数据仓库之仓库指标体系
在仓库的开发过程中，基本会处理整个集团的各个业务数据，既然被称之为仓库，至少数据量是非常大的，但是仓库的数据虽然大，不一定是我们需要的，很多时候，我们所需要的并不是数据，而是数据背后映射的洞察。
在业务发展过程中，会产生大量的数据，单看数据是没有价值的，只有和业务相结合转化为信息，再经过处理才能体现其价值。
数据指标常用于评价或者展示业务详情，通过对数据指标的拆解能够得出产品、策略、运营等各方面目前存在的问题，从而得出优化方向。
非体系化的指标通常是单点分析，无法串联更多关联指标进行全局的分析评估，而体系化的指标则可以综合不同的指标不同的维度串联起来进行全面的分析，会更快的发现目前产品和业务流程存在的问题。
一套好的指标体系，然后再加以数据产品化，可以覆盖我们日常工作中80%以上的数据需求。
为什么需要指标体系
现在大家都在谈建立指标体系，那么为什么需要建立指标体系呢，我觉得有以下几点：
减少重复工作，提高分析效率
建立业务量化衡量的标准
方便分析数据，定位问题；指标信息，指标意义方便展示，利于分析，一目了然。
便于业务需求梳理，好的指标体系建立后，相关的报表只需要选选指标或者组合指标就好。
分辨业务差异，很多业务指标不成体系，容易混淆或者误解；建立指标体系后会对这些指标进行统一的规范定义。
最后是规范对外接口，对于大型的复杂的数据仓库，给出去的报表非常多，报表的取数口径难得管理，有时候甚至混乱。
成体系化的指标监控系统，能够从多维度了解业务发展的现状
构建指标的常见步骤
指标也就是统计分析数据，搭建数据指标体系一般需要5步走，了解企业业务，确定统计维度及粒度，指标分类，优化指标。
了解企业业务
进行全面的业务梳理的同时，收集业务部门的需求，梳理业务部门的报表，业务部门的常见需求其实就是重要的指标。根据梳理的业务流程，形成一个指标体系框架。
确定统计维度及粒度
搭建完体系框架后，将指标按照流程的阶段及其属性进行指标分类，尽可能全面找出每种类型应该关注的相应指标有哪些，有哪些指标可以反应流程节点的问题。
与业务部门沟通，确认业务需求指标的合理性，能否反应业务实际的问题，确定每个指标的具体含义，完善指标体系框架，确定统计的维度和粒度。
指标分类
我们可以把指标按重要程度及分类，将其分为一级、二级、三级指标，也可以分为主指标和将我们搭建指标体系的过程进行分段拆解，确保搭建指标的条理性。
分类的同时，注意数据的产出时效，明确每个指标是实时数据/小时级数据/次日数据，在可行的情况下满足业务需求，尽量确保各指标被高频率的使用。
指标优化
根据业务调整，指标体系持续更新优化
指标体系的构成
构成指标体系五部分是主指标，子指标，过程指标，分类维度，判断标准；他们相互作用，构成完整的指标体系。
主指标
主指标就是用来评价业务的最核心的指标。
每个指标都需要关注业务含义，数据来源，统计时间，计算公式等等。
把主指标树清楚，后边判断标准才知道围绕谁做，子指标才知道对应哪些流程。
子指标
主指标可能由几个子部分构成。如果要追溯主指标的构成，了解指标背后真正的问题，这时候就得拆解子指标。
过程指标
主指标往往是最终的结果，光看一个最后结果是无法监督、改进过程的。如果想更进一步管理，就得看得更细一些，从而添加子指标。
分类维度
有可能一件事是很多人、在很长时间内完成的。想知道总销售金额是怎么构成的，每个地区、每个团队分别完成多少，可以增加分类维度，比如机构维度，客户维度等等。通过分类维度，把主指标切成若干块，这样能避免平均数陷阱，把整体和局部一起看清楚。
判断标准
评价好坏参照物的选择，本身是个复杂的分析过程，需要做深入的分析。在构造指标体系的时候，往往这些判断标准是和当前数据一起呈现的。这样在看数据的时候，可以直观的做出判断，使用起来就很方便了。