1、指标管理出现的问题:
主要从业务、技术、产品三个视角来看：
业务视角:
业务分析场景指标、维度不明确；
频繁的需求变更和反复迭代，数据报表臃肿，数据参差不齐；
用户分析具体业务问题找数据、核对确认数据成本较高。
技术视角:
指标定义，指标命名混乱，指标不唯一，指标维护口径不一致；
指标生产，重复建设；数据汇算成本较高；
指标消费，数据出口不统一，重复输出，输出口径不一致；
产品视角:
缺乏系统产品化支持从生产到消费数据流没有系统产品层面打通；
2、指标管理实现的目标：
技术目标：
统一指标和维度管理，指标命名、计算口径、统计来源唯一， 维度定义规范、维度值一致
业务目标：
统一数据出口、场景化覆盖
产品目标：
指标体系管理工具产品化落地；指标体系内容产品化落地支持决策、分析、运营例如智能运营分析产品等。
3、指标体系框架：
从上之下不同颜色部分依次为：业务流程、指标规范定义、数仓模型设计
4、指标框架名词解释：
业务流程：
业务板块定义原则：业务逻辑层面进行抽象、物理组织架构层面进行细分，可根据实际业务情况进行层级分拆细化，层级分级建议进行最多进行三级分拆，一级细分可公司层面统一规范确定，二级及后续拆分可根据业务线实际业务进行拆分。例如逻辑层面的报名业务，物理层级可继续细分。
数据域：
指面向业务分析，将业务过程或者维度进行抽象的集合。为了保障整个体系的生命力，数据域是需要抽象提炼，并且长期维护更新的，变动需执行变更流程。
业务过程：
指公司的业务活动事件，如曝光、报名都是业务过程。其中，业务过程不可拆分。
修饰类型/维度：
修饰类型/维度是度量的环境，用来反映业务的一类属性，这类属性的集合构成一个维度，也可以称为实体对象，是一类具有相同性质对象的抽象概括，如端口维度，渠道维度,城市维度，时间维度等。
度量/原子指标:
原子指标/度量，基于某一业务事件行为下的度量，是业务定义中不可再拆分的指标，具有明确业务含义的名称，如曝光、点击、报名等。
修饰词/维度属性:
修饰词/维度属性属于一个维度，如端口维度里面的安卓端口、支付宝小程序端口，时间维度里一段时间周期或时间点。
指标按组成性质分类：
原子指标:
基于某一业务事件行为下的度量，是业务定义中不可再拆分的指标，具有明确业务含义的名称，如曝光数、报名收入
派生指标:
原子指标+多个修饰词（可选）+时间周期，是原子指标业务统计范围的圈定。派生指标又分以下二种类型：
事务型指标：
是指对业务过程进行衡量的指标。例如，曝光量、报名量，这类指标需要维护原子指标以及修饰词，在此基础上创建派生指标。
存量型指标：
是指对实体对象（如用户）某些状态的统计，例如注册用户总数、注册商户总数，这类指标需要维护原子指标以及修饰词，在此基础上创建派生指标，对应的时间周期一般为“历史截止当前某个时间”。
衍生指标:
是在事务性指标和存量型指标的基础上复合成的。主要有比率型、比例型、统计型均值。
指标按照行为因果关系分类：
结果型指标：
用户衡量用户发生了某个动作后所产生的结果，通常是延后知道的，很难进行干预。结果型指标更多的监控数据的异常波动，或者监控某个场景下用户需求是否被满足。常见的：报名数，收入金额等。
过程型指标：
用户在完成某个动作的时候所产出的指标，可以同伙某些运营策略来影响该过程的指标，从而影响最终的结果，过程型指标更加关注用户的需求为什么被满足或者没被满足。常见的：曝光数，点击数等。
指标按照等级关系分类：
主要是指标内容纵向的思考。根据企业的战略目标、决策和业务执行过程进行自上而下的指标分级。对指标进行层层剖析。主要分为三级：T1，T2，T3。
- T1指标：公司级的战略层面指标
- T2指标：业务决策层面指标
- T3指标：业务执行层面指标
公司中 T1指标：报名量 。拆解为对应T2指标：首页到详情页转化率。拆解为对应T3指标：曝光次数，点击次数，收藏次数等。
明细事实表：
里面存储的是度量与维度属性事实事务记录，如兼职报名中包含报名产生的费用、带来的收入等，用户性别、年龄、身份，岗位城市、类目等维度属性。
汇总事实表：
里面存储的是以维度属性聚合的度量值，如按城市的报名数、按端口、渠道报名数等。
属性维度表：
里面存储的是静态维度属性，如城市维度里的杭州、北京、上海等，端口维度属性里的安卓端口、支付宝端口等。
5、指标名称命名规则：
原子指标：归属信息 + 基本信息 + 业务场景信息 + 状态信息
派生指标：时间周期 + 修饰词集合 + 原子指标 + 状态信息
修饰类型主要包含类型说明、统计算法说明、具体修饰词、数据源(可选)
6、指标产品落地：
支撑指标管理规范从方法到落地的工具，自动生成规范指标，解决指标名称混乱、指标不唯一的问题，消除数据的二义性
统一对外提供标准的指标口径和元数据信息
