健康的产品线是基于闭环产品体系设计的，简单来讲就是将产品研发与市场反馈相关联。
在健康体系前提下，一般公司由于历史问题会存在多个数据聚合单元，根本原因是底层数据没有打通，这种模式适应单一产品线、但现阶段企业一般全是多元化发展，局部数据有时并不足以支撑战略级的决策。所以数据中台的数据收集应该是如下框架：
数据中台的建设同业务中台建设一样，都要遵循需求分析、建模、实现这样的过程，他们是两个平行的平台。中台的建设一般按下面的思维来进行：
- 战略目标：数据中台建设的目标，是掌控还是挖掘
- 阶段目标：执行战略目标所必要的核心功能
- 执行战术：开发以及与业务方接入
一、战略目标制定
数据中台的成败在于数据指标范围选择的好坏，只有指标有参考价值才能闭环产品设计。一般会按照：通用指标-->识别核心业务-->制定核心业务指标（指标）-->组合得到完整数据点列表（事件）。指标制定时要避免，战略指标无非就是参考产品成熟段的三个阶段来制定：拉新、留存、变现之一；
- 指标过细：基于核心业务分析
- 指标过粗：基于核心业务分析
在设计指标时要基于业务核心，业务核心也可以理解为企业与用户博弈的关键点 ，电商的博弈点无非有三：1、注意力，比如占用用户时间；2、交易量；3、用户创造力或内容贡献度。然后识别出关键功能，这个功能就是数据埋点的位置。指标一般来讲就是业内通用指标，这一步只不过是做了一次筛选。这个过程也要进行抽象和结构化，以电商为例，其核心指标一般就是：
二、阶段目标制定
阶段1-不对外开放，不支持业务接入
考核指标一般分为经过简单计算的统计数据以及基于事件的复杂指标：数据事件是用统计数据按一定顺序组合后形成的动态指标，比如用户注册转化事件=登录界面点击次数+注册信息填写完成率+最后按钮提交这三个流程组成的。这个分析一般可以采用以下数据分析思维：
指标体系框架
这类指标一般来讲是不经过大量计算只是简单统计的静态数据。在制定时要分视角建立。指标的制定要反映出两点：产品是否质量有问题+运营成本。
面对角色 | 用处 | 关键作用 | 举例 | |
层级1：战略指标 | 高层 | 一般是行业内通用，可在行业内不同公司直接对比的指标，制定时不宜过多。用于指标公司目标，衡量公司的好坏 | 战略达成 | GMV、总利润、注册用户数 |
层级2：战术指标 | 业务线 | 战略目标的分解，用于衡量各不同职能业务线的好坏 | 业务进展 | GMV可拆解为支付订单总量+未支付订单总量、总交易金额 |
层级3：行动指标 | 一线 | 战术指标的分解，用于查找问题症结，并指导一线产品有针 对性的做产品优化 | 发现问题 | 支付后取消订单量、订单付款转化率 |
指标体系细化
可以按业务目标、实现业务目标的核心功能、业务度量这个思路来制定，比如下表。另外还应该考虑其它维度：设备终端、用户渠道、订单类型、品类、应用版本等。指标细化后还要倒推以验证是否符合业务设定。
业务目标 | 寻找并购买商品 | 从整个流程中拆解出来抽象或是最终功能的业务目标。 |
核心功能 | 商品类目浏览、详情、支付购买、物流等 | 基于业务目标识别出的黄金流程，随着业务目标变化而变化 |
指标1：过程类 | 商品浏览数量、订单触发率 | 衡量过程好坏 |
指标2：结果类 | 订单支付率 | 衡量结果 |
阶段2-对外开放，支持业务接入方
上面是一个数据平台的设计，此阶段才是一个数据中台的概念。每有新业务线接入时最好按下面流程来。
- 指标体系：各业务线指标、指标数据源；
- 指标层级：指标间是否存在包含、依赖关系；
- 指标质量：口径统一、业务统计完整程度；
