BI指标体系没有一份适用于所有企业的标准清单。它通常由四部分组成:指标定义与口径、指标类型与管理层级、按业务域组织的指标集合,以及保障指标持续可用的管理机制。读者搜索“BI指标体系有哪些”,往往还想知道自己的业务该看哪些指标、这些指标如何组合、口径怎样统一。下面用三条分类轴、七个常见业务域和五类业务场景,把这套体系拆开说明。先记住一个判断标准:指标能否支持一个具体决策,比指标数量更重要。
一、BI指标体系包含什么
BI指标体系是按统一口径组织起来的指标集合。指标之间有拆解、因果、比率或对照关系,能够共同描述业务目标、执行过程和结果。单个指标只是一个度量值,看板是指标的展示方式,KPI是用于考核的关键指标。三者都可以纳入BI指标体系,但不能互相替代。
一套可用的BI指标体系,通常包含四个部分。
- 指标定义与口径:名称、业务含义、计算公式、分子分母、统计周期、数据来源和排除规则。
- 指标类型与管理层级:原子、派生、复合等指标类型,以及战略、战术、执行层指标。
- 按业务域组织的指标集合:财务、销售、市场、产品、运营、供应链、客服等业务域的结果指标与过程指标。
- 管理机制:负责人、命名规范、版本、权限、变更记录和下线机制,决定指标能不能长期保持一致。
维度和统计粒度决定指标能按什么角度拆开看,指标之间的拆解、因果、比率和对照关系决定它们能否共同描述业务目标,这两项通常写进指标定义和管理机制。
从数据建模角度看,指标常被分为原子指标、派生指标和复合指标。阿里云 DataWorks 文档在 2026 年 11 月的说明中给出了一组清晰定义:原子指标明确业务统计口径和计算逻辑,例如支付金额;派生指标由原子指标、修饰词和时间周期构成,例如近30天在PC端的支付金额;复合指标由一个或多个派生指标或复合指标通过数学运算组合而成。华为云业务指标文档还提醒,一个可用的业务指标需要同时写清业务属性、技术属性和管理属性,不能只留一个名称和数字。
二、三条分类轴,把“有哪些”说清楚
BI指标体系包括哪些内容,取决于你从哪条轴看。讨论时容易把三种分类混在一起:指标怎么计算、指标给谁用、指标属于哪个业务域。分开看,思路会清楚很多。
1. 按指标类型分:原子、派生、复合
| 指标类型 | 定义 | 例子 | 使用注意 |
|---|---|---|---|
| 原子指标 | 业务过程中不可再拆的基础度量 | 支付金额、支付用户数 | 先统一业务过程、度量对象和聚合方式 |
| 派生指标 | 原子指标加修饰词和时间周期 | 近30天PC端支付金额 | 时间和业务限定要写进口径 |
| 复合指标 | 一个或多个派生指标或复合指标运算得来 | 支付转化率、客单价 | 分子分母必须来自同一统计范围 |
原子指标是基础度量,先统一业务过程、度量对象和聚合方式。派生指标在原子指标上增加时间、渠道、地区等限定,适合日常报表和对比分析。复合指标由已有指标计算得来,适合表达转化率、客单价、人均产出等分析型问题。使用复合指标时,分子和分母必须来自同一统计范围,否则算出来的比率没有解释力。
2. 按管理层级分:战略、战术、执行
- 战略指标:收入、利润率、市场份额、客户留存等,按月或按季度看,面向管理层判断方向和资源投入。
- 战术指标:渠道转化率、产品线毛利、会员复购率等,按周或按月看,面向部门判断策略是否有效。
- 执行指标:当日订单量、客服首次响应时长、缺货商品数等,按日或实时看,面向一线安排动作。
管理层级按决策时间尺度划分,不必和组织级别一一对应。同一个指标可以在不同层级使用,但统计周期、刷新频率和展示粒度要写清楚。执行层看到当天异常,管理层看到月度趋势,两者使用同一口径,讨论才不会失焦。
