含义。
12. 更新频率：调度/更新周期。
13. 依赖表：指标来源表。
14. 脚本：该指标计算的脚本。

建立指标字典，要求：

1. 规范维度和量度命名，命名规则要尽量做到明确、通用、易懂。
2. 对确认维度和量表，统一计算口径，避免歧义。
3. 涵盖尽可能多的关注和核心维度和量度，一次为基础推动数据建设，确保指标字典里覆盖的维度都可区分，指标都做统计。
4. 基于指标字典，将核心维度和量度注入元数据中心，接入指标提取工具，后续实现不需要写SQL即可完成自助查询及分析需求。

指标解析

拿统计报表的指标解析步骤来举例，通常指标解析的步骤分为5步：

1. 理解业务：首先通过报表标题、表头、表尾，以及各数据项的关系和公式来了解统计报表是要做什么的。
2. 剔除无效指标：报表不是所有指标都是有效指标，与业务没有强关联的指标可以视为无效指标，例如“操作”、“序号”等。
3. 分析指标的维度、筛选条件、公式。
4. 确定报表的数据期：数据期也就是查看统计报表的时间粒度，我们需要确认：确定数据期字段、确定数据期类型。
5. 与业务方或技术方确认，保证指标的权威性。记录存档，以备指标定义时使用。

什么是指标体系？

指标体系是将零散单点的具有相互联系的指标，系统化的组织起来，通过单点看全局，通过全局解决单点的问题。它主要由指标和体系两部分组成。

数据指标体系是按照业务模块、功能模块或者其他的划分方法把所有指标组织起来形成的系统。体系化的本质是将数据指标系统性地组织起来，具体会按照业务模型、按标准对指标不同的属性分类及分层。不同的业务阶段、不同业务类型会有不同阶段的划分标准。数据指标体系含有十分丰富的统计量，从宏观上看，它是一个相对全面的有机整体；从微观上看，每个数据指标都有其特定含义，反映了某一细节的客观事实。

指标体系的几大特点

1. 不能是单一指标。
2. 互之间有逻辑联系的指标及维度构成的整体。
3. 多个指标之间需要有一定的关联性。

为什么需要指标体系？

指标体系设计原则

指标体系的设计原则包括四个方面：（1）面向业务方需求；（2）指标的典型性；（3）指标的层次性；（4）生命周期原则。

（1）面向业务方需求

由于指标的用户就是业务方，业务方包括公司高管、运营部、产品部的同学，那么就需要与业务方充分沟通，并且不遗漏、不重复地搜集业务方的需求，在此过程中对各方提供的指标口径统一管理，然后按照重要程度把收集上来的指标划分为各级指标。指标体系也可以包含临时指标。不论是什么指标，凡是能为用户创造价值或者有利于提升业绩，都可以纳入指标体系。

（2）指标的典型性

典型性是指在数据分析工作中经常出现的指标，这些指标是核心指标或关键指标。在选择指标时尽量选取具有代表性的、典型的指标，因为这些指标最能反映业务的真实情况。例如，对于短视频应用来说，通常要分析日活跃用户数、周活跃用户数、日均观看时长、观看高峰时间段、关注主播数目等数据，这些指标与短视频业务密切相关，可以作为核心指标和关键指标。

（3）指标的层次性

层次性说的是不能把所有指标随便堆放，那么怎样才能把指标组织成一个有层次的体系？答案是通过指标之间的逻辑关系或业务关联性，把所有指标组织成一个有层次的整体。最常用的是把指标组织成树形结构，类似自然界中一棵倒挂的树。树根是一级指标，它由一个或多个核心指标组成，一级指标经过拆解变成下一级指标即二级指标，这样不断拆分、加入维度，最终形成一棵指标树，一般拆到第四级指标就够了。下图是某电商平台基于购物流程搭建的指标体系，每个橙色的方框表示购物流程的其中一环，表示一级指标，黑色箭头表示购物流程；蓝色框表示二级指标，它对一级指标有直接贡献。或者说二级指标与一级指标是因果关系，二级是因，一级是果。

