第二十章：数据治理之数据指标（二）：数据指标和数据指标体系

上一章【数据指标工具】中，我们已经介绍了数据指标相关的工具，并介绍了不同工具的定位和区别。本章我们介绍一下数据指标和数据指标体系。

在写本章内容时，强烈感觉到数据指标是另一个庞大领域的入口，通过数据指标的不断深入研究，可以进入到另一个全新的、完全不同领域。有点像这个图的感觉，虽然这个图说的是未来的可能性，但是，这种通过一个点可以触发无限的可能性的感觉是一样的。

实际上也确实如此，数据分析、数据运营，各种分析理论、分析方法，等等，都是基于数据指标之上的。而且深入的进行数据指标和数据指标体系的构建，也必须加深对于业务的了解，是和具体业务有深度绑定关系的。

整个数据分析的核心就在于指标体系，一个怎样的指标体系，决定了能够分析的细度、深度。因此，能够设计一套分层、分级的数据指标体系，对数据分析来说是重中之重。

说句题外话，上面提到数据分析，个人认为，数据分析师需要有一定的数据敏感度。如何测试数据敏感度？这完全是从个人经验角度举一个例子，之前学习DAU、MAU的时候，读到过一段话，理解这句话都理解了很久，由此我就知道自己数据敏感度不够了。可能例子不合适，不妨读来试试。

<aside> 💡

DAU/MAU的大小表明了这款产品对用户的黏性大小，换句话说，就是用户打开产品的频率。 DAU和MAU的比值高，代表一个月有使用产品的用户中，每天都使用产品的用户比例高，即使用频率高，用户对产品的依赖性强，同时也说明用户粘度较强。另一方面，也代表了用户的流失率低，留存率高。

DAU和MAU的比值低，所有结论相反，用户使用频率低，依赖性弱，粘度较弱，用户流失率高，留存率低。

1）DAU/MAU提升↑，DAU增加显著↑

说明产品的改动或者啥大新闻让部分沉默用户苏醒，但是这个改动和大新闻大多触及到产品已有老用户，这种情况下我们应该加大对产品新功能的推广和宣传，引导更多的新用户成为我们的活跃用户。

2）DAU/MAU提升↑，MAU减少显著↓

说明非忠实用户的流失变得严重，对于一部分刚需的用户我们可以保留下来，但是对于不是刚需的用户我们无法挽留，这种情况下我们应该在保证核心功能的基础上进行功能多元化的探索，满足更多非刚需非忠实用户的需求。

3）DAU/MAU降低↓，DAU减少显著↓

说明我们的核心功能出现了问题或者外界的影响造成了用户对产品本身的恐慌，像什么某某某P2P跑路了等等，导致原本使用产品的用户跳到竞品或者不再使用，这种情况下我们应该分析竞品的动向，确保我们的核心功能各方面使用体验达到最优，才能挽留用户。

4）DAU/MAU降低↓，MAU增加显著↑

说明产品的改动或者外界的推广让短期用户活跃度提升，但是这个改动和影响不具备可持续性，可能是用户玩一下就腻了的快死型功能，比如脸萌，足迹这种功能，这种情况下我们要思考如何增加用户的粘度，减少用户流失。

</aside>

不知道你读来绕不绕，反正我读来时很绕的，理不清。

回到本章主题，个人不是专业的数据分析师，对于数据指标、数据指标体系建设也不是专业的，本章只是从产品经理角度说下自己的一些理解。内容也会有其他资料的一些学习、总结，如有疑问，可随时联系。

1、什么是数据指标

在【数据架构】篇中我们说过“数据是由业务产生。在业务的运行过程产生的数据，被记录到数据库不同的表中，此时的数据已经相当于被打散了再进行的记录，不能直观的反应出数据对应的业务了。数据架构就需要将已经被打散的数据，重新进行划分、组合来反映业务情况。”。

而本章要讲的数据指标，在这一过程中，充当了血肉填充的作用。将业务产生的数据，升级为数据指标，从而通过数据指标，来实现对业务的准确度量。

也就是说，如果数据架构是将已经被打散的数据，重新进行划分、组合来反映业务情况，那么，数据指标就是让反映业务情况这个目标，变得可描述、可度量、可拆解了。

业务产生的数据，需要怎样才能升级为数据指标那？也就是数据指标的定义是什么。

数据指标的定义，没有一个统一的定义方式，每个人都可以有一个自己的定义方法。

有的定义是说：数据指标是一个被定义的数值，用来对事实进行量化抽象。这个抽象过程可以是一次的，也可以是多次。

如何抽象，怎么抽象，个人理解不上去。所以这里给出一个个人认为相对简单的定义。

数据指标，就是在数据的基础上，添加维度、汇总方式、计量单位三个元素之后，就称之为数据指标。他是为了从某一方面精准反应业务情况，让业务变得可描述、可度量、可拆解。

维度：

从什么角度去衡量，从什么角度来看这个数据。维度类型很多，如地理维度（其中包括国家、地区、省市等）、时间维度（其中包括年、季、月、周、日等级别内容）。

汇总方式：

用什么方法去衡量。也就是用哪种方式来对数据进行处理，是相加、求平均值等等。