数据指标体系搭建总结
2021-04-27 20:16:07 17 举报
AI智能生成
登录查看完整内容
数字化时代,到处都在谈论大数据和人工智能,但是这个不太起眼的数据指标的搭建确实前期最为重要的过程,数据指标体系搭建的知识点都总结在这里了
作者其他创作
大纲/内容
分支主题
数仓架构
数据域是指面向业务分析,将业务过程或者维度进行抽象的集合
划分数据域案例
划分数据域
宏观矩阵是业务主题和数据主题的关系
宏观业务矩阵
微观矩阵是数据主题和维度的关系。
案例
1)明细模型设计:设计一致性维表DIM和一致性事实表DWD
2)汇总模型设计:设计公用汇总层DWS和应用汇总层ADS
微观业务矩阵
构建总线矩阵
确定统计指标
明细事实层
DWD层
DWM层基于明细事实表的维度进行日度汇总
DWS层基于常用分析维度进行的数据汇总
DWS层(主题汇总层)
分层架构
数仓分层
构建数仓
指标名称、
指标描述、
计算方式
指标字典的输出必须明确的三个要素
参考案例
输出指标字典
tableau、powerbi
国外的
网易有数、阿里的QuickBI、smartBI
国内
主流的BI工具
国外的有superset、redash、metabase
国内的主要有CBoard和Davinci
开源的BI工具
BI层展示
产品
时间
区域
企业产品按区域按季度统计案例
不仅仅是三维,可以有多个维度
多维立方体
指标体系搭建的意义
业务过程+度量
原子指标
时间周期+修饰词+原子指标,派生指标可以理解为对原子指标业务统计范围的圈定。
派生指标
指标分类
各个基本概念之间的关系
比如电商场景下的 GMV或订单量,它通常是业务漏斗的底部,是一个不可更改的、后验性的指标
结果性指标
可以简单理解为我到达这个结果之前经过的路径,以及通过这个路径去衡量转化好坏的过程,它是可干预的,而且通常是“用户行为”
过程性指标
结果性指标和过程性指标
指标类型及命名
搭建指标体系的时候,横向使用OSM模型,纵向进行三级指标分级。
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?业务的核心目标是什么?
S:为了达成上述目标采取的策略是什么?
M:这些策略随之带来的数据指标变化有哪些?
OSM模型(Obejective,Strategy,Measurement)分别代表业务目标、业务策略、业务度量。
体系案例
横向选择数据指标
必须是全公司都认可的、衡量业绩的核心指标。它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,且要易于沟通传达。比如公司的销售额,或者社交产品的活跃度。
一级指标:公司战略层面指标
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,我们通过查看二级指标,能够快速定位问题的原因所在。比如uv、转化率、客单价,通过这三个指标可以快速定位销售额降低的原因。
二级指标:业务策略层面指标
三级指标是对二级指标的路径的拆解,即是二级指标的过程性指标。通过三级指标,可以高效定位二级指标波动的原因,并可以快速做出相应的动作。这一步会基于历史经验进行拆解,拆解时可以试着不断询问自己为了实现二级指标我需要做哪些事情?这些事对应的指标是什么?
三级指标:业务执行层面指标
指标分级
纵向划分数据指标层级
指标体系搭建
数据指标体系
0 条评论
回复 删除
下一页