月度经营会上,三个部门报出三个不同的活跃用户数;新加一个转化指标,报表里已经躺着五个近似版本。这类问题多半来自指标体系缺少一套分类和整理规则。我的建议是,分类轴可以有很多个,目录只保留一个主轴,其余维度做成标签。
数据指标体系分类整理,先要分清两件事。分类解决指标放在哪里,让人从业务主题、分析场景或管理层级找到需要的指标;整理解决指标怎么算、谁来维护、是否重复。两者一起,才构成一套可用的体系。
分类主轴决定目录怎样组织,指标字典统一定义,去重和责任归属则让口径能够持续维护。三者配套,才能减少目录混轴、指标重复和口径失守。
一、分类和整理分别解决什么问题
分类决定指标放在哪里。它让一个人从业务主题、分析场景或管理层级出发,找到自己需要的指标。整理决定指标怎么算、谁来维护、是否重复。
- 分类的成果是一张目录。目录要能导航,层级要稳定,新同事按目录能找到指标。
- 整理的成果是一套规则。每个指标有正式名称、可复算的公式、明确的数据来源、负责人和版本。
- 只有目录没有规则,会得到一张好看但无法复算的空表。只有规则没有目录,指标会散落在搜索框和聊天记录里。
判断一套体系是否可用,可以看两个动作。新同事能不能按目录找到某个指标;两个部门能不能拿着同一条定义独立算出同一个数。两个动作都能完成,分类和整理才算落地。
二、五种常见分类维度
指标可以按很多维度分类,常见的有下面五种。它们回答的问题不同,适合放在不同的位置。
| 分类维度 | 回答的问题 | 适合放在哪里 | 需要注意 |
|---|---|---|---|
| 业务主题或数据域 | 这个指标属于哪块业务 | 目录主轴、导航 | 边界容易争议,先定归属规则 |
| 指标构成 | 它是原子、派生还是复合指标 | 技术目录、指标类型标签 | 业务人员通常不按这个找指标 |
| 管理层级或用途 | 它是结果、诊断还是行动指标 | 看板视图、汇报结构 | 会随组织调整,不宜频繁改目录 |
| 业务属性 | 它是业务指标还是技术指标 | 需求交接、开发文档 | 两套语言的翻译成本高 |
| 指标性质 | 它是规模、比率、均值还是占比 | 图表设计、统计校验 | 不直接对应业务问题 |
补充一个常用维度,时间特征。领先指标用来预警,滞后指标用来确认结果。它适合做监控视图,不适合单独做目录,因为一个指标在不同场景下可能既领先又滞后。
这些维度并不互斥。支付金额可以同时属于交易域、原子指标、结果指标和金额类指标。分类的任务是决定哪一个维度做主目录,哪些维度做标签,避免把多个标准塞进同一层。
三、选一个主轴,其余维度做标签
1. 主轴怎么选
主轴的选择标准有三条。
- 看主要读者。业务用户按业务主题找指标,数据团队按业务过程找指标,管理层按目标层级看指标。
- 看使用频率。更常被用来搜索和讨论的那个维度,适合做主轴。
- 看稳定性。组织架构和汇报层级会变,业务主题和数据域相对稳定。
对多数企业,业务主题或数据域适合做主轴。交易、用户、商品、营销、财务这些主题,业务人员容易理解,也方便权限划分。数据团队可以在每个主题下再按业务过程组织,例如交易域下的下单、支付、退款。
2. 目录和标签怎么分开
一个可用的目录可以按业务域和业务过程组织,指标示例放在对应过程下。
| 业务域 | 业务过程 | 指标示例 |
|---|---|---|
| 交易域 | 下单 | 下单金额、下单用户数、下单转化率 |
| 交易域 | 支付 | 支付金额、支付用户数、支付成功率 |
| 用户域 | 活跃 | 日活跃用户数、周活跃用户数、月活跃用户数 |
| 用户域 | 留存 | 次日留存率、7 日留存率、30 日留存率 |
| 营销域 | 投放 | 获客成本、投放回报率、渠道转化率 |
指标类型、统计周期、粒度、负责人、状态、敏感级别,放在指标卡片或标签里,不进入目录层级。这样目录保持稳定,查询和筛选仍然灵活。
