数据指标，并不是数据分析和业务同学的专属模块。日常会用到数据指标的，还包括开发(比如机器资源利用率，选仓选配计算平均时长等)，产品（自动罚款功能使用率，自动调拨推荐转换率等），以及测试、设计等等。

精准的指标，能提供好的方向，明确目标，更好的指导工作。优秀指标解读思维，能让自己辨识重要度，抓住问题关键。以及系统的指标体系，能够全面完整的覆盖关注范围，以及精准快捷的定位问题。

指标的设计链路，可以从目的→设计→公式→口径&范围，每一步都需要跟使用场景强绑定。所以当面对不同的使用场景时，同一个指标可能有多套口径的情况。比如说客诉率，我们考核的时候，会考核一年的情况，但是日常观察，会只观察一周或者一天，同时需要保证客诉的订单和购买的订单是用一波订单，解决时间错位的问题。

因此，我们在对指标设计时，需要时刻注意指标的定位是否清晰，以及是否在所使用场景下是逻辑合理的。以下我们来详细讲述一下指标设计过程中每一块需要注意的事项。

1. 目的

任何指标都有存在的目的。我们可以通过实际的目的，去设计对应的指标的计算方式。

从业务视角，往往都可以分为几个大的类，比如供应链业务中的三个主要模块：成本类，时效类，体验类，以及前端商品营销关注的用户类，流量类，商品类，营收类等等。

从计算视角，【量指标】的目的，是反应的是实际的规模、量级，比如活跃用户数，GMV，履约成本；【比值指标】则是反馈单位效能，如库转、arpu；【比率指标】则是更多用于评估占比情况，如毛利率、退货率、流量转换率等。

2. 设计

一个好的指标设计，需要有明确的指向性，也就是目的性明确，能指导使用方的效率、收益、质量等。

举例1：缺货率。

对于实际生产或者汇报，这个值就是越低越好，因为不缺货，我的GMV就不受影响

举例2：GMV。

越高越好，这个就不用多解释了。

反面例子：

举例3：仓内生产人数。

当这个指标值很大，可能存在人力成本浪费；如果值很小呢，又可能会造成生产进度达不成。

改进方法：①结合其他的指标一起，形成一套指标体系，比如加上仓内生产准时率，期望人数等；②直接看人均产能。

这类指标表现出来的问题在于，数据的大小或者多少，并不能真实的给出好坏优劣的判断。

3. 公式

到公式阶段，就需要对指标的具体计算逻辑有很明确清晰的思考了。指标的公式，尤其是不常见的指标，对设计者的要求其实是很高的。经常看到经验很丰富的业务方，在指标的公式上面犯错误。以下跟大家分享两个比较常见的坑。

坑1：计算【库转】，库存是用平均值，or截面值？

库转最原始的公式，库转(成本)=库存成本/销售成本。业务角度来讲，我们希望库转这个指标作出的指导是，看下当前的库存能售卖多少天？因此，为了让指标能更科学，分母部分的销售成本，我们使用的是最近30天的平均销售成本，目的是能更好的的平均掉促销活动带来的销量波动。

那么分子部分的库存成本呢，也用平均值么？其实不然，如果是想反馈当前的库存，多少天能销售光，那么历史的库存信息，是并不需要关心的，所以分子部分，使用的是截面库存成本值。

指标具体每一部分的计算逻辑，需要结合指标本身所想表达的意义去做公式设计，跟业务运作的逻辑强相关。

坑2：计算【客诉率】，分子分母会有时间差，那么是否需要去掉时间差？

跟时间链路有关的指标，往往都会有时间差。很容易出现研究的不是同一拨对象的问题，指标的解释性差。我们以客诉率为例，客诉率=客诉单量/支付单量，这里要讨论的问题就是，假如取11月11日的客诉率，客诉单量在11月11日会有发生，支付单量在11月11日也有发生，如果两者直接相除，可以得到一个值。

但是11月11日发生的客诉单，并不一定是在11月11日支付的，可能是11月10号，9号，8号，甚至更早之前。因此分子和分母研究的订单并不是同一拨。以及会出现客诉量跟以前差不多，但是支付订单量在双11期间会有一个比较大的涨幅，在这一天整体的客诉率会有一个比较明显的下降，然后再后一段时间，比如11月15号，用户陆续收到货了，双11期间的订单客诉起来了，但是对应的分母部分订单量回到了正常水平，导致了客诉率变得特别高，从而形成了如下图的变化趋势。

这种由于计算方式的问题导致的指标波动，不利于我们通过这个指标去分析问题和定位问题。

修正问题的方法很简单，就是让分子是分母的一部分，客诉率转变为T-7客诉率。

具体的定义为：T-7客诉率=T-7支付单中在后续7天有发生客诉的单量/T-7支付单量，这样，就能规避掉促销活动带来趋势上的狂抖。

当然这个指标也有弊端，就是滞后性。我们只能看到7天前的情况，最近的表现就无法获得了。

4. 口径&范围

日常的业务沟通过程中，经常出现同样的指标，你说是A结果，我说的是B结果，这种情况一般都是互相之间没有对指标的口径或者范围对齐。

比如商品成本，可能一部分人说的是含税商品成本，另外一部分人说的是不含税；再比如单量，不同的部门会分别默认是订单量，出库单量，以及运单量，售后单量等。基于这些异常场景的考虑，我们需要根据指标的实际使用逻辑，给出详细的口径和范围的注释。

我们也可以在指标命名上，可以更细致，比如说，不含税商品成本，2c订单量，主站付费用户数，等等。以及范围，我们有时候需要详细的给出包含的信息有哪些，比如履约成本，包含内仓和外仓的，不含海外的，不含品控费用，等等。所以当一个指标有较大范围的交流使用时，我们需要从指标命名上进行规范，最好沉淀一份指标使用白皮书，对口径和范围进行收口，统一管理以及公示。

这一点行业内是怎么做的？这里可以参考一下阿里OneData的标准规范。

这种方式的实现，需要先进行指标命名的规范，使用的规范，进行全员的宣导和培训，统一使用习惯，教育成本较高。

5. 总结

当前各行各业对于数据的依赖程度越来越高，而数据指标可以说是数据使用的元件，是把数据用活的第一步。笔者所处的电商行业，算是复杂度最高的行业之一（相比我以前所处的游戏行业要复杂得多）。

在高复杂度的业务场景下，每一个人都有机会经历从简单到复杂的成长历程，以及任何一个阶段最核心的，都需要去深入的体验业务，摸透业务流程。最后就是，数据指标的设计，要带有目的性，让指标活过来，让使用者/观察者感受到指标的生命力。祝好~

本文作者：九饼