（4）生命周期原则

在产品生命周期的不同阶段，运营关注的指标也会不一样。例如，产品上线后处于快速增长期时，这个阶段的核心指标（例如北极星指标）是留存和传播推荐。留存指标反映的是用户是否认可产品的价值；传播推荐指标用于衡量用户向其他用户推荐的积极性，也能反映产品的受欢迎程度。当产品进入成熟期，公司更多关注的就是下单转化率、复购率、销售额、客单价等关键业务指标。既然产品有生命周期，使用产品的用户也有生命周期，那么数据指标也有生命周期。所以，随着业务或产品的发展，指标体系也要跟随业务做动态调整，需要跟随产品和业务重心的变化去增加指标、更新指标、下线指标。增加指标说的是为了支撑日常运营需求而新增指标。更新指标说的是根据业务发展的需要而修改指标的口径、名称或定义。下线指标的意思是弃用失效的、对业务或产品不再适用的指标。后文第6节会详细介绍指标体系的落地。

指标体系构建方法论？

搭建指标体系主要有以下方法：业务流程法、OKR拆解法，北极星指标，OSM、UMJ、AARRR...。下面通过案例逐一讲解。

1、业务流程法

从整体的流程来说主要包括下面八个步骤，每个步骤电商网站双十一GMV成交额(GMV)案例来说明。

• 需求收集&明确目标：一般是围绕公司级别的目标拆解下来，或者某个项目的具体目标，这个目标可能不止一个。案例是双十一成交额500亿。
• 梳理业务流程：以用户的目标节点往前推，看用户达到这个目标有哪些环节。
• 确定关键环节：在上步梳理的业务流程中相对会复杂一些，也都是有必要的，我们还需要将关键环节进行明确，也是我们后续优化的逻辑之一。电商我总结出来的关键环节是：进入网站=》查看商详页=》加入购物车=》下单(商详页也可以直接下单)=》付款。
• 建设指标池：根据梳理的业务流程、及关键环节找出每个环节的必要指标拿出指标池，这也是我们指标体系的原始素材。
• 明确关键指标：从指标池中挑出关键指标，同时和第三步相呼应。这里的关键指标，在为数据可视化中的大盘打下一个基础。在上图中没有将指标池画出来，直接了关键指标，包括每个关键环节的UV/GMV/转化率等。
• 维度选取：在完善了指标池和和关键指标之后，我们需要分析指标的属性，也就是维度，维度尽可能的丰富，一套指标体系的丰富程度很大程度上取决于维度的丰富度。经过上面几步，脑图版本的指标体系已经初步完成，数据、产品、运营各个团队就可以进行讨论和优化了。
• 明确指标口径：我们在上面有提到好的指标中第一个就是“准确性”，准确性的前提是有明确的定义，如果定义不清楚，准确性无从谈起。
• 设计数据可视化：可视化一般分为3个层面，核心指标的数据大盘、部分关键指标的图表展示，常规数据的表格展现。

2、OKR拆解法

OKR（Objectives and Key Results）即目标与关键成果法，是一套明确和跟踪目标及其完成情况的管理工具和方法。整体流程和业务流程法大同小异。

关键点就是下图虚线矿中的目标拆解。我们以豆瓣MAU1000万案例来说明。

在拆解的过程中就是逐层的抽丝剥茧，但是每个人的剥法可能不同，结果也会有差异，但是在相同的业务基本框架差不多。下面是我个人的拆解方法。

• 第一层拆解：
  • 月活MAU = 月新增用户 + 老用户数
  • 第二层拆解：月新增用户
  • 月新增用户 = ∑日/周新增用户相加
  • 日/周新增用户 = 日/周访客数 * 注册转化率
  • 第三层拆解：日/周访客数
  • 日/周访客数 = 广告投放访客 + 用户裂变访客数
  • 第二层拆解：老用户数
  • 老用户数 = 累计用户数 * 用户留存率
  • 老用户数 = 主动回访用户数 + 营销回访用户数
  • 第三层拆解：用户留存率、营销回访用户
  • 老用户留存率、新用户留存率
  • 付费回访、免费回访