一个简单的判断方法是,如果两个指标在目录里只能靠感觉区分,说明主轴不够清楚;如果一个目录同时出现交易、原子指标、月度、增长这几个词,说明分类轴混了。

图 1:目录只保留一个主轴,其余分类维度做成标签。
四、整理从盘点开始
整理指标体系,先不要急着合并和改名。第一步是把现有指标找出来。
盘点来源包括报表、看板、查询脚本、表格文件、埋点文档、指标平台和业务口头需求。盘点时至少记录这些信息。
- 指标名称和常见别名
- 所在报表或看板
- 主要使用人
- 计算逻辑和数据来源
- 更新频率
- 最近一次使用时间
- 当前维护人
盘点的目标可以先放在看清一个业务域里到底有多少指标、哪些有人用、哪些已经没人维护,不必一次收全。建议选一个业务域做试点,跑通一轮再推广。全公司一次铺开,通常会在命名和归属上卡住。
五、把指标拆成可复用的最小单元
盘点之后,把每个指标拆成可复用的组成部分。常见的拆法是业务过程、度量、限定条件和时间周期。
- 原子指标由业务过程、度量和聚合方式组成。支付金额、支付订单数、支付用户数,都是原子指标。
- 派生指标由原子指标加修饰词和时间周期组成。近 30 天 PC 端支付金额,就是一个派生指标。
- 复合指标由多个指标通过加减乘除组成。支付转化率、客单价、投放回报率,都是复合指标。
拆解的价值在于复用。支付金额只有一个原子定义,近 30 天、PC 端、新用户这些限定条件可以组合出多个派生指标。口径变化时,先改原子定义,再检查受影响的派生指标。
这里有一个容易踩的坑,不同平台对派生、衍生、复合的叫法并不完全一致。阿里云 DataWorks 的文档把原子指标加修饰词和时间周期称为派生指标,把派生指标再运算称为复合指标。华为云的文档把原子指标加修饰词和时间周期称为衍生指标,把多指标运算称为复合指标。Datablau 的指标文档把公式计算类叫衍生指标,把加时间限定叫派生指标。
这些叫法各自成立,混在一起就会出问题。企业要在自己的指标字典里固定一套定义,写清每个类型由什么组成,不要让同一份目录里出现两套语义。
六、建一份能复算的指标字典
指标字典是整理工作的核心载体。它把口径从个人经验变成可执行的规则。
1. 字典里至少要有什么
一份能用的字典,至少包含这些字段。
| 字段 | 写什么 | 常见问题 |
|---|---|---|
| 指标名称 | 一个正式名称,避免同义多名称 | 同一指标在不同报表叫法不同 |
| 指标编码 | 稳定编码,改名后不变 | 用名称代替编码,历史记录断链 |
| 业务定义 | 一句话说明衡量什么、回答什么问题 | 定义宽泛,无法判断边界 |
| 计算公式 | 分子、分母、聚合方式和去重规则 | 只写指标名,不写运算过程 |
| 统计对象和粒度 | 按用户、订单、商品还是门店统计 | 粒度缺失,汇总结果对不上 |
| 时间窗口 | 自然月、滚动 30 天还是指定区间 | 周期口径与业务节奏不一致 |
| 数据来源 | 系统、表、字段和快照时点 | 只写系统名,取数字段不明 |
| 排除项 | 测试单、退款、内部流量等如何处理 | 边界不清,两个部门算出两个数 |
| 负责人 | 业务负责人和数据负责人 | 责任人为空或只写部门 |
| 使用场景 | 用于哪类会议、报表或决策 | 指标无人使用,成为空转数字 |
| 版本和状态 | 版本号、生效时间、在用或待下线 | 口径调整没有记录 |
2. 三个写法要求
- 公式要能复算。写清分子、分母、聚合方式和去重键,不要只写一个指标名。
- 时间窗口要具体。自然月、滚动 30 天、按周一到周日,结果可能不同,必须写明。
- 排除项要写清。测试订单、退款、内部流量、跨团队归属,这些细节决定两个部门能不能算出同一个数。
3. 责任和评审
