指标体系定义
指标体系是将零散单点的具有相互联系的指标，系统化的组织起来，通过单点看全局，通过全局解决单点的问题。它主要由指标和体系两部分组成。
指标是指将业务单元细分后量化的度量值，它使得业务目标可描述、可度量、可拆解，它是业务和数据的结合，是统计的基础，也是量化效果的重要依据。
指标主要分为结果型和过程型：
- 结果型指标 用于衡量用户发生某个动作后所产生的结果，通常是延后知道的，很难进行干预。结果型指标更多的是监控数据异常，或者是监控某个场景下用户需求是否被满足
- 过程型指标 用户在做某个动作时候所产生的指标，可以通过某些运营策略来影响这个过程指标，从而影响最终的结果，过程型指标更加关注用户的需求为什么被满足或没被满足
体系是由不同的维度组成，而维度是指用户观察、思考与表述某事物的“思维角度”，维度是指标体系的核心，没有维度，单纯说指标是没有任何意义的。
维度主要分为定性维度和定量维度，定性维度，主要是偏文字描述类如城市、性别、职业等;定量维度，主要是数值类描述如收入、年龄等，对定量维度需要做数值分组处理
什么是数据指标
不是所有的数据都叫指标，指标必须对业务有参考价值。数据指标是针对业务需求，使用收集手段，直接获得或者间接计算出来的一系列统计数据。
数据指标贯穿整个设计流程，解释用户行为和业务变化，为设计提供依据，对结果加以验证
数据指标是数据化管理的核心内容之一，从事数据工作的同学相信都经历过以下场景：
- 经营分析汇报会上，产品和运营的汇报内容都包含了App MAU指标，但是数据却不一样，老板：“什么情况，谁的数据是准的！”
- 数据可视化平台上，经营概况页面上有一个指标叫券后营收，营销概况有一个指标叫优惠券抵扣营收，两个指标什么关系呢，数据相同（指标口径一样，名称不一样）。
- 数据产品上很多指标看名称并不理解指标含义，指标文档维护、线下传播，想确认一个指标的统计逻辑要几经周转。
指标管理模块核心包括基础信息和技术信息管理，衍生信息包括关联指标、关联应用管理。基础信息对应的就是指标的业务信息，由业务人员填写，主要包括指标名称、业务分类、统计频率、精度、单位、指标类型、指标定义、计算逻辑、分析方法、影响因素、分析维度等信息；基础信息中还有一个比较重要的部分是监控配置，主要是配置指标的有效波动范围区间、同环比波动区间等，监控指标数据的正常运行。
技术信息构成比较复杂，包括数据类型、指标代码，但是核心部分是指标与模型的绑定关系，通过使用演进形成了当前系统两类绑定关系：绑定物理模型和构建虚拟模型。绑定物理模型是指标与模型管理中的物理模型字段绑定，并配置对应的计算公式，或还包含一些额外的高级配置，如二次计算、模型过滤条件等；创建虚拟模型是通过已有指标和其对应的物理模型，具体步骤首先配置已有指标的计算方式或指标维度的过滤，然后选择指标已绑定的物理模型，形成一个虚拟模型，虚拟模型的分析维度就是所选指标基础模型的公共维度。
衍生信息中的关联指标、关联应用管理，是为了方便观察指标被那些其他指标和数据应用使用，这是因为指标技术信息采用了严格权限控制，一旦被使用为了保证线上的运行安全是禁止变更的，只有解绑并审核通过后才可以编辑，所以这些衍生信息就是方便管理人员使用
为什么需要数据指标体系
- 相同指标名称，口径不一致
- 相同口径，指标名称不一致
- 不同限定词，描述相同事实过程的指标，相同事实部分口径不一致
- 指标口径描述不一致
- 指标命名难以理解
- 指标数据来源及计算逻辑描述不清楚
1. 同名不同义
指标名称相同，统计口径不一致，缺少命名规范限制。
不同业务仅从自己部门出发，缺少全局视角，如财务口径的营收要严格按照严谨的逻辑计算实收实付的每一分钱，而产品/运营端则更多考虑转化效果，但在各自的KPI监控报表中，都把指标命名为营收。
2. 同义不同名
指标统一逻辑一致，但不同产品命名不一致，不同阶段、或不同业务方/产品经理对指标命名不同，导致在不同数据产品页面，同一指标不同名。
3. 口径不清晰
只是同义词再复述一遍，如活跃用户数：访问用户数。
4. 命名难理解
表意不清模棱两可，或过于专业化仅指标创建人才可以懂。例如转化率指标，有创单转化率、成单转化率，直接叫转化率可读性就非常差。
