第2章 业务指标定义与拆解

适用场景

本流程适用于以下场景：

• AI产品从0到1立项，需要将高层业务目标转化为可量化的指标体系。
• 已有AI产品需进行指标迭代或对齐模型输出时，重新定义口径与拆解逻辑。
• 多部门（业务、产品、算法、工程）协作时，统一指标语言，避免口径冲突。
• 为模型训练提供监督信号，或为评估提供业务基准。

前置条件

• 已明确产品的价值主张与核心业务目标（如收入、留存、转化、效率提升等）。
• 可获取至少一个完整周期的业务数据样本（或业务方提供的关键场景数据）。
• 参与人员：业务方代表、产品经理、数据分析师、算法工程师（至少核心角色已确认）。
• 已建立业务术语表（或能通过访谈快速形成初稿）。

操作步骤

本步骤按“目标拆解→结果定标→口径统一→维度粒度确认”线性推进，每一步必须输出对应文档。

1. 业务目标拆解（Goal Breakdown）
   • 使用OKR或KPI树方法，将年度/季度业务目标逐层分解到部门、团队、产品线。
   • 识别AI产品所直接支撑的细分目标节点。
   • 输出：业务目标树（树形结构图或表格）。
2. 关键结果确定（Key Results）
   • 为每个支撑节点定义2~3个可衡量的关键结果（KR）。
   • KR应满足“SMART”原则：S（具体）、M（可衡量）、A（可达成）、R（关联目标）、T（有时间限制）。
   • 示例：若业务目标是“提升内容点击率”，KR可为“首页推荐点击率环比提升5%”。
   • 输出：关键结果清单（含定义、预期值、时间周期）。
3. 指标口径定义（Metric Definition）
   • 为每个KR明确对应的统计口径：分子/分母定义、统计窗口、去重逻辑、异常值处理。
   • 统一写入《指标口径字典》，包含指标名称、公式、业务含义、数据源、计算频率、负责人。
   • 示例口径：CTR = 点击次数 / 曝光次数（仅统计自然曝光，排除人工刷量）。
   • 输出：指标口径字典（字段见下表）。
4. 维度与粒度确认（Dimension & Granularity）
   • 定义指标可下钻的维度：时间（天/周/月）、用户分层（新/老、VIP/普通）、内容类别、渠道等。
   • 明确粒度：是用户级、会话级、事件级？聚合方式（求和、平均、分位数）。
   • 与数仓/数据开发确认数据可落地性，写入《维度与粒度设计文档》。
   • 输出：维度粒度矩阵（见下表示例）。

输入输出物

输入物	提供方	输出物	接收方
业务战略文档 / OKR	业务方 / CEO办公室	业务目标树（树形图）	产品 + 算法
已有数据报表 / 看板	数据团队	关键结果清单	全员
业务术语表 (初稿)	产品经理	指标口径字典	数据开发 + 算法
数据仓库模型文档	数据工程	维度与粒度矩阵	算法 + 数据分析

责任边界

角色	职责	不负责
业务方代表	明确业务目标优先级，确认KR合理性	具体统计口径的计算逻辑
产品经理	组织拆解会，输出业务目标树与关键结果清单	SQL编写、数据抽取
数据分析师	主导口径定义，编写指标口径字典	模型训练、特征工程
算法工程师	反馈口径对模型可支持性，确认维度粒度	业务KPI的制定
数据开发	验证维度粒度可落地，提供数据模型字段说明	指标业务含义的解释

记录材料

• 业务目标树（建议用思维导图工具导出为PNG或PDF）
• 关键结果清单（Excel / Google Sheets，含KR编号、描述、目标值、归属部门）
• 指标口径字典（企业内部Wiki或共享文档，版本化）
• 维度与粒度矩阵（表格形式，包含维度名称、可选值、粒度层级、数据源表）

异常处理

异常场景	处理方式
业务目标模糊，无法拆解	组织1~2次访谈，使用“5Why”根因分析，先聚焦最大价值子目标
KR无法量化	替换为可替代的代理指标（如无法直接测“用户满意度”，则用NPS或差评率）
口径在团队间产生歧义	发起“指标对齐会”，当场在示例数据上计算，直至一致；更新字典并全员邮件确认
维度粒度数据不可得	降级为更粗粒度（如从用户级降为日维），同步推动数据埋点补充
多部门指标口径冲突	由产品总监/数据负责人仲裁，统一纳入企业级指标管理平台

验收标准

• 完整性：所有关键结果均有明确口径、粒度、维度，且口径字典覆盖率100%。
• 可复现：任意一名数据分析师按字典中的公式和维度定义，能在生产环境中跑出相同数值（误差 < 0.1%）。
• 对齐率：业务方、产品、算法三方对每个KR的口径理解无分歧（签字确认）。
• 可落地：维度与粒度矩阵中列出的所有数据源均已上线或已有明确埋点排期。
• 文档化：所有输出物均归档至统一共享空间，版本号清晰。