责任要落到人。业务负责人解释口径和处理争议,数据负责人保障采集和计算质量。两个角色可以由同一人承担,但要在字典里写明。主责人之外再设一个备份人,避免调岗后指标变成孤儿。
新指标上线前做一次评审。评审不需要很长,但要确认业务含义、公式、来源、负责人和使用场景,并留下记录。两个部门拿着同一张指标卡片能独立算出同一个数,才算通过。
七、去重、归并与冲突处理
整理指标时,常见三类问题。
- 同名不同义。两个指标都叫活跃用户数,一个按启动算,一个按完成关键行为算。
- 同义不同名。支付金额、成交金额、交易金额,可能说的是同一件事。
- 上下层级混用。把支付转化率放进原子指标层,或者把支付金额同时放在交易域和营销域。
处理顺序可以按下面四步走。
- 先看业务定义。两个指标衡量的是不是同一件事,回答的是不是同一个问题。
- 再核对公式。分子、分母、粒度、时间窗口和排除项是否一致。
- 再决定合并、保留别名还是拆分。同一件事只保留一个正式名称和一个编码,旧名称作为别名保留,避免历史报表断链。
- 再处理归属。无法达成一致的,按使用场景拆分,写清各自适用范围,不要为了减少数量强行合并不同口径的指标。
去重的目标是让同一件事只有一个定义。指标数量可以减少,但口径不同、服务不同决策的指标应该保留,并在字典里写清区别。
八、让指标有归属,也有维护
1. 归属怎么分
归属包括业务域负责人、指标负责人和数据负责人。业务域负责人决定这个域里保留哪些指标,指标负责人解释口径,数据负责人保障数据质量。
2. 出口怎么接
出口包括 BI 看板、接口或语义层、分析 Agent、报表订阅。同一个指标应该从同一个定义出发,避免每个看板复制一份查询逻辑。
权限按角色控制到行列和指标。敏感指标默认不开放到全员,权限规则要跟指标定义一起维护。
状态分为草稿、评审中、已发布和待下线。未发布的指标不进入正式看板,待下线的指标要标注停用时间。
3. 维护怎么做
指标体系会随着业务变化而失效。维护机制要回答三个问题,谁来看、多久看一次、看到问题怎么处理。
- 每季度做一次轻复盘,检查没人看、重复建设、已经失效的指标。新增指标要说明它支持哪个决策,不能因为别人有就加。
- 口径变更走评审,记录谁改了什么、为什么改、从哪天生效,并通知下游使用方。数据回刷前先评估影响范围,保留旧版本。
- 核心指标设置数据质量校验,包括空值、异常波动、延迟和重复。发现问题时,先确认是数据问题还是业务变化,再决定是否调整口径。
- 指标下线要留痕。标注停用时间,保留历史定义,避免旧报表突然断链。
一个可用的节奏是,日看行动指标,周看诊断指标,月看结果指标,季度看指标体系本身。日会不讨论战略,季会不追日常异常。每次复盘只回答四个问题,哪个指标变了,变化来自哪个维度,对应哪个动作,什么时候验证。
这一层做完,指标体系才从文档变成服务。业务人员能在看板和分析工具里找到指标,开发人员能从语义层取到同一口径,AI 问数也有稳定的定义可以调用。
九、AI 问数时代,指标字典更重要
AI 能缩短取数、归因和写报告的时间,但它不负责决定口径。指标定义不统一,AI 只会更快地给出多个版本的答案。
1. AI 需要什么样的指标定义
在 AI 问数场景里,指标字典要满足三个条件。
- 可检索。业务人员用自然语言提问时,系统能找到对应的指标定义和适用范围。
- 可追溯。每个答案能回到指标名称、公式、数据来源和版本。
- 可版本化。口径调整后,旧版本仍然可查,避免历史结论无法解释。
ThinkingAI 的企业级知识库把指标定义作为可治理的知识管理,用单一事实来源保证同一概念只有一处定义,通过变更集记录支持可追溯、可对比和可回滚。它面向 Text-to-SQL 和数据分析 Agent 提供统一口径,让不同业务线问同一个指标时得到相同的定义。这个能力解决的是定义分散的问题,数据质量和权限仍然要由企业自己管好。
