开篇

在微信公众号中搜索数据运营指标体系，我们随便能找到类似的文章不少于3000篇，这种数据指标体系往往是数据指标分类解释说明，或是数据指标集合。我常常想，这样的数据指标体系对我们的数据化运营到底有多少帮助？利用它们解决业务问题或许还有很长一段路要走，离“数据--信息--知识”理论模型见解更是相差甚远。这也是读书人想写此系列文章的原因之一，一方面希望通常书写的方式梳理出自己的一套数据运营体系，另一方面则希望以文会友的方式来讨论完善这套数据运营指标体系。

要创建自己的数据指标首先得理解两个概念，最小经济单位和业务模型。最小经济单位指能反应业务发展水平的在商业模型中， 能够体现收入与成本关系的某个最小运作单元。比如现在比较火的共享自行车项目，里面涉及到的最小经济单位就包括自行车和用户两部分。业务模型则包括两大块，一块是业务营收模型，体现业务营收关系，从财务的角度体现收入与最小经济单位之间的关系；另一块是业务流程模型，指从业务生态流程出发，通过标注业务关键节点的方式还原整个业务运营过程，比如我们常说的用户生命周期就属于期间的一种，在《精益数据分析》一书中，介绍了包括SAAS、电子商务、移动游戏、UGC社区内容等10多个行业的生态模型，例如下图UGC用户生命周期就为其中的一种。

此时，根据各个关键节点就可以梳理出对应的数据指标，比如针对流量部分的PV、UV、visits、停留时长、退出率、跳出率等，这些均是针对具体的网页页面。针对注册用户的指标则可能有新注册用户数、累计注册用户数、注册转化率、新注册用户留存率（次日、3日、月）等。通常，这个阶级涉及的数据指标都是大而全的，这些指标多以代码的形式存在底层的数据仓库中，等真正需要用到某一块或几块时再从中挑选取数。

从数据指标到数据框架？

如果说数据指标是砖头，那么数据框架就是搭建数据运营指标体系这座房屋的整体框架，是“房屋”的设计图纸，是连接数据与目标的桥梁。通过数据框架，可以快速的理顺数据指标之间的关系，进而找出现阶段影响业务发展的关键影响因子。

通常，在业务发展初期所建立的数据框架模型大多源于管理、营销理论，而且这些理论模型的适用面非常广，也可以用来进行用户需求分析、产品功能分析等。比如用于进行行业宏观分析的PEST模型，用于进行用户行为分析的5W2H模型等。

 数据框架在数据指标体系中通常解决“是什么”以及“为什么”问题，通过KPI目标的拟定，结合一些管理运营模型，通过目标指标拆分的方式完成初步指标搭建，这个过程中拆分主要跟据目标目的而定。

从数据框架到业务数据模型

数据模型是以业务核心目标为标准，根据数据框架提验出的业务发展关键节点模型，在既定的业务增速下，根据数据模型能快速的测算出业务发展趋势，在改变既定的关键节点上，能快速的根据业务数据模型判断业务发展何时支出平衡，何时扭亏为盈。

为此，从基础数据指标，到数据框架，再到具体的业务模型就构成了数据运营指标体系的基本框架，在这个框架中再夹杂数据字典、数据需求、业务日常报表等辅助信息，除此之外，再结合数据之外的活动列表节点，最小经济单位调整升级节点，最终形成一套数据运营生态体系。

数据指标从何而来？

工作中我们常常看到如下图所示的各种数据指标，那么这类数据指标从何而来？

从某种程度上讲，数据运营可视为商业分析师的一种，其在运营中心发挥着数据分析师的作用。回归到数据分析的环节中，数据运营更多的是在数据产品的使用方和数据需求的提供方。在一些初创企业，数据运营岗可能先于数据分析部门存在于各业务部门中，他们发挥着日常数据运营报表输出、业务数据指标定义、数据产品开发需求等角色功能，并且在运营策略方案支持方面，与数据分析师不同的是，其一方面可能是方案的建议提议者，另一方面也是方案的执行者。不同企业对数据运营的定位于要求不同，但总的来说不外乎以下三种：

数据清洗者

前后端数据混乱，在做正常的数据运营决策前必须将数据清洗干净，这个过程中不得不作为数据清洗者先行。这个过程涉及多端数据，比如系统流程数据，前端行为数据，后端业务数据以及第三方数据等，在数据整合过程中需要从业务出发，结合业务场景，重视业务逻辑，不忽视数据质量，从源头把好数据质量关，将多端数据变为可用数据。

、

数据链接、反馈者  

每日前后端都产生大量数据，而数据变化如何指导运营，在现阶段更多的是需要了解业务形态，这个过程中承担着数据连接职责。

此外各业务部门无固定数据标准，因此数据运营者数据清洗后，可能还需将数据反馈给产品技术活业务部门，因此某种程度上承载着反馈者的职责。这其中可能包括一些产品业务异常反馈，比如用户使用操作过程中出现的系统bug:闪退，停止运行，卡死等错误分析。通常的业务异常首先就表现在数据上。

数据翻译者

单纯的数据提供产品技术就能解决，而这个过程中数据运营更多的职责在数据翻译上，这里的数据翻译可从前后两方面理解：在对业务端，承担着数据指标建设与解读职责，在产品技术端，承担着数据需求提供的职责。