2. 指标定义与口径：业务含义、计算逻辑、数据来源规范

指标不是凭空产生的数字，它必须回答三个核心问题：算的是什么？（业务含义）、怎么算？（计算逻辑）、数据从哪来？（数据来源规范）。这三点构成了指标的定义与口径，是指标体系稳定的基石。

2.1 业务含义：指标的定义描述

业务含义是指标的“身份证”，它规定了指标衡量什么、不衡量什么。一个规范的业务含义应包含以下要素：

• 指标名称：简洁、无歧义，如“活跃用户数”而非“活跃”。
• 定义描述：明确指标涵盖的范围和边界，如“过去30天内至少登录1次的用户”。
• 限定条件：排除项、特殊场景处理规则。
• 统计对象：是对“人”统计还是对“事件”统计，还是对“金额”统计。

2.2 计算逻辑：公式与聚合规则

计算逻辑是业务含义的数学表达。它必须精确到粒度、聚合方式、时间窗口三个维度。

2.3 数据来源规范：字段与表

数据来源规范确保指标可复现、可追溯。它至少包含：

• 源表名：事实表、维度表、中间表。
• 字段名：计算所用的原始字段。
• 过滤条件：剔除无效数据、测试数据、异常数据。
• 数据刷新频率：T+1、实时、小时级。

-- 以“日活跃用户数(DAU)”为例的数据来源规范定义
源表：ods.user_login_log
字段：user_id, login_time
过滤：login_date = ‘2025-04-01’ AND user_id NOT IN (test_users)
聚合逻辑：SELECT COUNT(DISTINCT user_id) FROM source WHERE login_date = ‘2025-04-01’

2.4 实操案例：梳理“有个率”指标口径

假设业务需要设计一个“有个率”指标（某功能页面至少1次展示的比例）。错误的做法是只写一句“用户看到过该功能的占比”，正确的做法如下：

2.5 指标口径的六大要素全景

下面这幅图直观展示了构建一个完整指标口径所需的六大核心要素，以及它们之间的协作关系。

2.6 异常解释：口径不一致导致的“假涨真跌”

最经典的指标异常往往不是数据错了，而是口径变了。例如：

• 问题现象：某月“付费转化率”突然上涨20%，业务方兴奋不已。
• 口径追溯：发现数据团队将分母从“当天下单用户数”改为了“当天所有访问用户数（含未登录）”，分母扩大导致转化率数值上涨。实际上付费用户数没有明显变化。
• 正确动作：记录口径变更日志，并在指标看板上标注“口径调整说明”，新老口径并行展示1周。

2.7 业务动作：口径对齐是数据文化的起点

指标口径的制定过程，就是业务与数据团队的对齐契约。建议每周进行一次“口径晨会”，会议内容：

1. 各业务线提交新指标口径草案。
2. 数据团队评审逻辑与源数据可行性。
3. 确认后存入指标字典系统（如Metabase、自建平台），作为团队共同参考。
4. 任何口径修改必须走审批流程，并抄送全体相关方。

2.8 复盘分析：口径收敛的3个阶段

一套指标体系从初建到成熟，口径会经历以下收敛过程：