ThinkingAI Logo
返回博客列表

数据指标体系搭建案例:业务目标如何落实到指标?

通过漱玉平民、货拉拉两个公开案例,拆解业务目标落到结果指标、过程指标和岗位动作的路径,并给出可套用的指标树、指标卡和复盘检查清单。

2026-11-1612分钟
数据指标体系搭建案例:业务目标如何落实到指标?

业务目标落到指标,常见的断点有三个。目标只拆到部门,指标只有名字没有口径,看板只有数字没有对应动作。会上每个人都在报数,会后却很难判断该改哪一个环节。

下面用两个公开案例拆解这个过程。漱玉平民面对的是百亿规模之后的战略穿透和口径治理,货拉拉分享的是从公司目标、业务过程一路推到部门指标的路径。案例之后,会给出一套可以套用的指标树、指标卡和验收清单。

两个案例的来源和边界先说明。漱玉平民部分来自帆软新闻站2026年6月29日的客户报道,数据由企业方在报道中陈述。货拉拉部分来自DataFunTalk在2024年4月发布的公开分享,原文注明示例与实际业务不一定相符,适合看方法,不适合当作效果证明。

一、案例一:漱玉平民怎样把百亿目标拆到门店

1. 起点:目标能拆下去,口径拆不动

报道显示,漱玉平民大药房2025年销售额突破100亿元。规模上来之后,管理层要把公司级目标拆到业务板块、部门和门店,拆解过程却卡在数据上。收集数据困难,各部门对同一个指标的理解也不一致。

一个典型例子是毛利率。商品、营运、财务都在看毛利率,关注的维度各有侧重。缺少统一口径时,跨部门复盘很容易变成各说各话。报道提到,团队调研发现公司603个指标中口径统一的只有28个,战略穿透率不到30%。

这个起点说明,指标数量多并不等于经营语言统一。漱玉平民要解决的是同一套指标能不能跨部门使用,以及战略目标能不能沿着指标一路追到门店。

2. 第一步:先选业务最痛的应用场景

漱玉平民没有从底层主数据开始治理,而是从业务感知更强、见效更直接的应用侧切入。商业分析团队锚定两个方向,直营板块的营运应用和经营管理侧的应用。

组织上采用联邦式治理。顶层设数据治理委员会作为决策机构,战略流程部商业分析团队牵头执行,负责需求管理、指标运营和平台建设。各业务域设业务伙伴作为指标负责人,配合数据开发团队落地。战略副总裁亲自担任项目经理,跨部门协调不必层层上报。

这个顺序值得借鉴。先让业务在最痛的场景里看到口径统一带来的变化,再推动更大范围的治理,比一开始就铺开全量指标更容易形成共识。

3. 第二步:按经营对象重组指标

漱玉平民把公司指标按业务组织和管理职责重新分类,建立一级域、二级域的分层体系,形成经营管理、一线员工、会员管理、商品管理、直营门店、供应链管理六大主题域。每个主题域下设二级分类,覆盖直营零售板块约80%的核心业务场景。

按经营对象组织指标,跨部门复用时更容易找到同一棵树。按部门罗列指标,容易出现同名不同义、重复建设和报表越堆越多。两种做法都要维护指标,前者更接近业务实际发生的方式。

4. 第三步:用七统一把指标变成公司资产

每个指标都要经过七项统一,名称统一、定义统一、口径统一、分类统一、明确责任人、确定数据来源、统一取数规则。指标从某个部门的私有资产,变成经过责任中心和应用中心研讨后沉淀的公司级资产。

口径评审不能只由数据团队完成。业务方要说明指标背后的管理含义,分析师要检查计算逻辑,数据开发要确认数据来源和取数方式。漱玉平民还引入外部行业对标,用内部经验和外部标准共同判断什么是核心指标。

