导读 本文主要讲数据指标与业务应用的关系以及未来的展望。
1. 当前数据应用的现状及挑战
2. 数据指标助力数据运营
3. 指标应用的未来展望
4. 问答环节
分享嘉宾｜叶秋萍 上海知幽科技有限公司 创始人
编辑整理｜曾晓辉
内容校对｜李瑶
出品社区｜DataFun
当前数据应用的现状及挑战
1. 当前数据指标应用的现状及挑战
数据指标应用的现状：
数据量大幅增长：目前各行各业的数据量已经有了大幅增长，之前可能很多企业面临没有数据，找不到数据的情况，但现在已经有所改变，毕竟数据资源上升到数据资产的时候，意味着整个社会的数据量已经出现冗余的情况。
数据多源异构：数据量多，数据来源多源，数据结构多样，数据治理应用难。
构建数据指标分析体系：数据指标应用面临诸多难题，数据应用是全链路的工作，包括底层、中台、数据治理等内容。
数据指标应用挑战：
指标口径不一致：业务线多，业务部门多，业务主题多，业务问题多，指标口径不一致，是比较常见的问题；
数据质量差：在数据分析支撑决策上，数据质量是很大的问题；
数据指标构建慢：数据指标生长的土壤是数仓，业务的消费方、使用方不了解数仓的代码与计算规则，需要构建数据指标时，会很大程度依赖于数字化部门的数据分析师/数仓工程师，因此在构建数据指标时，整体的速度、效率是比较慢的；
数据很多，不知道怎么用：数据很多，怎么梳理，有哪些指标，要哪些指标，怎么搭建相关指标；
指标很多，不知道怎么用：指标很多，怎么组织应用到相应的业务赋能上；
指标怎么建，才有用：业务赋能、业务实效需要建怎样的指标体系。
2. 数据项目的最大问题挑战
数据指标助力数据运营
业务类指标：如财务指标、人力指标、营销指标、销售指标等跟企业业务主题、业务域相关。为何按业务域进行划分？在于指标要去到不同的业务域，去到不同的业务场景下，它本身才有业务价值。若没跟业务结合，那就是一个百分比例，一个数字而已。
目标类指标：描述类指标、预测性指标、诊断性指标。指标要解决什么问题？是描述业务的场景、业务特征，还是基于原来的业务数据做预测，去辅助决策；还是诊断性的来判断当前这个业务模块、业务产品它有什么问题、哪些问题？
层级指标：指标有层级之分，需要划分层级，一级指标，二级指标，三级指标；
周期性指标：临时性指标、短期指标、长期指标；指标在定义的时候，只是临时性的构建，用于短期解决临时性的业务问题、或短期的业务板块、业务产品的监控、诊断的短期性指标；整个企业的北极星指标，是指标的核心，可长期使用的长期指标。
产品运营：注册用户数、增长率、使用时长、转化率、留存率、客户满意度等都是产品运营的核心数据指标，通过将产品不同生命周期阶段的业务流转化为指标进行分析、监控，可以更好地帮助产品优化、迭代。
用户运营：注册用户数、获客成本、用户的活跃度、留存率、转化率、流失率是衡 量用户运营成功与否的关键指标，这些指标可以帮助企业更好地做用户增长与复购。
活动运营：活动的参与度、转化率、活动响应人数、ROI(投资回报率)是活动运营的核心指标，帮助企业对当次活动做更深入的复盘。
帮助业务实现运营、复盘一体化，完成闭环。数据指标体系从构建开始，有各种基于不同业务需求的指标类型，这些指标可以帮助企业做业务的复盘，完成闭环。
帮助流程优化。流程整体比较长，像一个用户生命周期，有始有终、有开始、有结束、有中间、有发展、有高潮，可以利用数据指标来进行优化。
经营事务的监控、评估。如做产品运营，对产品的监控跟评估指标是比较多的。还有活动的评估，这方面的指标是相对比较广泛的。
一是找到要实现的业务目标与问题，并进行业务目标与问题的拆解；
二是找到其相关的关键指标与关联指标，关联指标不能忽视，做分析、做决策，不能只靠单一的指标，单一指标是不能够解决任何的业务问题。做决策，如果只根据单一指标，跟原来拍脑袋还是一样的，还没有真正走进数据分析驱动业务决策，实现数据运营；
三是在从关键指标再找到关联指标后评估当前的数据现状；每个企业都要做数据治理，当前的数据质量很差，很多的 500 强企业也是同样的情况，所以在做业务决策之前，如果数据质量有问题，数据本身就是错误的，那后面的决策肯定就是错误的。在前期做数据的清洗、加工、治理，然后分析决策。若源头的数据是错误的，那就是浪费时间。所以一定要进行数据的评估，到底是数据缺失、数据异常，还是数据的不完整？这些问题它的源头在于业务操作，可能在业务录入的时候有问题，或者做系统标准的时候有问题的，具体进行业务问题的追溯与明确，可以帮助更好对业务进行处理；
四是制定治理方案进行治理，针对具体的数据不完整、数据有缺失等问题点来制定方案；
最后是治理的执行。这几个步骤是各个企业在不同行业里做指标治理都是必经的流程。
第一个挑战是跨部门的统一。跨部门的统一是非常难的。不同的部门，如销售部的负责人、市场营销的负责人，各个部门都有自己的业务分析的需求，有自己的口径，这其实是合理的。要做整个企业级的统一，就意味着有可能要砍掉某些口径，这对于各部门来说其实是不能同意的，在整个治理当中面临的不仅是业务的问题，还有人的问题。人的问题首先第一关就是如何说服业务部门的管理人员放弃原来的口径与计算规则来认同当前要设立的相关指标口径，这是相当有难度的。
第二个挑战是要找到关键指标及关联指标。这个挑战很多人会忽略掉，或者可能只关心北极星指标，只关注北极星指标，关联指标很容易被遗漏，一旦遗漏意味着决策所衡量的维度与视角是不完整的。毕竟从传统的经验决策走向数据决策的一个最大的亮点是科学性与客观性，如果所关注分析的指标视角不完整，那跟原来的经验拍脑袋决策其实是没有区别的。
第三个挑战是数据质量的问题能不能解决。数据的现状，数据的缺失性、完整性，质量问题不是发现了就能够解决的，有些其实是无解的。比如做预测，可能用到数据指标的数据，整体的年限周期拉得比较长，这个时候会发现两年、三年以前的数据是很难去追溯的，能追溯也很难去解决。所以这里其实有个问题，第一个是质量到底有没有问题？第二个是这些问题到底能不能解决？这在整体的数据指标治理中是非常复杂与常见的问题。
指标应用的未来展望
底层数据治理，可以实现智能定标、智能纠偏、智能分析；
指标构建可以实现自动化，可以智能化构建，不需要人工去干预，能根据业务策略以及经营、运营的目标来帮助进行指标构建；
指标需求的管理，能智能识别，哪些需求是合理的，哪些需求不合理，哪些需求是已有的，哪些需求是未有的；
指标消费，能够支撑不同的业务场景，不同的业务问题的解决，这是在大模型加成之后最大应用点的展望，也是最复杂的，是当前各行业、各企业面临的社会性的难点。
问答环节
分享嘉宾
INTRODUCTION
叶秋萍
上海知幽科技有限公司
创始人
数据科技咨询公司创始人；
《数据运营：数据分析模型撬动新零售实战》作者；
公众号：风姑娘的数字视角 主理人；
专注企业数据分析、数据运营解决方案。
点个在看你最好看
SPRING HAS ARRIVED