ORK在拆解的过程中注意下面三点，其实整体下来OKR拆解是比业务流程法有一定的难度的，这也是为什么要熟悉/精通业务的原因。

3、OSM模型

两种方法讲完了，补充一个有用的模型工具，OSM模型（Obejective，Strategy，Measurement）分别代表业务目标、业务策略、业务度量。

• O：用户使用产品的目标是什么？产品满足了用户的什么需求？
• 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？

OSM模型主要有下面三大用处，尤其是第三点，上面我举的2个案例，相对来说还不够细，无法有效的在某家公司进行落地，只有根据该公司具体的业务场景进行本土化，才能有效落地。但是这些内容对于求职面试已经是足够了。

1. 协助确认关键流程或者节点。
2. 补充丰富指标池。
3. 建立企业本土化指标体系。

• 业务目标：OSM模型
• 用户/产品生命周期及其行为路径：AARRR模型（产品）+ UJM模型（用户）
• 指标分级下钻：MECE模型

数据指标体系建设的方法可以总结为三个步骤，即明确业务目标，根据用户/产品生命周期行为路径指定每个步骤的目标、策略及度量，最后对指标进行分级分类管理及细化。在这三个步骤当中又涉及到OSM+AARRR+UJM+MECE四个模型，这四个模型是指导我们构建完整而清洗的指标体系方法论。

1、总体原则：明确业务目标、制定策略、明确度量

• OSM模型：Object-Strategy-Measure的缩写
  • O-Object：代表目标。所以，我们在建立数据指标体系之前，一定要清洗的了解业务目标。
  • S-Strategy：策略，达成以上的业务目标，需要制定的行动策略。
  • M-Measure：度量，为了衡量策略是否有效，就需要我们制定较细的评估指标，反应目标的达成情况。

2、具体方法：理清产品及用户声明周期路径

梳理产品的用户生命旅程，以校对业务目标，判断它能否与用户的每个阶段的旅程吻合。

• AARRR模型：是基于产品角度，简单的来说就是拉新、促活、留存、付费、推广；“海盗法则”环节关注指标：

  • 用户获取（Acquisition）：DNU、ROI、LTV、CPA、CPC等。
  • 用户激活（Activation）：DAU、MAU、PV、UV、浏览时长等。
  • 用户留存（Retention）：第i日留存、DAU/MAU、流失率。
  • 获取收入（Revenue）：GMV、ARPU、ARPPU、转化率。
  • 推荐传播（Referral）：邀请发送量、k-因子、病毒传播周期。

• UJM模型：User-Journey-Map模型。是基于用户角度触发，描述了用户进入产品的整个路径流程，即注册、登录、浏览、加购、购买、复购流程。

  • 用户行为：用户在该旅途会进行什么操作。
  • 目标：在该旅途要完成的目标。
  • 接触点：产品与用户连接的地方。
  • 问题点：当前在该旅途会有什么困难或者不足。
  • 机会点：针对目标、行为和问题点总结出机会点。
  • 衡量指标：针对机会点选择合适的指标进行度量。

逻辑树方法

逻辑树方法是一种强大的分析工具，用于将复杂的问题分解成更小、更具体的子问题。它以树状结构呈现，从一个中心问题分枝出多个子问题，每个子问题又进一步细分，直到达到可以操作的具体问题。

如何构建逻辑树

1. 定义中心问题：首先明确你想解决的核心问题。在数据指标体系搭建中，这可能是“如何有效地衡量和提升业务绩效”。
2. 分解为子问题：将中心问题分解为几个关键的子问题。例如，子问题可能包括“哪些指标最能反映业务绩效”、“如何收集和分析这些指标”。
3. 继续分解：对每个子问题进一步分解，直至具体可行的步骤。例如，“如何收集和分析这些指标”可以分解为“确定数据源”、“设计数据收集方法”和“选择分析工具”。
4. 检查逻辑性和完整性：确保从中心问题到最后的分解步骤，逻辑清晰，且覆盖了所有相关方面。