报道里有一个细节值得注意。团队在拉通一个关键指标时发现,这个指标从原业务系统取数时剔除了20多种例外情况。这些被剔除的例外,往往正是管理上需要解决的问题。 指标看起来好看,可能只是因为问题被留在了报表之外。

5. 结果与适用边界

报道披露的结果包括,277个核心指标上线,40余个分析原型页面,一套指标管理平台实现统一分发,以及一份覆盖全场景的分析体系全景图。数据可以从总部逐级下钻到战区、城市、片区、门店和员工。平台内置运营指标、高存销比、近效期、缺货、预算异常和负毛利等预警。

财务侧的变化也可以观察。过去月初要花大量时间手工整理数据、调整口径,现在月初2号基本可以系统自动取数和抓数,财务人员做少量调整和确认。报道还提到,租赁费专项分析发现部分租赁押金长年不收回,推动每年做一次押金替换,省出几百万费用。

这些结果由企业方在报道中陈述,外部无法独立审计。漱玉平民的经验更适合已经有系统沉淀、门店数量较多、跨部门口径冲突明显的零售企业。 企业规模较小、业务单一时,不必照着这套组织架构铺开,可以先从一个场景和一组核心指标做起。

二、案例二:货拉拉怎样从业务过程推指标

1. 一条从公司目标到部门指标的路径

货拉拉的公开分享给出一条清晰的拆解顺序。公司先制定业务的主要目标,再依据参与人的业务轨迹梳理核心业务过程,然后拆解各核心业务部门的具体目标,业务部门据此制定策略,最后梳理衡量策略是否有效的指标。

这条路径把目标、过程、部门、策略和指标串成一条线。指标从业务过程中长出来,部门拿到指标时也知道它对应哪一段业务。

分享里还有一个范围建议。先聚焦核心业务,快速把核心业务的指标体系搭出来并落地,再迭代优化。一次追求覆盖所有业务,容易把需求范围拉大、实现周期拉长,最后指标上线了却没人用。

2. 用MECE和指标结构减少重复建设

货拉拉强调,维度和指标拆解尽量遵循MECE原则,做到互斥且不交叉。底层数据模型里的维度和指标越清晰,上层应用组合越灵活,复用率越高,计算和研发成本越低。

分享中还给出三个结构。

  • 数据需求等于时间加维度加指标。
  • 指标等于时间加修饰词加原子指标。
  • 维度等于通用维度加个性化业务维度。

这三个结构看起来简单,实际作用是把“我要看华东上周的订单”这类需求拆成可管理的部分。时间、维度、指标分别定义,重复建设和口径漂移都会减少。

指标标准化还需要评审组织。货拉拉建议,数据需求准入评审至少由业务方、数据分析人员和数仓研发人员三方组成,重点解决业务口径描述不一致、业务口径转数据口径的质量问题。指标建设完成后,还要管理指标建设流程、数据模型、指标及维度元数据、血缘关系和服务调用信息。