- 数据源：内部直接数据、内部非直接数据（如POS机）、外部数据（三方系统）
- 统一口径、标准化：指标+修饰语，指标可分为原子、派生两类、衍生三类，修饰语其实就是公式翻译。这里的原子指标用于统一标准、后面两类指标用于解决个性化问题。直白点就是真正可用的指标全是由字典库中的元素拉成的，比如A业务类的订单成交量=订单量（原子）+本周（修饰语）+某业务线（修饰语）（修饰语）+支付完成（修饰语）。
- 统一口径、数据识别：数据身份统一，同一同户（元素）在不同业务线中的识别方式需要适配统一以便数据共享，否则没法共享数据；
三、执行战术指标落地
执行落地的设计一定要基于以下数据分析思维来制定，这个思维可从三方面来描述当前产品状态：当前产品是什么？怎么了？怎么做？。数据分析思维：1、产品态势：宏观上了解公司产品在市场上的情况，可简单理解生命周期的三个阶段（是什么）；2、强弱势分析：定位问题模块（怎么了）；3、个性化用户态势识别：通用改进或精细化运营，分析用户特点（怎么做），本节其实是对指标细化的过程。一般出现问题时可用漏斗（基于流程）或杜邦模型（指标拆分）来分析；
1、产品生命周期分析--产品态势分析
下面的阶段可以基于用户流量来分析
- 萌芽期：刚上市，MVP功能，用户量少，基本没有市场反馈；
- 成长期：有了市场认知，核心功能完成、用户逐渐增加（一般由运营和推广活动导致），并有了市场反馈；
- 成熟期：占有稳定的市场份额，功能基本完成，打磨细节、用户稳定，细分市场反馈；
2、活动单元分析--产品问题分析
可以和产品态势匹配上，制定关键指标以帮助当前产品快速进入下一个阶段。在任何一个阶段都可以通过科学方法来从多维度来分析数据，并不一定非要花钱买流量，比如萌芽期很少有活动，就可以通过自然量来识别渠道的好坏。
- 萌芽期：拉新，此阶段可以注重产品质量和渠道RIO，为成长期的大指推广收集数据；有时渠道不行可能是由于产品质量问题；
- 成长期：用户黏性，行业内次日留存、7日留存、30日留存，一般比例为当日拉新流量的25~40%， 12.5~20%，6.25~10%。如果过低可以判断产品有问题；
- 成熟期：精细化运营，可采用事件拆分和漏斗来检测；
3、用户态势分析--用户画像分析
其实就是精细化的用户画像，大体分为静态数据和习惯数据。经过上述分析，数据中台的指标体系大概产出如下表：
步骤 | 分析过程 | 结论 | 详细指标 |
产品态势 | 新用户大于流失用户数 | 成长期 | 日活、周活、月活 |
产品问题 | 渠道分析 | 渠道细分 | 渠道评价 |
用户留存分析 | 提高留存率 | 留存率 | |
用户态势 | 用户画像 | 高学历的年轻团队 | 用户画像详细分析、用户习惯画像 |
4、指标分析模型
这两个模型可做为工具固化到中台系统中
漏斗模型-定位问题
基于主流程，顶部为开始，底部为目标。比如分析从用户进入网站到最终成单。有了数据后可做：1、纵向对比与历史数据做对比；2、横向对比即合流程与竞品做对比；3、来源对比，这个就是多维度了。所以漏斗模型本质上就是分类和分量量化，定位问题。遵循以下两点：
- 基于主流程；
- 在多维度基础上横纵对比；
杜邦模型-分析问题
当核心指标发生变动后，将抽象的指标进行分解，将大指标拆分成多个底层应用可直接触达的动作，从而定位问题原因。每个指标都可以由核心指标、子指标指标、孙代指标这样一棵树组成，这里需要注意，如果问题不清可以单独分析某个子指标，此时这个子指标就成了关键指标。通用模型如下，一般来讲现在指标过多，要经过多次分析才能触达到APP动作：