MECE模型: 相互穷尽，不重叠。完全穷尽，不遗漏。

MECE原则，即“相互独立，完全穷尽”，是逻辑树方法的重要补充，确保在问题分解过程中既不重叠也不遗漏任何重要方面。

1. 相互独立：确保每个分解出的问题或步骤是相互独立的，避免重复。比如，在选择业务绩效指标时，确保每个指标衡量的是不同的业务方面。
2. 完全穷尽：检查是否覆盖了所有相关方面，没有遗漏任何重要的问题或步骤。例如，在考虑数据收集方法时，确保考虑了所有可能的数据源和技术。

我们之前提到数据域的划分，要尽可能的满足MECE原则。但按对象分，和按过程分，两者不可避免的会产生重叠，这种情况怎么处理？有两种方式：

1. 在过程域和对象域之间建立从属关系，看谁跟谁离得近就归给谁。例如供应商这个对象，虽然采购过程会有，营销、交易、售后过程也都会涉及。但是“供应商”这个对象离采购更近，我们归给采购这个域内。如果是非常复杂的业务，我们则可以建立一个二级的数据域叫做“采购-供应商”，这个域以供应商为核心，不仅只包括采购的数据，也包括营销、交易、售后服务的数据。这样就可以保证数据域之间尽可能的不重不漏。
2. 接受数据域之间的重叠部分，并通过一致性维度来保证不同数据域之间数据的一致性。

3、分级细化：指标体系分级建设

只便于业务理解的逻辑划分，不再物理存储层面产生作用。前面两个步骤，首先我们明确了解业务核心目标、策略及方法，接下来我们需要向下进行逐层拆解，这个过程我们称为指标体系分级治理，用到的模型是MECE（Mutually Exclusive Collectively Exhaustive）模型，完全独立，互相穷尽。好处是可以对指标逐层细化，针对各个层级查漏补缺，二是便于后续指标的运营维护及管理。

• 一级指标：全公司都认可的、衡量业绩的核心指标。
• 二级指标：二级指标是一级指标的路径指标。一级指标发生变化的时候，我们可以通过查看二级指标，能够快速定位问题的原因所在。
• 三级指标：三级指标是对二级指标的路径的分析。通过三级指标，可以高效定位二级指标波动的原因。

• 需求调研：产品或者运营完成产品原型或者运营方案，数据分析师根据原型或者运营方案提炼数据需求，评估需求可行性并和需求方讨论修改不合理的需求。
• 需求分析：数据分析师将数据需求整理成文档并根据优先级对需求进行排期。
• 确定指标体系方案：数据分析师以OSM、AARRR、UJM、MECE模型作为指导思想，确定指标体系建设方案。
• 数据采集：数据分析师根据初步的指标体系建设方案明确要采集的数据源，设计数据采集方案，如系统中当前没有需要的数据，则需要设计埋点方案，同时给出字段命名规范一级数据采集方案，开发根据需要在对应的系统进行埋点。
• 数据开发：大数据开发工程师根据底层的数据需求，进行数据仓库设计，同时将数据接入到数仓。
• 指标发布及优化：针对开发好的指标进行校验，同时建设可视化的图标方案，通过效果使用迭代指标体系。
• 效果评估：指标体系落地，用于监控业务现状，指导业务决策，定位业务问题，在业务的不断反馈中逐渐完善整套指标体系。

4、北极星指标法

北极星指标（North Star Metric），也被称为唯一关键指标（One Metric That Matters），是指在产品的当前阶段与业务/战略相关的绝对核心指标。

北极星指标通常会精简为一个可衡量的数字，但它会随着产品的发展阶段而改变。以用户生命周期为例，早期产品较为靠前，会更重视新增用户数和注册用户数；成熟产品较为靠后，会更偏向活跃用户数和转化用户数。

为了制定北极星指标，需要综合考虑公司的核心目标和用户行为的关键动作。每条业务线的北极星指标数量可以只有一、两个，如果业务复杂也可以有5、6个。那么怎样制定北极星指标？业内一般是考察下面的4个问题来制定北极星指标。

