數據指標，并不是數據分析和業務同學的專屬模塊。日常會用到數據指標的，還包括開發（比如機器資源利用率，選倉選配計算平均時長等），產品（自動罰款功能使用率，自動調撥推薦轉換率等），以及測試、設計等等。

精準的指標，能提供好的方向，明確目標，更好的指導工作。優秀指標解讀思維，能讓自己辨識重要度，抓住問題關鍵。以及系統的指標體系，能夠全面完整的覆蓋關注范圍，以及精準快捷的定位問題。數據分析指標篇會分為三篇：指標設計、指標解讀、指標體系建設，進行介紹和案例分析，幫助大家在這幾個方面有更加深入的了解和提升。

指標設計基礎

指標的設計鏈路，可以從目的→設計→公式→口徑&范圍，每一步都需要跟使用場景強綁定。所以當面對不同的使用場景時，同一個指標可能有多套口徑的情況。比如說客訴率，我們考核的時候，會考核一年的情況，但是日常觀察，會只觀察一周或者一天，同時需要保證客訴的訂單和購買的訂單是用一波訂單，解決時間錯位的問題。

因此，我們在對指標設計時，需要時刻注意指標的定位是否清晰，以及是否在所使用場景下是邏輯合理的。以下我們來詳細講述一下指標設計過程中每一塊需要注意的事項。

1

目的

任何指標都有存在的目的。我們可以通過實際的目的，去設計對應的指標的計算方式。

從業務視角，往往都可以分為幾個大的類，比如供應鏈業務中的三個主要模塊：成本類，時效類，體驗類，以及前端商品營銷關注的用戶類，流量類，商品類，營收類等等。

從計算視角，【量指標】的目的，是反應的是實際的規模、量級，比如活躍用戶數，GMV，履約成本；【比值指標】則是反饋單位效能，如庫轉、arpu；【比率指標】則是更多用于評估占比情況，如毛利率、退貨率、流量轉換率等。

2

設計

一個好的指標設計，需要有明確的指向性，也就是目的性明確，能指導使用方的效率、收益、質量等。

舉例1：缺貨率。

對于實際生產或者匯報，這個值就是越低越好，因為不缺貨，我的GMV就不受影響

舉例2：GMV。

越高越好，這個就不用多解釋了。

反面例子：

舉例3：倉內生產人數。

當這個指標值很大，可能存在人力成本浪費；如果值很小呢，又可能會造成生產進度達不成。

改進方法：①結合其他的指標一起，形成一套指標體系，比如加上倉內生產準時率，期望人數等；②直接看人均產能。

這類指標表現出來的問題在于，數據的大小或者多少，并不能真實的給出好壞優劣的判斷。

3

公式

到公式階段，就需要對指標的具體計算邏輯有很明確清晰的思考了。指標的公式，尤其是不常見的指標，對設計者的要求其實是很高的。經常看到經驗很豐富的業務方，在指標的公式上面犯錯誤。以下跟大家分享兩個比較常見的坑。

坑1：計算【庫轉】，庫存是用平均值，or截面值？

庫轉最原始的公式，庫轉（成本）=庫存成本/銷售成本。業務角度來講，我們希望庫轉這個指標作出的指導是，看下當前的庫存能售賣多少天？因此，為了讓指標能更科學，分母部分的銷售成本，我們使用的是最近30天的平均銷售成本，目的是能更好的的平均掉促銷活動帶來的銷量波動。

那么分子部分的庫存成本呢，也用平均值么？其實不然，如果是想反饋當前的庫存，多少天能銷售光，那么歷史的庫存信息，是并不需要關心的，所以分子部分，使用的是截面庫存成本值。

指標具體每一部分的計算邏輯，需要結合指標本身所想表達的意義去做公式設計，跟業務運作的邏輯強相關。

坑2：計算【客訴率】，分子分母會有時間差，那么是否需要去掉時間差？

跟時間鏈路有關的指標，往往都會有時間差。很容易出現研究的不是同一撥對象的問題，指標的解釋性差。我們以客訴率為例，客訴率=客訴單量/支付單量，這里要討論的問題就是，假如取11月11日的客訴率，客訴單量在11月11日會有發生，支付單量在11月11日也有發生，如果兩者直接相除，可以得到一個值。

但是11月11日發生的客訴單，并不一定是在11月11日支付的，可能是11月10號，9號，8號，甚至更早之前。因此分子和分母研究的訂單并不是同一撥。以及會出現客訴量跟以前差不多，但是支付訂單量在雙11期間會有一個比較大的漲幅，在這一天整體的客訴率會有一個比較明顯的下降，然后再后一段時間，比如11月15號，用戶陸續收到貨了，雙11期間的訂單客訴起來了，但是對應的分母部分訂單量回到了正常水平，導致了客訴率變得特別高，從而形成了如下圖的變化趨勢。

這種由于計算方式的問題導致的指標波動，不利于我們通過這個指標去分析問題和定位問題。

修正問題的方法很簡單，就是讓分子是分母的一部分，客訴率轉變為T-7客訴率。具體的定義為：T-7客訴率=T-7支付單中在后續7天有發生客訴的單量/T-7支付單量，這樣，就能規避掉促銷活動帶來趨勢上的狂抖。

當然這個指標也有弊端，就是滯后性。我們只能看到7天前的情況，最近的表現就無法獲得了。

4

口徑&范圍

日常的業務溝通過程中，經常出現同樣的指標，你說是A結果，我說的是B結果，這種情況一般都是互相之間沒有對指標的口徑或者范圍對齊。

比如商品成本，可能一部分人說的是含稅商品成本，另外一部分人說的是不含稅；再比如單量，不同的部門會分別默認是訂單量，出庫單量，以及運單量，售后單量等。基于這些異常場景的考慮，我們需要根據指標的實際使用邏輯，給出詳細的口徑和范圍的注釋。

我們也可以在指標命名上，可以更細致，比如說，不含稅商品成本，2c訂單量，主站付費用戶數，等等。以及范圍，我們有時候需要詳細的給出包含的信息有哪些，比如履約成本，包含內倉和外倉的，不含海外的，不含品控費用，等等。所以當一個指標有較大范圍的交流使用時，我們需要從指標命名上進行規范，最好沉淀一份指標使用白皮書，對口徑和范圍進行收口，統一管理以及公示。

這一點行業內是怎么做的？這里可以參考一下阿里oneDate的標準規范，用在嚴選可以這么來解釋。

這種方式的實現，需要先進行指標命名的規范，使用的規范，進行全員的宣導和培訓，統一使用習慣，教育成本較高。

5

總結

當前各行各業對于數據的依賴程度越來越高，而數據指標可以說是數據使用的元件，是把數據用活的第一步。嚴選所處的電商行業，算是復雜度最高的行業之一（相比我以前所處的游戲行業要復雜得多）。

在高復雜度的業務場景下，每一個人都有機會經歷從簡單到復雜的成長歷程，以及任何一個階段最核心的，都需要去深入的體驗業務，摸透業務流程。最后就是，數據指標的設計，要帶有目的性，讓指標活過來，讓使用者/觀察者感受到指標的生命力。祝好~

編輯：jq