好的数据指标体系要做到多维度、多层级全场景覆盖，在建立数据体系之前要梳理整个业务过程。那么，数据梳理的过程要注意什么呢？一起来看一下吧。
一、多维度多层指标框架
好的数据指标体系要做到多维度、多层级全场景覆盖，要覆盖完整的业务生命周期，所以在建立数据体系之前需要梳理整个业务过程。梳理过程中首先要去做业务访谈从而得知指标的归类。
数据梳理的过程要做到不重不漏；不重不漏首先要业务互斥并并覆盖了全部的业务范围。
每一个条件根据不用的业务需要重新拆分形成不同的流程，不同的流程中，也要将其拆分成不同的模块，从而得到业务的完整的全景链路，确保数据指标都能够赋予在业务链路环节中，若发现数据指标并不能被归纳则说明体系梳理有缺失。
1. OSM模型
O：Object(目标)-代表了了公司/业务/产品/项目核心的价值点和以及核心目的是什么，搞清楚业务方向的目标是可以确保后续的指标体系拆解是贴合业务核心价值的，和贴业务核心目的的。
S：Strategy(策略)代表了为了达成上述目标采取的策略和抓手，围绕着核心目标进行拆解出来相对应的业务策略之间是可以相比较的，快速定位问题。
M：Measure(度量)是针对S的抓手用于衡量策略的有效性，通过适合的量化的数值针对策略的有效性进行评估。
2. UJM拆解方法
在业务目标Objective的基础上，使用UJM（User Journey Map）去拆解相对应的这个业务策略（Strategy）。
UJM的逻辑是从业务的核心目标出发，拆解整个业务流程上为用户提供价值点，以及这些价值点触达用户的整体路径。UJM的方法论可以保证：
- 第一：所有业务策略类的拆解不重不漏，所有业务策略相关的触点都会在里面；
- 第二：UJM的拆解可以反向论证整个业务策略是不是真的能够为用户去带来相对应的价值，从而达成最终的业务目标。
二、数据指标体系管理
指标的定义也是需要标准和规范的与底层的数据规范、数据标准是一致的。
需要有业务属性、技术属性和管理属性。
- 业务属性希望能够定位指标的唯一识别编号：指标的名称、指标的含义以及业务口径等等。
- 技术属性需明确指标在系统中的字段名称、数值类型以及指标的计数口径等等。
- 管理属性最重要的是指标的分类与其从属的部门，也就是说这个部门需要对指标进行负责。
当指标出现波动和出入时可以进行核验。数据可视化会分为标准化的管理报表或者是自助式的数据看板，通过拖拉拽的行为形成动态的数据报表。
三、小结
数据指标体系 = O（可量化、可拆解、可执行）S（ULM+who、when、where、what）M（自上而下拆解数据）。
在不同的业务阶段数据层级需确定一个或一组北极星指标。
业务目标在现阶段存在的目的是什么，能够满足用户的什么诉求，帮助用户解决什么问题。在思索这个过程中需要明确业务目标、制定业务策略以及构建业务度量指标形成完整的业务分析流程才能明确业务所处的阶段并通过数据赋能决策行动。
- 树立业务整体目标【业务目标】：可以理解为是业务流中的北极星指标
- 梳理业务目标下的 【业务策略】：为了达成上述目标，相应采取的业务策略有哪些。
- 梳理业务策略中各个 【业务过程】：在业务策略中，提供的产品服务需明确与最终用户使用过程中有哪些相关的流程或是交互触点，形成完整的业务过程数据体系。
- 梳理业务过程对应的【数据域】：面向业务路径和重点观测数据的分析。
需要从业务流向数据流转化的稳定分类。数据域是指将业务过程进行抽象的的英合。
为保障整个体系的生命力．数据域需要抽象提炼，并且长期维护和更新，但不轻易变动。在划分数据域时，既能涵盖当前所有的业务需求，又能在新业务进入时无影响地被包含进已有的数据域中或者扩展新的数据域。