问题1：指标是否体现了产品的核心价值？

不管是什么产品、商品，或者无形的产品（服务），都是为了向客户提供生产、生活中的需求，或者解决客户某个痛点，这就是产品的核心价值。例如在打车领域的互联网app，如果把app的注册用户数作为北极星指标，而不关心车、人共同参与的成交情况，即使全国80%的人口在这个app上注册成为了用户却没有成交的行程订单，也是没有意义的，因为该指标没有体现出这个打车app提供的核心价值——高效匹配有打车需求的人与有运力的车辆。所以可以考虑把“日均成功履约订单量”、“客单价”、“月订单总额”之类的指标作为北极星目标。

问题2：指标是先导性的还是滞后性的？

“先导性”的意思是选取的指标（尤其是北极星指标）不能滞后于事实的发生。例如，某音乐app的会员费是预付制，也就是先交费或者定期从指定账户中预付费来维持会员资格。某一天，当某用户在按期续费之后，停用或者卸载了这个app，但是忘记了取消自动续费，此时如果选取“当月会员付费总额”作为北极星指标，那么显然会掩盖用户已流失这个事实。那么针对付费会员的业务，要以“付费用户周活跃数量”、“付费用户月活跃数量”等先导型指标作为北极星指标，以提前发现问题。

问题3：指标是否能揭示业务的发展趋势？

来看一则业界早年流传的故事，说的是早在Facebook成立之前，美国最大的社交网站是MySpace，后者的用户多、历史久，也不缺钱（MySapce有赞助方News Corp）。乍看之下，由几个辍学后生仔创办的facebook似乎打不过myspace，但结果大家也知道，facebook赢了。原因有很多，这里只说其中一个区别，就是二者设立的阶段性目标（也就是北极星指标）不一样，MySpace设立的是”总注册用户数“，而Facebook则把”月活用户数“作为用户增长策略的北极星指标。当时的MySpace宣称有总共100多万注册用户，但是细品就感觉有水份，因为100万用户里面很可能是有僵尸用户的，例如隔了三个月或更久才登录一次。但是Facebook集中精力提升用户的留存和活跃，所以每个月的”月活用户数“环比都是持续、大幅增长。相比之下MySpace只是在用力拉新，却不关注用户的产品体验以及用户留存，导致流失率很高。结果仅仅用了一年，越来越多人弃用myspace转而使用facebook，最终导致myspace销声匿迹。

问题4：指标有没有可操作性？

可操作性意味着北极星指标易于拆解成更低层级的指标，以便在执行层面操作和实现，否则就是“柏拉图指标”，柏拉图的意思是脱离现实的美好梦想。那么如何实现北极星指标？在前面的5.2小节说过，一级指标和二级指标之间要有因果关系。就拿GMV这个北极星指标来举例，假设当前阶段的GMV口径是“GMV = 下单用户数 * 平均客单价”，所以先把GMV拆解成2个二级指标，即“下单用户数”和“平均客单价”，再根据“下单用户数”的口径“下单用户数 = UV(独立用户数) * 购买转化率”把下单用户数拆解成2个三级指标“UV”、“购买转化率”。同理，根据“平均客单价”的口径“平均客单价 = 件单价 * 件连带率”把平均客单价拆解成“件单价”、“件连带率”2个三级指标，当然也可以继续拆解。这样经过层层拆解，就能把一个高度概括的”今年的GMV要达到3亿“之类的北极星指标拆分成具体的低层级指标（子指标），方便各产品、运营人员分别实现子指标，相关人员也能清楚知道从哪里找到各级指标所需的数据源。如果在数据中台、数据湖仓中没有相关数据源，数据产品经理就可以提交埋点需求或采买需求，通过埋点方式或者从外部采集购买的方式来获得数据源。

5、GSM模型

GSM模型是Google的用户体验团队提出的一种指标体系，该体系主要是用来量化用户体验的，GSM分别为目标（Goal）→信号（Signal）→指标（Metric），所以也简称GSM模型。GSM适用于分析H5做专题活动的效果，即运用GSM模型来确定分析指标，特别是App内阶段性活动的指标。

![GSM模型](https://gonline-file.oss-cn-shenzhen.aliyuncs.com/file/jpg/2025-01-11/27acd
end