首先，指标体系需要分两个方面来讲：一种原因是指标，指标是对业务单元进行细分后的度量值，用于对业务进行描述、度量和拆解，是对业务量化的过程，以评价业务的好与坏；

  另一方面是体系，由不同的维度组成。光有指标是不够的，还一定要通过不同角度（维度）去思考业务，不同的维度最终构成了一个体系。

  所以，构建指标体系最核心的就是要构建一套合适的指标，以及它应该有哪些维度来让我们做好业务。

  业务视角：业务上主要面临两个问题，一是数据出口多，指标不统一，需要反复确认业务口径和反复核对数据；二是系统多、平台多，各种各样的系统中存放了各自割裂的数据。

  技术视角：技术上主要面临三个问题，一是指标定义和命名混乱，不同的技术人员和业务部门的理解和定义的指标不一致；二是指标生产，因为系统多，不同的团队都在建设自己的指标，导致指标重复建设、混乱；三是指标消费，指标出口不统一，输出口径不一致。

  产品视角：目前没有一个产品能把整个数据流，从业务系统到数据仓开发、到指标管理、到BI 可视化展示全链路可见和管理。

  OSM 模型全称为 Object-Strategy-Measure 模型，包含业务目标、业务策略、业务度量。OSM 模型的核心思路是第一步是要确认业务目标（O），以及北极星指标，基于明确的业务目标和北极星指标进行向下拆解；为了达到业务目标，制定相应的业务策略（S）；制定了业务策略要进一步的跟进执行进度和评价执行效果，即业务度量（M）。

  以小米关注的库存周转效率指标为例，库存周转效率越高，意味着业务成本越低，每年可以为公司节省上亿成本。基于以上业务目标，制定了 2 个业务策略，一是要把老品尽快清除库存，减少资金占用；二是满足手机销售情况下，尽可能降低库存数量。基于以上业务策略，设置了 2 个指标度量，一是货龄保持在 X 天以下，二是 DOS 低于 X 天。

  MECE 分析法是 Mutually Exclusive Collectively Exhaustive 的首字母缩写词，中文意思是“相互独立、完全穷尽”，即所谓的无重复、无遗漏”。MECE 法则是金字塔原理里面一个经典模型，它的核心是“相互独立、完全穷尽”，大多数都用在如何划分业务领域，以及确定应该关注哪些维度。

  “相互独立”意味问题的细分需要在同一个维度上，并有明确的区分、不可重复；

  二分法：二分法在日常生活中很常见，实际上的意思就是把事物分成 A 和非 A 两个部分，如“白天、黑夜”、“男人、女人”、“国内、国外”、“内部、外部”等；

  流程法：按照事情发展的时间、流程、程序，对过程进行逐一的拆解，例如，小米销售业务涉及五个环节仓储、销售、物流、售后、客服；

  要素法：大多数都用在事物由哪些要素（或部分）组成，把一个整体分成不同的构成部分。但是，在拆解要素时要保持维度的一致性，否则有可能出现有重叠和遗漏的问题，比如某图书馆可以按楼层这个维度来划分：一楼、二楼、三楼；

  公式法：按照公式设计的要素进行分类，公式若成立，那么要素的分类就符合MECE 原则。比如 GMV=客流量X客单价；

  矩阵法：把事物按二维矩阵进行分类或划分，例如说时间管理中常用的紧急且重要、紧急不重要、不紧急但重要、不紧急也不重要的分类方法就是典型的矩阵法。

  小米主要参考 OSM 模型和 MECE 原则，沉淀了集团数仓，并进一步形成了小米指标体系。

  小米指标体系的建设过程，最重要的包含模型设计、数仓建设、指标管理以及数据应用。

  模型设计：根据 MECE 原则划分数据域，采用维度建模方法构建核心模型；

  小米基于 MECE 原则，将核心业务进行了划分，包括研、产、供、销、服、用。业务线确定后，根据一些规范确定原子指标，再基于一些描述（比如时间、渠道等）来产生派生指标。指标确定后，再采用层级建模的方法构建数仓，最终实现模型设计的落地。

  高内聚和低耦合：包括业务特性和访问特性。业务特性：将业务相近或相关的数据设计为一个逻辑或者物理模型；访问特性：将高概率同时访问和低概率同时访问的数据分开存储；

  核心模型与扩展模型分离：建立核心模型与扩展模型体系。核心模型应包含被多个业务高频访问的字段；扩展模型应包括个性化或少量业务访问的字段；

  公共处理逻辑下沉及单一：底层公用的处理逻辑应在底层进行封装与实现，避免暴露给应用层；同一个公共逻辑避免在多处同时存在；

  成本与性能平衡：适当的数据冗余可换取查询和刷新性能，不宜过度冗余与数据复制；

  基于设计好的模型，小米搭建了集团数仓。首先按照统一的规范和标准做管理，集团关心的数据沉淀为集团公共数据资产，单一业务关心的数据由业务自行建仓；其次所有核心数据由集团统一管理，纳入集团数仓；最后集团关心的核心指标统一由集团数仓产生，由平台部门负责维护，以保证数据的客观和准确，做到数出一孔。

  数仓建好后，怎么给业务使用呢？小米将数据汇聚到数据湖中，并构建了语义模型，对数据湖中数据表进行解释，转化为业务能够理解的大宽表。基于此小米构建了“数据百科”产品，系统化的定义了指标和维度、指标描述、服务于哪些业务以及负责维护人等。同时“数据百科”与“小米办公”进行了打通，业务人能随时查看高亮显示的指标，并自助式生成所需的 BI 看板，也可以分享给他人。

  想把指标做好，最难的不是技术，而是业务。如何让业务都用同一个指标，对集团指标认可呢？小米集团设置了集团考核指标，通过集团数仓将所有考核指标做到线上化，并牵引各个业务部门使用，业务产生的任何指标都必须和集团考核指标对齐。

  小米构建了指标体系后，业务能够最终靠看板、数据表及数据地图直接搜索找到对应的指标，查看到哪些是集团级指标、哪些是业务级指标，以及指标的定义、口径、描述等，并能通过数据血缘看到从业务系统到数仓加工的全链路过程。业务找到指标后通过点击可以马上搭建 BI 看板，以及做数据探索应用。

  小米目前数据开发(数据工场)-指标管理(数据百科)-数据分析 (数鲸 BI) 全链路已经打通，通过数据血缘加工链路全链路可见；

  指标体系建设方法论和工具已经在小米内部进行推广使用，覆盖公司核心业务板块、55 个数据域、520 个核心原子指标，方法论和工具会持续迭代实践。