3. 按业务域分:财务、销售、市场、产品、运营、供应链、客服
业务域是横向分类,回答“这块业务关心什么”。一家企业可能同时有多个业务域,也可能只保留其中几个。选业务域的依据是业务模式,行业标签只能作为参考。电商和零售通常更关注交易、履约和复购,SaaS等订阅型业务更关注订阅收入、续费和流失,制造企业则更关注库存、产能和交付。下一节按常见业务域给出指标示例和适用条件。
三、常见业务域的指标示例
常见业务指标有哪些,下面按业务域展开。这张表用于快速定位,实际使用时按业务调整。每个业务域先明确一个核心问题,再选一至三个结果指标,配少量能解释结果的过程指标。指标的计算方式,建议写进指标字典,避免同名不同义。
| 业务域 | 先回答的问题 | 常用结果指标 | 常用过程指标 |
|---|---|---|---|
| 财务与经营 | 钱赚得是否健康 | 营业收入、毛利率、净利率、净资产收益率、经营现金流 | 费用率、应收周转天数、预算达成率 |
| 销售与电商 | 交易增长是否带来利润 | GMV、订单量、客单价、复购率、退款率 | 支付转化率、加购率、渠道占比、履约时长 |
| 市场与投放 | 获客成本和回收周期是否可控 | 新增用户、CAC、ROAS、ROI | 曝光量、点击率、转化率、渠道留存 |
| 产品与用户 | 用户是否持续使用并完成关键行为 | DAU、MAU、留存率、功能渗透率 | 激活率、漏斗转化率、使用时长、路径完成率 |
| 运营与会员 | 分层运营是否带来复购和召回 | 会员复购率、召回率、活动增量收入 | 触达打开率、领券使用率、分层覆盖率 |
| 供应链与履约 | 库存和交付是否稳定 | 库存周转天数、订单满足率、履约时长 | 缺货率、退货率、供应商准时率、库存结构 |
| 客服与体验 | 问题是否被及时解决 | 首次响应时长、一次解决率、CSAT、NPS | 工单量、转派率、平均处理时长、重复咨询率 |
1. 财务与经营:先看结果,再看结构
财务指标回答企业是否赚钱、钱从哪里来、现金是否安全。营业收入看规模,毛利率看产品竞争力,净利率看最终盈利,经营现金流看利润是否转化为现金。净资产收益率可以用杜邦分析拆成三部分:净利率、总资产周转率和权益乘数。净利率反映盈利质量,总资产周转率反映资产使用效率,权益乘数反映杠杆水平。三项中任何一项变化,都能帮助判断净资产收益率变化来自经营改善还是财务杠杆。
这组指标适合有相对完整财务核算和期间对比的企业。分析时要把财务指标和业务过程指标放在一起。例如毛利率下降时,继续看原材料价格、产品结构、折扣力度和退货率,才能找到可执行的原因。
2. 销售与电商:GMV之后要看退款和毛利
GMV,即成交总额,通常按订单或支付口径统计,未扣退款、优惠和履约成本。营业收入按会计准则确认,两者不能混用。销售分析常看订单量、客单价、支付转化率、复购率和退款率。客单价通常用支付金额除以支付用户数,笔单价用支付金额除以支付订单数,两个指标回答的问题不同。毛利率要结合退款率和履约成本一起看,否则容易把“卖得多”误判为“赚得多”。
这组指标适合交易型业务。高频低客单业务可以按日或按周观察,低频高客单业务要拉长周期,避免短期波动掩盖真实趋势。渠道来源、商品品类和用户分层是常用的下钻维度。
3. 市场与投放:从曝光看到回收
市场投放常用曝光量、点击率、转化率、获客成本和投入产出指标。CAC,即获客成本,通常用投放费用除以新增客户数。ROAS,即广告收入与广告花费的比值,关注单次投放的直接回收;ROI,即投资回报率,通常把收入和成本一起纳入。两者口径不同,不能互相替代。评估渠道时,还要看用户留存、付费率和回收周期,避免只看前端转化。