2. 先查三件事
一个实用的判断是,如果 AI 问数结果不稳定,先查三件事。指标定义是否统一,数据延迟是否写清,权限是否把不同范围的数据混在一起。三件事都确认后,再去看模型和提示词。
十、一套可以照着走的检查清单
如果明天就要开始整理,可以按这个顺序推进。
- 选一个业务域,拉出所有在用指标,记录名称、别名、报表、使用人、公式和数据源。
- 确定目录主轴,把其他分类维度改成标签,不再往目录里加层级。
- 把核心指标拆成原子、派生和复合三类,固定一套术语。
- 为每个核心指标补全字典字段,先覆盖公式、粒度、时间窗口、排除项、负责人和版本。
- 处理同名不同义和同义不同名,保留一个正式名称和一个编码,旧名称做别名。
- 给指标指定业务负责人和数据负责人,设定发布和下线状态。
- 把已发布的指标接入看板、语义层或分析 Agent,确保同一个定义只出现一次。
- 约定季度复盘和变更评审,把新增、修改、下线都记录下来。
做完之后,用四个问题快速检查。
- 目录是否只有一个主轴,其他维度是否都做成了标签。
- 公式是否能被另一个团队复算,时间窗口和排除项是否写清。
- 每个指标是否有负责人、备份人、版本和状态。
- 是否约定了季度复盘和变更评审。
常见问题
数据指标体系一定要按业务域分类吗
不一定。业务域适合大多数面向业务用户的体系,因为好理解、好授权。数据团队内部可以按业务过程组织,管理层可以按目标层级做视图。关键是目录只有一个主轴,其他维度做标签。
原子指标、派生指标和复合指标怎么区分
原子指标是最小可度量单元,由业务过程、度量和聚合方式组成。派生指标是原子指标加修饰词和时间周期。复合指标是多个指标通过加减乘除计算得出。不同平台的叫法可能不同,企业要在自己的字典里固定一套定义。
指标和维度有什么区别
指标是被度量的数值,回答多少、多大、多快。维度是看指标的角度,回答按什么分组,例如时间、渠道、地区、用户类型。指标定义里要写清统计粒度,维度表里要写清维度值和口径。
指标字典和指标体系是什么关系
指标体系是指标的组织方式,解决目录、层级和关系。指标字典是每个指标的定义卡,解决名称、公式、来源、负责人和版本。体系负责找得到,字典负责算得清,两者缺一不可。
同一指标不同部门口径不一致,先改系统还是先定流程
先定流程。找到指标负责人,写清业务定义、公式、数据来源、时间窗口和排除项,再决定用语义层、接口还是其他方式固化。只改系统不改流程,口径很快又会分叉。
小团队需要建完整的指标字典吗
不需要一开始就求全。先选一个业务场景,维护一个结果指标和三个过程指标,用表格记录名称、公式、来源、负责人和版本。让指标进入一次真实决策,再逐步扩展。业务单一、指标不多时,表格足够跑通第一轮。
指标体系多久维护一次
建议每季度做一次轻复盘,每年做一次重复盘。业务目标调整、产品版本上线、渠道结构变化时,随时触发复盘。复盘重点放在指标是否还在支持决策,指标数量放在次要位置。
AI 问数能替代指标字典吗
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。没有统一口径,AI 会更快地给出多个版本的答案。
资料来源
- 阿里云 DataWorks 文档,指标体系,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。
- Datablau 文档,定义原子、衍生与派生指标,https://help.datablau.cn/zh-CN/dam/data-standards/metric-definitions。
- ThinkingAI 博客,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/。






