Hi，你好呀，见字如面，我是唐晨，日更大数据领域知识和个人观点，关注 Data + AI 领域的小伙伴，可以点击关注公众号。
昨天的文章，我讲到：
指标是业务和数据的交汇点，是最重要的风向标。
指标可能是除 BI、AI 以外，最大的数据应用场景，也是企业日常运营最常使用的一种数据形式。
指标的波动轨迹直接反映企业经营状况的好坏，小到某次活动的效果指标，大到企业整体的经营指标，比如 GMV、活跃会员数等。
如果指标数据不能用，轻则导致某个策略决策错误引发经营损失；重则有可能直接导致企业无法正常运作。
夸张点来说，指标质量的好坏，直接一定程度上影响了企业的生死存亡。
本文，主要针对常见的指标问题，基于个人的从业经验，提供一些解决思路，希望对你有所帮助或启发。
备注：了解企业常见的指标问题，可以阅读数据指标都管理不好，谈何数字化
| 按主题域管理
规范管理指标的第一步就是做好顶层设计。
且
不要去搞什么创新设计模式，就使用成熟的业务主题域管理模式即可。具体见下图：
按照业务线-->主题域-->业务过程三级目录的方式管理指标。
业务线正常是顶层，如果你们企业的业务还比较单一，可以省略这一层，直接把主题域作为顶层即可。
且指标管理这里的主题域一定要和数仓的主题域保持一致。
如何理解主题域和业务过程呢？
每个主题域代表了公司业务的一个重要领域，而业务过程则是描述/反映了主题的不同环节和流程。
这样说可能还是比较模糊，我们举个例子。
假设我们是一家零售企业，有一个客户在网上购买了一件商品，企业完成了一次销售动作，这个购买过程涉及到订单处理、支付流程等业务过程。
订单处理包括了接收订单、确认库存、生成订单等环节。支付流程则涉及到客户支付、支付确认等环节。
这样，我们就可以将销售业务划分为一个主题域，在主题域下有不同的业务过程，每个业务过程描述了销售业务中的一个环节或流程，比如订单处理、支付流程和退货处理。
通过这种分层方式，我们可以更好地组织和管理指标，使其更贴合实际业务需求，提高数据分析和应用的效率和准确性。
| 拆分原子指标和派生指标
除了按照主题域管理指标外，还需要将指标进行分层管理，也就是划分为原子指标和派生指标。
原子指标可以理解为最小粒度的统计口径；派生指标则是基于原子指标，加工出的指标，通常会增加包含统计周期、统计粒度等前缀。
关系如下图所示：
“购买用户数”是业务最小粒度的统计，属于原子指标，计算口径为：下单并支付成功的用户数量，去重统计。
统计粒度就是商品粒度，统计周期是最近 7 天，而会员和非会员就是业务限定词。
这样最近 7 天内，商品维度下会员和非会员购买用户数这两个指标就保持了相同的计算口径，继承自同一个原子指标。
| 指标命名规范
为了更好地管理指标，要规定好指标的命名规范，这样才可以让指标更易懂。
最好的效果就是，让别人看到指标名称就能立马理解这个指标是干什么的，属于哪个主题域的业务过程。
如果是原子指标，在命名上最好采用“动作+度量”的格式，比如消费总金额、注册用户数。
如果是派生指标，指标名称应该严格遵循“时间周期 + 统计粒度 + 修饰词 + 原子指标”的命名方式。比如最近 7 天会员购买用户数。
| 关联可分析维度
指标最终是要被使用才能发挥价值，定义好指标的统计口径后，为了让数据分析师/业务分析师把指标使用起来，就需要指定指标可分析的维度，方便分析师从不同的维度分析指标的变化趋势。
维度是用于对度量进行分类、分组和筛选的描述性属性。
维度提供了对度量数据进行上下文理解和分析的视角。它通常是非数值型的数据，如时间、地理位置、产品类别、客户等，是需要基于主题域进行统一管理和维护的。
| 小结
通过以上案例和方法，你一定对如何管理企业指标有了一定的了解了吧。
很多企业的指标之所以存在口径不一致的问题，就是缺乏了一套统一规范管理指标的方法和工具。
（正文完）
今天的分享就到这里，希望对你能有所帮助和启发。
我是唐晨，日更大数据+AI 领域知识和个人观点，关注 Data + AI 领域的小伙伴，可以点击关注公众号。
