在前几期的文章中，我们向大家介绍了数果智能在数据类项目中坚持“共创数智赋能新生态”的理念和实施之道。

本期数果学堂，我们希望深入企业指标数据梳理和模型搭建这个应用场景，具体介绍一下在数据类项目中，企业指标数据的需求整理方法与工具。

指标数据的收集与整理

在过去的数据类项目实施中，数果智能的团队通常以挖掘数据价值为目标，帮助客户实现业务场景转化。

因此，在实施数据类项目时，首要任务是前往客户现场，自上而下从管理型组织向生产型组织过渡，逐个了解客户的数据需求来源。

这些需求来源通常按照组织管理由全局到局部的细分方法，逐层、依次拆解，它们往往包括以下五类业务素材。

01 企业经营汇报材料

企业在月度、季度、半年度和年度经营分析会议召开前，通常会由各单位和各部门整理汇总一份经营分析报告。这份报告涉及企业业务、财务、专业部门的重点关注工作指标，企业KPI考核指标以及个性化事件分析数据。这些数据往往是企业决策层最关注的内容，也是能够全面展示企业关注的数据问题的重要窗口。

通过这份报告，数果智能的项目团队可以快速获取到企业经营分析的关键指标和数据源，从而更好地理解企业的运营状况和面临的挑战，为后续帮助客户搭建业务场景指标矩阵分析奠定基础。

02 企业内部绩效考核标准

在中大型企业中，通常会按照部门职能划分，制定各职能部门年度KPI考核指标体系和评分标准，作为内部管理的评价标准进行统一发布。

这些考核标准文件通常包含各职能部门的关键指标体系，是了解职能部门日常工作重点的重要渠道，这些指标可以帮助企业更好地了解部门的绩效表现，从而为决策提供数据支持。

指标体系通常包含主观评价类和客观评价类两类指标，但我们一般只需要提取客观评价类指标体系进行深入分析。

03 职能部门日常分析报表

各职能部门通常会有一套专属的日常工作分析报表，用于内部分析和管理，并且这些报表也是各职能部门决策层领导重点关注的数据内容。

通过这类报表，我们可以细化经营汇报材料中的指标体系，并提取更细粒度的指标元数据，例如分析的维度、数据的粒度等。

04 各基层单位日常报表

基层单位的日常报表代表着企业指标最小的数据粒度，数据分析的精度和维度更加细微和精细。从这些报表中，我们可以提取各类指标数据的最小分析粒度，并且最有利于数据分析师充分发挥想象力，挖掘数据价值。

事实上，数据越往高层传递，细粒度的数据现象往往会被过滤和忽略，而这些最小粒度的数据才是能够充分体现数据工程能力和价值的最佳结合点。

因此，我们需要充分利用这些基层单位的日常报表来获取最准确和详细的数据信息，以便更好地支持后续的指标矩阵模型搭建。

05 专业部门专题分析材料

专业部门的专题分析材料代表着各职能部门在本专业领域内日常使用的专业分析方法和思路，是不可多得的专家型数据分析模型。这些模型是帮助数据分析师由“人工”+“智能”时代转向“人工智能”时代的重要模型原型。

我们可以通过借鉴和学习专家人工分析模型的思路，将分析过程转换为指标、参数和算法的大数据分析模型，进一步为发挥数据价值提供可落地的理论和实际支持。

这些专业部门的分析材料可以帮助数据分析师更好地理解和应用专业领域内的数据分析方法和技术，从而更好地完成数据分析任务，为企业指标数据分析模型的搭建提供帮助。

指标数据分析与模型搭建

经过上述需求的采集和整理后，数据分析师会掌握一大堆原始素材，需要将这些素材进行整理并转化为所需的指标模型，在实践中，企业指标数据梳理通常需要一系列工具和方法的支持。

例如，可以使用Excel等电子表格工具来收集和整理数据，使用数据可视化工具来将数据呈现为易于理解和解释的图表和图形。

下表是我们内部项目使用的一个常见指标模型的整理和搭建工具。

图：某项目指标矩阵示意图

通过对上述表格的解析，我们可以发现指标模型的矩阵表格往往包含以下内容：

需求：描述指标的统计需求来源。

指标名称：按照主数据命名规范定义指标名称。

业务口径：从业务角度描述指标的业务含义，统计口径，统计依据。

主要关联指标：指标主要关联的计算依赖。

页面展示主要维度：从页面开发角度，指标需要展示的分析维度信息。

时间维度：通常指标使用的时间粒度，例如日、月、周、年等。

技术口径：使用伪SQL的方式，描述指标的统计逻辑，过滤条件等。

版本：指标定义的版本信息。

类型（仅参考）：描述指标的数据类型，精度要求等。

数据来源：描述指标的数据表来源。

使用对象：描述指标数据的应用场景。

通常情况下，指标矩阵的制作需要数据分析师和数据开发工程师共同完成。

因此，我们在表格中分别标注了蓝色和绿色部分，蓝色部分由数据分析师从业务视角填写，数据开发工程师则是从技术视角，根据蓝色部分的要求进行数据探查后填写。

这种有效的分工可以明确各自的工作内容，形成高效的数据整理流水线作业。

数据分析师：从业务角度出发，理解业务需求和指标定义，同时将数据转换为对业务有意义的指标。

数据开发工程师：利用技术手段，从数据源中提取和整理指标所需的数据，并将其转化为可供分析和可视化的数据格式。

这样的协作方式可以确保指标矩阵的准确性和可靠性！

总结

企业数据指标的整理和模型的搭建是一项复杂、细致的工作，需要每位数据分析师耐心地搜集、精心地整理，才能更好地发掘数据项目的价值场景，并尽快开展项目的后续工作内容。

数果智能团队在数据类项目实施方面拥有丰富的经验，结合公司自研的数据产品工具，能够高效完成前期的指标数据搜集、整理和分析工作，助力企业成功落地数据类项目。

希望本期数果学堂的知识对您有所帮助。想要了解更多信息，欢迎访问数果智能官网！