这组指标适合有明确投放预算和归因方案的企业。归因窗口、渠道重复计入和自然流量混入都会影响结果,分析前要统一统计规则。新渠道早期可以看转化和成本,成熟渠道要回到利润和回收周期。
4. 产品与用户:活跃、留存、路径
产品与用户指标回答用户是否来、是否留下、是否完成关键行为。DAU,即日活跃用户数;MAU,即月活跃用户数,两者比值常用来观察使用频率。留存率要明确观察窗口,次日、7日和30日留存反映的问题不同。功能渗透率看有多少用户使用了某个功能,漏斗转化率看用户在哪一步离开。活跃的定义必须写清楚,是打开应用、登录,还是完成一次核心行为,不同定义会得到完全不同的结论。
这组指标适合有用户行为数据的产品。留存窗口要匹配业务周期,低频产品的次日留存参考价值有限。分析时先看同期群,再看总量,避免新用户涌入掩盖老用户流失。
5. 运营与会员:分层、触达、复购
运营指标关注用户从进入到留存、从活跃到付费、从流失到召回的过程。常见指标包括新增用户、活跃率、召回率、会员复购率、活动参与率和触达转化率。RFM把用户按最近一次购买、购买频率和购买金额分层,适合有复购行为的业务。低频业务用RFM容易把正常的长购买周期误判为流失,需要结合业务周期调整分群规则。
这组指标适合有用户账户体系和触达渠道的业务。做活动复盘时,除了看参与率和短期收入,还要看活动带来的增量,以及活动结束后的留存和复购。没有增量对照,很难判断活动是否真的有效。
6. 供应链与履约:库存、缺货、时效
供应链指标回答货能不能供上、库存是否健康、订单能否按时交付。库存周转率通常用销售成本除以平均库存,库存周转天数用365除以周转率。订单满足率看有多少订单能一次满足,缺货率看需求发生时没有库存的比例,履约时长看从下单到交付用了多久。退货率既影响成本,也影响库存结构,需要和品类、渠道一起分析。
这组指标适合有实物库存和履约环节的企业。不同品类的周转标准差异很大,不能拿一套阈值横比。分析时要区分滞销库存、季节性库存和安全库存,避免为了追求周转天数而牺牲交付。
7. 客服与体验:响应、解决、满意
客服指标回答用户的问题是否被及时、完整地解决。首次响应时长看速度,一次解决率看质量,平均处理时长看效率,工单量和转派率看流程负担。CSAT,即客户满意度,通常来自单次服务后的评价;NPS,即净推荐值,用推荐者比例减去贬损者比例,反映长期关系。NPS适合看趋势和分群,不适合单独作为个人考核指标,样本量和回收率也要一并说明。
这组指标适合有明确服务流程和工单系统的企业。响应快不等于解决好,解决率高也可能来自问题被转走。把首次响应、一次解决、重复咨询和满意度放在一起看,才能判断服务链路是否真的改善。
四、常见分析框架怎么选
框架的价值是把指标之间的关系说清楚,不能代替业务判断。选一个主框架,再按需要补充拆解工具,比同时套用多个框架更容易落地。
OSM把目标、策略和度量串起来;AARRR把用户路径拆成获取、激活、留存、收入和推荐;杜邦分析拆解净资产收益率;RFM按最近购买、频次和金额分层;平衡计分卡从财务、客户、内部流程、学习成长四个角度组织指标。
| 框架 | 核心问题 | 适合场景 | 使用边界 |
|---|---|---|---|
| OSM | 目标是什么,策略是什么,用什么衡量 | 目标清晰的新业务、专项增长、年度规划 | 目标频繁变化或策略不稳定时,先别急着建完整体系 |
| AARRR | 用户从获取到推荐在哪一环节流失 | 互联网产品、用户增长、订阅业务 | 默认线性路径,B2B和低频业务要调整阶段和权重 |
| 杜邦分析 | 净资产收益率的变化来自哪里 | 财务经营分析、集团与业务单元对比 | 需要可靠的财务核算和期间数据 |
| RFM | 哪些用户值得优先运营 | 会员、复购、用户分层 | 低频业务要调整时间窗口,不能机械分群 |
