# 指标体系

很多数据团队一听语义层，就想到老 BI、指标平台和数据治理文档。但 Power BI、Databricks、MIT 和 Lyft 最近都在重新谈 semantic layer。对数据分析师和数据工程师来说，真正的问题是：怎么从 20 个高频业务问题开始，把指标、维度、权限、质量和拒答规则写成 AI 能调用的数据说明书？

数据治理不是让全公司补字段表，而是从真实业务争议里建立可维护机制。本文用一次转化率和销售额口径冲突，拆解数据分析师、数据开发和业务负责人如何沉淀指标定义、责任分工、变更记录、下游影响和通知流程，把治理做成业务会继续使用、后续能持续维护的方法。

很多数据治理、数据资产和指标体系项目启动时声势很大，最后却变成填字段、补责任人和催模板。问题通常不在数据团队不努力，而在项目没有绑定销售复盘、经营分析、AI 问数等真实决策场景。本文给数据分析师和数据开发一套判断方法：先问谁会使用结果、表格进入哪个流程、30 天后能减少什么返工。

业务部门提出 AI 问数需求时，数据开发不要急着接库和写接口。先画清数据流向图、指标口径图和权限责任图，才能判断这个需求能不能上线、哪里会出错、哪些问题不能交给模型背锅。本文给出三张图的画法、评审问题和上线前检查清单。

很多 BI 看板上线后没人打开，不是因为图表不够多，而是没有围绕决策场景设计。本文从业务会议、指标层级、默认路径和行动闭环出发，解释如何让数据看板真正被使用。

面向初级至中级电商数据分析师的高频面试题库，覆盖GMV异常分析、用户留存归因、商品转化SQL实现等6大类问题；含双11GMV下降15%真实场景拆解、UV/PV/复购率等23个核心指标应用，适配淘宝、京东、拼多多等平台业务逻辑。

面向互联网行业数据分析师、数据科学家、商业分析岗的面试真题库，覆盖用户留存下降分析、A/B实验设计、指标体系搭建等高频考点，含SQL代码示例与结构化回答框架，适用于字节、腾讯、阿里等大厂面试准备。

市场经理、产品经理、财务经理在电商场景中常因指标不统一导致决策分歧：获客成本涨25%、留存率无提升、利润率下降。本文提供SMART原则、三层指标分层（战略/战术/操作）及平衡方法，帮助数据分析师和业务负责人快速搭建可诊断、可归因的指标体系。