3. 这个案例能借鉴什么,不能证明什么

可借鉴的是拆解顺序、评审机制、指标结构和元数据管理方式。这些做法不依赖某一种工具,换一个行业也能用。

不能证明的是效果。公开分享没有披露上线后的业务结果,原文也注明示例与实际业务不一定相符。把它当作方法参考,比当作一套可以直接复制的成功模板更稳妥。

三、两个案例的共同点:业务目标要经过四次转换

把两个数据指标体系搭建案例放在一起,业务目标拆解到指标,可以拆成四次转换。每完成一次转换,都要留下一个可以检查的结果。

业务目标到指标的四次转换示意图

图:业务目标落到指标的四个转换。

1. 第一次转换:把目标写成具体决策场景

“提升经营效率”“加强精细化运营”这类目标无法直接变成指标。需要继续问,谁,在什么周期,看哪个指标,做什么决策。

漱玉平民把战略目标拆到门店经营,指标要能支持管理层判断哪个战区、城市、片区或门店出了问题。货拉拉把公司目标拆到部门目标和策略,指标要能支持部门判断策略是否有效。

写不出这句话,目标就还没有落到场景。一个可用的句式是,我们希望在某个周期内,把某个指标从当前值提升到目标值,支持某个角色在某个场景做某个决策。

2. 第二次转换:先定结果指标,再补过程指标和护栏指标

结果指标回答目标有没有达成,数量不宜多。公司层面通常保留一个北极星指标,业务线差异大时可以按业务单元分别设置,总数控制在1到3个。

过程指标解释结果怎么发生。漱玉平民用六大主题域组织经营指标,让管理层能看到人、客、货、场、供应链和财务的变化。货拉拉按业务轨迹找业务过程,再从过程里找衡量指标。

还要配护栏指标。增长指标会推动团队追求更大的数字,退款率、投诉率、履约时长、低质内容曝光率这类指标负责防止代价被藏到报表之外。护栏指标不进入增长目标,但要在同一张看板上可见。

3. 第三次转换:用业务公式或流程拆指标

结果指标往下拆,优先用业务公式。电商可以用成交额等于流量乘以转化率乘以客单价乘以复购频次,游戏可以用流水等于活跃用户乘以付费率乘以每付费用户平均收入。每个因子都要能对应一个团队动作。

流程拆解解决另一类问题。售后、履约、服务这类业务不一定有清晰的成交公式,需要先梳理业务流程,区分不同目标的分支,再为每段流程确定数量、质量和成本指标。

公式和流程是两种拆法,按业务实际选择。 能用公式表达业务结构的,用公式。业务由多个流程分支组成的,用流程。两种方法都要求拆出来的指标能被某个团队影响。

4. 第四次转换:把指标写成口径、责任和动作

指标定义要写成可执行的规则。一张指标卡至少写清八项,指标名称和业务含义、计算公式、统计维度和粒度、时间窗口和时区、唯一权威数据来源、更新频率和数据延迟、负责人和使用场景、变更记录和生效时间。

最容易出错的口径包括活跃用户按启动、登录还是完成关键行为,订单归属按支付、发货还是收货时间,金额含税还是不含税,渠道是否剔除自然流量和内部流量,用户去重按账号、设备还是手机号。这些细节不写清,两个部门就会算出两个数。

指标还要对应岗位动作。漱玉平民把数据下钻到门店和员工,配套预警和专项分析,让管理层能追问到具体经营问题。一个指标如果变化时没有岗位会改变动作,它可以作为背景信息,不适合放进日常运营看板。

四、一个可套用的教学示例:B2B 试用转付费

下面用一个教学示例把四次转换串起来。示例中的产品和数字都是虚构的,只用于说明写法,不代表任何客户。

目标可以写成,第四季度把试用转付费率从12%提升到16%,支持产品负责人在月度经营复盘中判断是否调整新手引导和销售跟进。

层级指标计算方式负责人对应动作
结果试用转付费率到期试用团队中完成付费的团队数除以同期到期试用团队数产品负责人判断整体转化是否达标
过程首周激活率首周完成3名以上成员邀请的试用团队数除以新开通试用团队数产品经理调整新手引导和邀请流程
过程关键功能使用率使用过关键功能的试用团队数除以活跃试用团队数产品经理优化功能引导和案例
过程销售首次响应时长从试用团队提交咨询到销售首次响应的小时数销售负责人调整线索分配和排班
护栏退款率当期退款团队数除以同期付费团队数客户成功负责人检查承诺是否过度、交付是否到位

指标卡可以这样写。指标名称是试用转付费率。业务含义是到期试用团队中完成付费的比例。公式是到期付费团队数除以同期到期试用团队数。统计粒度是团队和周。时间窗口是试用到期后7天。数据来源是订单系统和试用系统。负责人是产品负责人。使用场景是月度经营复盘。指标口径统一需要持续维护,变更记录要写清谁改了什么、为什么改、从哪天生效。