| 平衡计分卡 | 财务、客户、流程和成长是否平衡 | 组织绩效、战略落地 | 实施成本较高,小团队不宜一开始就全套推行 |
实际使用时可以嵌套。比如用OSM确定目标和策略,用AARRR找用户路径上的瓶颈,再用MECE原则把指标拆到相互独立、合起来能覆盖问题。MECE即相互独立、完全穷尽。框架是思考工具,不能直接当成报表目录。把框架名称直接做成一级菜单,通常不会让分析更清楚。
五、常见业务场景怎么组合指标
1. 经营例会和管理驾驶舱
经营例会需要一页看清结果、结构和异常。建议放五到八个核心指标,覆盖收入、毛利、现金流、关键业务量和效率指标,再按产品线、渠道、地区或客户分层展示结构。每个异常指标旁边写清负责人和下一步动作。指标太多会把会议变成读报表,反而挤掉讨论时间。
2. 增长复盘
增长复盘适合用AARRR组织,但要按同一批用户看完整链路。先看渠道带来的新增用户,再看激活率、留存率、付费转化率和复购率,最后看获客成本和生命周期价值。只比各渠道的新增量,容易把低质量渠道误判为优质渠道。用同期群观察不同批次用户的后继表现,结论会更稳。
3. 指标异常归因
指标异常时,先确认数据质量,再沿指标树往下找。以GMV下降为例,可以先拆流量、转化率和客单价,再看渠道、品类、地区和用户分层,最后结合活动、价格、库存和竞品变化判断原因。归因过程要区分相关性和因果性,有条件时用对照实验验证。没有验证的归因,适合写成假设,不能直接当成结论。
4. 投放优化
投放优化不能只看点击成本和前端转化。建议把渠道级CAC、ROAS、回收周期、留存率和付费率放在同一张表里,按渠道和人群对比。新素材可以先看点击率和转化率,稳定投放后要看用户质量和回收周期。不同渠道的归因窗口要统一,否则预算会流向容易抢功的渠道。
5. 会员和用户运营
会员运营先分层,再触达,再复盘。用RFM或生命周期分层圈出高价值、沉睡和流失风险用户,为不同人群设计不同动作。触达后看打开率、转化率、复购率和召回率,同时保留对照组,判断增量是否来自运营动作。只发优惠券不看增量,容易把本来就会购买的用户算成活动效果。
六、怎么判断BI指标体系是否够用
1. 五个自检问题
- 每个指标是否能对应一个业务目标或策略,有明确的用途。
- 同一指标在不同报表中是否只有一种口径,分子、分母、时间和排除规则是否一致。
- 结果指标异常时,能否沿指标树下钻到过程指标和业务维度。
- 指标是否能对应到负责人和具体动作,出了问题是否有人处理。
- 指标是否有明确的更新频率、数据来源、权限和变更记录。
2. 最小起步怎么做
我更建议从一个小场景开始。先定一个核心目标,再选三到五个结果指标,为每个结果指标配两到三个过程指标,最后加上常用维度和负责人。先跑一个月,确认口径可用、数据能按时更新、业务愿意用,再扩展到其他业务域。一次性铺开所有部门指标,常见结果是口径还没统一,维护成本已经压过使用收益。
3. 统一口径的最低要求
指标字典是统一口径的基础。至少写清指标名称、业务含义、计算公式、分子分母、统计周期、数据来源、排除规则、负责人和版本。命名要能区分同名指标,变更要经过评审并保留记录,下线要有替代方案。华为云业务指标文档把业务属性、技术属性和管理属性放在一起管理,这个思路可以直接借用。指标口径只靠口头约定,人员变动后很容易失效。
引入AI问数之前,更要先做口径治理。自然语言查询会把同一个问题分配给不同指标,口径不一致时,AI只会更快地给出互相矛盾的答案。ThinkingAI的企业级知识库用统一口径和版本溯源管理指标定义,通过变更记录保证可追溯、可对比、可回滚,这类基础设施可以作为AI分析之前的准备。
4. 常见误区
