搭建数据运营指标体系其实是在指定标准，这个过程会比较繁琐，但直接价值也是巨大的。基本上会分为几个步骤：

1、业务逻辑梳理；

每个业务都有自己的业务逻辑，尤其是基于大平台或者某个营销活动类的产品，都是有基础的平台逻辑以及基础的运营模式，例如商业广告平台，万变不离其宗，就是从检索——展示——点击——计费——效果 这样一套，但是也会有一些细小的差别，比如，CPT产品其实是从检索展示直接到计费，在点击上cpt产品只能作为效果环节的刻画，没有扣费点击这类指标，所以业务有一条核心主线，但是每个主题域会有不同细微差别。

举个广告cpc的业务逻辑的例子：

业务逻辑先梳理出来一条主线路，然后在每个主题域上进行细节逻辑的陈述；

2、指标层级划分；

指标层级的划分，我见过两种方式，通常书本里经常会写核心指标（北极星指标）、一级指标、二级指标等等，另一种方式就是按照不同的主题域进行指标的划分，比如这个现金消费、优惠卷金额、折扣卡金额，都属于收入类指标，cvr、ctr指标属于点击转化类指标等等，类似按照业务逻辑的不同阶段进行指标的主题域划分，当然这两种方式可以结合一起。

3、指标口径定义；

指标口径定义主要包含几个方面：1、指标中文名、指标英文名；2、指标释义；3、指标业务含义；4、指标范围（例如，仅某业务线，仅CPC&CPA，仅离线等）；其他的可根据不同的业务，进行增加。例如，我们对可见曝光增加过“指标使用场景”的定义，因为曝光和可见曝光其实都是在刻画展示，但可见曝光其实核心使用在策略算法层面，不作为基础指标进行业务刻画，所以这时候要对这个使用使用范围进行详细说明。举个例子：

4、维度、指标映射关系设计；

指标和维度是有强关联关系的，这个也需要定义，一般来说，我们会有一个最大范围的维度信息，同时对于不同指标，维度也不同，比如，展示频道下，没有检索客户数这个指标。所以维度和指标的映射关系要提前设计好。

开发.......

5、数据逻辑校验；

一般来说，数据到产品或运营处应该已经经过一次技术自检验，主要是针对大数，例如数据存储，数据会不会出现笛卡尔积导致数据查询过慢等技术性校验。拿到产品或运营处，我们的二次校验主要是围绕业务属性的校验，

一般性方法：1、数据上下层校验，我们根据ods层日志数据进行加工建立了dws，再到app层，所以不论是校验app 还是dws层数据，我们都可以下降一层，进行底层数据校验，看看与加工好的数据的差异度在什么范围内；2、数据上下文校验，这个就是纯业务逻辑，举个例子，一般来说展示客户数>点击客户数>效果客户数 ，那如果要验证点击客户数这个指标，我们联系上下文进行漏斗转化分析，如果这个漏斗有倒置的场景，那判定肯定为错；3、拆解维度校验；这个也需要一定的业务常识，举个例子，比如业务一直的认知是：同一个品类下北京的客单价一定是高于三线城市，还有站内的效果成本一定是低于站外，等等这些业务常识性的认知在数据拆解校验的时候会起很大的作用。我们根据已知的业务常识进行拆解并校验样本数据即可。

最后就是交付了，将数据交付到直接使用的业务手中，观测使用数据并建设数据监控；