看一下究竟什么样的指标体系是一个好的数据指标体系。
大家在做一些数据分析的时候，我们都会看到列出来的一些标准：数据指标必须是准确的，是能够周期性统计，当然这只是一方面，另外一方面就是业务层面是有价值，可衡量业务真实情况，并且还要简单可执行。
从技术层面来看，一个好的指标，统一具备四个特点：容易收集快速衡量；准确度高；可被多维度分解；单一数据源。就像我们经常使用的衡量APP产品启动人数，使用UUID或者是COOKIE往往比使用IP更加准确。
但很多时候，因为技术或者是业务自身的原因，我们往往很难找到很完美的指标。那么这个时候我们最重要的就是统一口径进行分析，更多地观察数据的波动情况。
我们可以从下面几个方面去评价指标体系的好坏，其实主要还是分为两大类，一是真实贴合业务，可以反映业务；二是可以快速定位问题，提供解决方案
（1）系统性
能够发现局部与整体的关系及问题定位，当数据发生异动时，通过指标体系的逻辑拆解，能迅速定位到大致的异动模块及原因
（2）全面性
能满足不同数据使用方的日常需求，对产品经营及发展情况有整体了解；
（3）认知统一
指标体系服务于不同角色群体，简单科学可解释，符合大众认知，大家都共同认可。
（4）真实性
指标体系要能反映产品真实情况，杜绝华而不实的虚荣指标；
据指标是为了让公司，业务，或者项目的成员围绕着一个可量化的目标展开一系列的工作的。如果数据指标没有贴合业务核心目标的话，那么给公司，业务或者项目带来的会是巨大的损失。
（5）可迭代
指标体系随不同生命周期阶段而改变，指标体系要在发展中保持迭代
（6）可操作
如果能从时间纵向对比、或者从其他维度比如用户群体、产品、地域等不同角度进行横向比较，可以更好地观察业务的发展趋势，定位问题，找到原因，以及改善业务中需要改善的环节。
- KPI达标率：如果你的核心指标是KPI指标，那就直接根据KPI达标率来判断即可。这个应该是最常见的一种方式。
- 竞品对标：如果你能从靠谱渠道搜集到竞品相关数据，那以竞品为参照物进行判断。
- 环比对比：查看环比数据，如果业务走势呈明显周期性，选择一个历史数据较为不错的数据进行对比。
- 同比对比：查看同比数据，预估每个周期增长多少个百分点，与上一周期数据进行对比，看是否达标。
在中间过程如果任何一个指标出现了问题，第一是能够提前判定这个业务的健康度是什么样子的，是不是出现问题了。第二个好处在于这些中间过程的指标可以拆分到负责的团队里边，定位到负责人。业务上面如果出现问题的话，可以第一时间负责人，之后进行下一步的优化措施的拆解。
GMV我们拆分到IPV乘以付费转化效率再乘以相对应的APPU（人均付费值），这个是行业内非常常见的一个拆解方式，从用户的角度去进行拆分，那这种情况下的IPV就有由对应的搜索团队或者是推荐团队负责，他需要去优化整个页面的一个规模或者说到访用户的规模，付费转化效率由产品团队负责，去进行相对应的一些产品优化，减少摩擦点，能够提升我们付费转化效率；APPU值这一块更多的是由运营的团队去负责，因为运营团队需要去做一些活动，或者是通过一些优惠券的方式能够促进用户买了再买，购了再购。