- 指标越多越全面。指标多到没人记得住,通常会变成报表堆积。
- 只看结果指标。结果已经发生,过程指标才提供可干预的抓手。
- 把看板当体系。看板解决展示,体系解决口径、关系和责任。
- 指标与责任脱节。没有负责人和动作,异常只会停留在讨论。
- 口径靠口头约定。人员一换,同一个指标就可能出现新算法。
七、从一张指标清单开始
建设BI指标体系,可以先定业务目标,再选业务域,再统一口径,最后用场景验证。不要一开始追求大而全,先让一个经营问题从头到尾跑通:目标能拆成指标,指标能下钻到原因,原因能对应到动作,动作能在下一期复盘。这样长出来的体系,比一次性设计一张庞大指标清单更容易被业务使用。
ThinkingAI 服务全球超1500家企业,接入产品超8000款。面向指标分析和经营复盘,ThinkingAI的数据分析 Agent支持自然语言问数、多轮追问、异常归因和可视化;企业级知识库负责统一指标口径、保留版本和变更记录。两者结合,适合把已经梳理好的指标变成业务可以日常使用的分析入口。如果你正在梳理第一版BI指标体系,可以从一个业务域和一个经营问题开始验证。
常见问题
1. BI指标体系和数据指标体系有什么区别?
商业智能指标体系是BI指标体系的另一种说法,日常使用中常与数据指标体系混用。BI指标体系更强调通过BI工具做展示、分析和决策支持;数据指标体系的范围更广,还会覆盖数据开发、数据治理和指标管理。对企业来说,关键是把定义、口径和责任统一,名称用哪个不影响实质。
2. 小公司需要建BI指标体系吗?
需要,但可以从最小版本开始。一个核心目标、三到五个结果指标、少量过程指标和一份指标字典,已经能解决大部分“数据对不上”的问题。小团队不必照搬大公司的指标数量和组织流程,先保证常用指标只有一种口径。
3. 一个BI指标体系放多少指标合适?
没有统一数量。判断标准是指标能否支持决策、是否有人维护、是否能在一页内说清主线。经营驾驶舱通常放五到八个核心指标,专题分析再按问题展开。指标数量超过团队的记忆和维护能力,体系就会退化成报表清单。
4. GMV和收入有什么区别?
GMV是成交总额,通常未扣退款、优惠和履约成本;收入按会计准则确认,需要考虑退货、折扣和确认时点。两个指标可以一起看,但不能互相替代。对外汇报和财务核算要用收入,日常运营可以看GMV和退款率。
5. 为什么同一个指标各部门算出来不一样?
常见原因包括业务定义不同、数据源不同、统计时间不同、排除规则不同和权限范围不同。先对齐指标字典,再核对数据链路和计算逻辑,最后检查报表刷新时间。只争论结果数字,通常找不到原因。
6. AI问数能替代BI指标体系吗?
不能替代。AI问数需要明确的指标定义、维度、权限和数据来源,才能把自然语言问题映射到正确的计算。没有统一口径,AI只会把分歧放大。先把指标体系和语义层准备好,再用AI降低查询门槛,顺序会更稳。
7. BI指标体系和KPI是什么关系?
KPI是用于考核的关键指标,数量通常较少,强调责任和结果。BI指标体系包含KPI,也包含解释KPI变化的过程指标、维度指标和对照指标。只有KPI,容易知道结果好不好;加上指标体系,才知道结果为什么变化、下一步该做什么。
参考资料
- 阿里云 DataWorks 文档,《数据指标体系》,2026 年 11 月 10 日更新,https://help.aliyun.com/zh/dataworks/user-guide/data-metric
- 华为云文档,《业务指标》,https://support.huaweicloud.com/hcgbd-government/hcgbd_28.html
以上资料查阅于 2026 年 11 月 19 日。






