【实操干货】如何搭建属于 “数据业务”的指标体系？

临近年末，上到集团总部，下到每个员工，都开始做年度工作总结和项目复盘；这其中，对齐KPI指标的、量化的成果和价值，必然是工作总结中的核心亮点。

作为数据人，在支持业务部门“用数据说话”的同时，你和你所在的数据团队是否也在用数据说话呢？是否有明确可量化的KPI并持续PDCA呢？是否也在通过指标评价结果、发现原因、指导行动、做出规划呢？是否也能将OSM、UJM、原子指标、派生指标等概念应用于自身工作呢？

数据分析和管理业务，作为各企业中越来越重要的一块“职能业务”，助力了业务方的数字化转型，但在用数据武装自己方面却往往做得不够。

今天笔者结合工作实践，总结了一套《数据业务的指标体系建设方法》，抛砖引玉，供数据团队负责人、各位数据从业者思考。

目标：

通过建立数据业务的指标体系，实现“数据业务”自身的价值闭环和能力提升，通过指标体系总结过去，监测现在，预测未来，指导行动。

数据业务指标体系建设，与我们为其他业务构建指标体系的方法、工具和底层逻辑是相通的，只不过，数据工作有自己独特的业务目标、业务范围和业务流程，因此在指标选择和行动方案上区别较大。指标体系通常分为5步骤。

1.定义战略

每个数据团队都有自己的核心目标；每个数据从业者都应十分清楚当前自己所在团队的核心目标是什么。

在大企业，数据工作切割比较细，偏分析的团队目标通常是支持业务增长、降本增效；偏技术团队的目标通常是构建坚实的数据基础建设；偏治理团队的目标通常为实现数据资产安全高质量运营。大数据部、或小企业全能型数据小团队可能涵盖上述所有目标。

需要注意的是，数据团队的最终目标，应该都是客户成功和业务成功。可参考我在上一篇文章《以业务成功为核心——在数据团队构建「铁三角」的思考》中的建议。

示例：比如A数据团队，定位为职能部门，服务对象为内部客户，base在IT部门，工作范围是BI报表交付为核心的数据产品和运营，其战略目标可为“为公司管理层和各业务线提供BI报表、数据分析、数据培训，开展数据化解决方案的设计和实施落地，助力业务成功，实现决策智能、降本增效”。

2.取得共识

上述目标，需横向和纵向和相关方取得一致。纵向：和上级部门、团队成员达成一致。横向：确保支持的业务部门明确并共识你的定位和目标。

示例：上述A团队和上级组织、内部成员、以及服务对象的业务部门逐一做沟通，包括但不限于战略部、市场部、财务部、人力部、销售部、服务部、产品部、供应链部等。让他们明白A团队能给他们做什么，不能做什么，并识别关键客户、最终客户、利益相关方等。

3.设计指标（重点）

明确和共识目标后，接下来就是设计判断这些目标是否达成对应的合理指标。指标必须能准确反映每一个特定的目标。这里可以用多个框架模型。如OSM，UJM，或BSC（平衡记分卡）等。

示例：基于A团队的定位和目标，采用了BSC平衡记分卡模型构建指标体系，从财务、客户、内部运营、学习与成长四个方面切分目标。

1）客户层面：A团队作为内部乙方，业务成功是最主要目标。内部客户关注快速决策、降本增效、风险降低等，并希望A团队在数据化能力上给以赋能支持。一方面，数据对收入、风险的价值通常比较间接，也难以精确量化测算（除非A/B test），考虑用定量指标，用访谈、问卷；另一方面，效率提升可量化，考虑用定量指标。“客户”层面指标体系可以建立如下。

2）内部运营层面：所谓内部运营，关注的是“数据业务”的运营，不是其他业务的运营。除了统计需求数量、报表数量、项目数量这些“苦劳”，数据团队更需要关注交付的质量和效率。这里建议用“BI”给自己也做个运营看板，统计用户行为、监测相关指标。

4）财务：数据团队通常是成本中心，如果没有做内部市场化的话，收入通常很难计算，但是investment成本投入却通常是刚性而明确的。作为团队负责人，在团队扩大、争取资源或面临裁撤时候，这笔账必须拎得清。

指标建立后，不能停留在一个文档中，需将指标和数据日常业务流程相结合。

示例：A团队在完成指标构建后，明确了每个数据需求落地后，都要进行价值验证环节，规定好什么时候做访谈？如何做统计计算；并在BI和其他数据产品中进行对应的埋点等。如此，将指标的数据收集工作落实到了日常运营动作中。

5.监测和反馈

每隔一定时间，数据团队要向纵向负责人、横向相关方，报告BSC的测评情况，明确改进方向和行动举措。

在已经达到目标、或者业务战略、数据战略、团队定位、团队业务范围有调整时，还要及时调整目标。

指标监测结果，应被用作数据战略规划、目标制定以及资源配置的依据之一。

大鱼老师曾在《数据团队要用数据驱动业务，首先得学会用数据驱动自己》博文中说到“数据团队经常说公司没有给我数据驱动业务的机会，没想到的是，我们也许连驱动自己都有些困难。”於我心有戚戚焉。

数据驱动，指标先行；价值几何，量化说明！年底年初，是时候数据人都好好思考一下了。