复盘时只回答四个问题。哪个指标变了,变化幅度和持续时间是多少。变化来自哪个维度或人群。对应哪个动作,谁在什么时候执行。预期多久见效,什么时候验证。四个问题写进会议纪要,指标才会从展示走向行动。

五、指标体系理顺之后,AI 问数才接得住

指标定义、权限和审计规则统一之后,AI 可以明显缩短取数、归因和解释的时间。业务人员用自然语言提问,系统按统一口径返回结果,再沿着指标树下钻,比每次临时写查询更稳定。

ThinkingAI 在官网文章中介绍,数据分析 Agent 面向自然语言问数、多轮追问、归因分析和可视化这类任务。Agentic Engine 支持私有化部署和多 Agent 协作。ThinkingAI 已服务全球超1500家企业,接入产品超8000款。

世嘉《女神异闻录:夜幕魅影》的公开客户访谈提到,运营成员开始自己在会议上汇报KPI,新用户漏斗可以按平台和国家对比,分析粒度可以按周、按月切换,标签可以按分群查看KPI。访谈中的成果属于受访者表述,不代表所有团队照做都能得到同样结果。

这些工具能发挥作用的前提,是指标定义、权限和审计规则已经统一。没有统一口径,AI 更容易给出多个版本的答案。 先把指标卡、负责人和取数规则建起来,再让 AI 承接高频问数和归因,顺序更稳。

常见问题

1. 没有数据仓库,能不能先搭指标体系

可以。从一个业务场景开始,选一个结果指标和三个过程指标,用表格维护指标卡,指定负责人和使用场景。先让指标进入一次真实决策,再考虑工具和数据仓库。业务单一时,表格足够跑通第一轮。

2. 指标体系按部门建还是按业务域建

按业务域或经营对象建主树,部门在树上认领指标。按部门各建一套,短期看省事,长期会出现同名不同义、重复建设和跨部门对不齐。漱玉平民按人、客、货、场、供应链和财务组织指标,可供参考。

3. 业务目标经常变,指标要不要重做

结果指标可以随业务阶段调整,底层原子指标和口径尽量保持稳定。调整时走评审和变更记录,写清影响范围和生效时间。目标变化就推翻全部指标,容易把历史数据对比能力一起丢掉。

4. 口径统一了,为什么报表还是没人用

检查三件事。指标是否对应一个明确的决策,看板是否按角色组织,预警是否有接收人和关闭动作。指标算得对,只解决能不能用。指标能支持判断,才解决愿不愿意用。

5. AI 问数能不能替代指标字典

不能。AI 提升的是取数、分析和表达的效率,指标定义、口径、权限和责任仍要由人建立。没有指标字典,AI 给出的答案可能看起来合理,却无法复核。

6. 怎么判断一个指标该不该保留

看它是否支持一个明确决策,是否有负责人,变化时是否会触发动作。三个条件都不满足的指标,可以下线或降为背景信息。指标体系需要定期做减法,新增指标也要说明它支持哪个决策。

参考资料

  • 帆软新闻站,《漱玉平民全域指标数据治理纪实》,2026年6月29日,https://www.fanruan.com/news/6a423963e7e92fac843b1b00
  • DataFunTalk,《从0到1,聊聊货拉拉如何搭建数据指标体系》,2024年4月23日,https://server.it168.com/a2024/0423/6847/000006847280.shtml
  • ThinkingAI,《数据指标体系怎么搭建?从业务目标到增长与运营指标》,https://www.thinkingai.cn/blog/data-metrics-system-business-goals-growth-operations/
  • ThinkingAI 客户案例,《世嘉〈女神异闻录:夜幕魅影〉:让分析师的时间从“接需求”回到“深度分析”》,https://www.thinkingai.cn/user-case/2777ff7d53/

准备好构建你的 Agent 团队了吗

立即体验 Agentic Engine, 让 AI 成为真正的团队成员

ThinkingAI Big Logo
电话咨询