5. 逻辑不准确
指标口径描述有误，例如UV指标，口径描述为“按照设备ID去重”，实际上不同平台去重逻辑并不一致，如微信小程序按照UnionID去重、APP按照DeviceID去重，PC和H5按照loginkey去重。
6. 数据难追溯
数据产品指标数据来源缺少直观的链路追踪能力，指标数据异常问题排查通过翻代码去看数据来源，路径长、耗时久，早上业务反馈指标问题，排查出结论后可能一上午就过去了。
7. 数据质量差
指标管理常见的问题综合在一起，往往会导致业务对数据指标的信任度大打折扣，发现数据波动后，第一反应是先和数据部门确认数据是不是有问题，而不是去考虑业务上有何变动
数据指标的构成
数据指标的组成：
数据指标体系构建方法论
数据指标管理系统设计思路
1）建立指标生产协同机制，指标的诞生要经过需求申请、审核、数据开发、上线应用流程，收口指标创建过程，避免指标建设的随意性带来的“污染”。
2）制定指标命名、口径说明规范，按照原子指标+业务限定+统计维度的方式，将规则集成到平台内，通过系统规则来把控指标输出。
3）指标字典线上化，解决线下文档管理指标存在的共享难、更新不及时、权限管控缺失等问题。
4）指标数据逻辑绑定，即除了维护指标的业务元数据外，还要建立指标的技术元数据，指标数据从哪个模型、哪个字段、何种计算逻辑得到。
5）指标输出，指标管理最大的价值还是为数据产品提供数据输出
指标系统数据开发，是指标的统一入口，通过定义原子、派生和复合指标，明确指标业务口径和技术口径，解决指标定义不一致、口径不一致和数据来源不一致的问题，实现规范定义，助力数据模型规范设计。
- 指标按业务过程划分主题管理（最多支持两级）
- 指标定义（原子指标、派生指标，符合指标）
- 指标修饰词管理
- 指标查看：查看指标定义，指标数据生产链路、指标关联数据表，指标使用（后续支持单个指标接口无代码访问）
数据指标管理的名字解释
指标主题域管理
指标主题域的构建是根据业务过程来创建，和数仓主题域管理感念一致，统一采用一套叫数据主题域，没有指标主题域这个概念，指标是挂在某个数据主题域下。
指标修饰词管理
修饰词是统计维度以外指标的业务场景限定抽象，修饰词属于一种修饰类型，如在日志域的访问终端类型下，有修饰词APP、PC端等
提供统一的指标修饰词管理维护。
指标管理
包括基础信息、技术信息和衍生信息，由不同角色进行维护管理。
- 基础信息对应指标的业务信息，由业务管理人员、数据产品或BI分析师维护，主要包括归属信息(业务板块、数据域、业务过程)，基本信息(指标名称、指标英文名称、指标定义、统计算法说明、指标类型(去重、非去重))，业务场景信息(分析维度，场景描述)；
- 技术信息对应指标的物理模型信息，由数据研发进行维护，主要包括对应物理表及字段信息；
- 衍生信息对应关联派生或衍生指标信息、关联数据应用和业务场景信息，便于用户查询指标被哪些其它指标和数据应用使用，提供指标血缘分析追查数据来源的能力。
原子指标定义归属信息 + 基本信息 + 业务场景信息
派生指标定义时间周期 + 修饰词集合 + 原子指标
修饰类型主要包含类型说明、统计算法说明、数据源(可选)
指标明细
3.5.5 指标体系图谱模型
数据指标建模流程
在数据指标体系搭建项目启动前，需要与各业务方详细了解具体业务、梳理清楚关键业务流程。需求采集可分为定量、定性采集两种类型。
根据对业务需求、各个模块的业务流程进行分析，进行数据域的划分。数据域划分按照业务过程或者业务板块的功能模块划分。依据实际业务过程进行归纳、抽象得出数据域。
梳理了业务域、数据域、业务过程的整体框架之后，开始针对指标规范进行设计，完成总线矩阵设计。把行为不同的业务处理过程，即事实，在交叉点上打上标记表示该业务处理过程与该维度相关这个矩阵，称为总线矩阵总线架构和一致性维度、一致性事实共同组成了Kimball的多维体系结构的基础
3.5.7 数据指标开发评审流程
3.5.8 指标生产及加工
提供可视化的数据指标生产加工管理工具，并可以监控指标生产的过程，将指标的生产无缝的和任务调度系统进行融合，为数据指标的数据质量提供质量保证
指标生产：
指标生产血缘关系：
数据指标示例
