在当下的企业管理中，由于数据量的激增，管理方式逐渐从基于经验转向基于数据。在此过程中，我们能够通过数据探查业务情况、分析数据，从而获取更优的决策支持数据。这通常通过数据报表或分析平台来实现，对于临时性场景，则会基于日常取数方式进行临时数据分析。

但在此过程中，由于数据源的多样性、数据结果呈现的多样性以及需求提出时间的不一致，导致出现了诸如指标管理不统一、口径不一致、流程不规范等管理问题。例如不同部门核对指标数据时口径和结果不一致，使大家对数据真实性产生质疑，进而影响业务决策。

指标平台的出现，正是为了应对上述挑战，其目标在于统一指标管理，规范数据流程，确保数据决策的有效性与一致性。通过指标平台，企业得以克服指标管理的痛点，实现数据价值的最大化，保障数据准确无误，促进业务发展。

指标平台的业务价值与在数仓中的定位

传统数仓建设的基本架构，从数据源同步、数据清洗、数据聚合、至数据服务化，每个环节都承载着特定功能。数仓从数据源同步至ODS层，再到DWD、DWS和ADS层的数据处理流程。重点在于上层数据（DWS和ADS）对业务决策的影响，它们直接关联着业务决策的依据。

指标平台通过优化上层数据处理，实现指标的标准化管理和数据的统一性，强化了数据决策的质量。在这个过程中，ODS 和 DWD 层数据与业务弱相关，指标需求和取数更多来自 ADS 和 DWS 层，问题也主要出现在这两层，所以指标管理主要解决这两层的问题，确保数据统一规范，方便获取准确结果。

如何通过指标平台实现指标的定义与计算

指标平台集成了数据源管理、数据模型构建、指标定义、审批流程、运维调度、权限控制、数据查询及异常监控等功能，形成了一套完备的指标管理体系。

数据源管理包括维度和事实表管理，在此基础上生成数据模型，进而生成指标，同时涉及指标目录、学员版本管理、原数据管理等管理内容，还包括指标发布下线及审批流程以保证规范。

配置好指标内容后，涉及数据运维中心，通过自研的分布式调度引擎进行周期性或临时的补数据调度，保证及时获取数据结果，并对调度结果进行监控。

数据应用方面包括权限管控、数据查询、结果查看等，还可通过指标市场进行指标查询与管理，通过原数据查询指标，查看热门查询了解指标使用热度。

面向业务层，有自助取数方式，可将关注数据保存生成指标看板，平台能进行异动监测和归因分析，还可通过指标门户、API 方式对接上游应用系统或 BI 平台。在此基础上，可通过 AI 智能分析辅助企业经营决策。

指标开发的整体过程，包括开发和日常运维两部分。首先有一个数据源，基于此进行指标逻辑计算，进行指标任务开发和结果落地，之后是数据结果的周期性调度和日常运维，保证计算任务稳定输出。

重点讲一下指标定义的语义化定义，包括数据源准备、指标模型、指标语义化定义和指标结果落表。数据源分为维度表和事实表，基于此又产生四种表类型。基于数据源生成指标模型，包括维度管理和数据模型，数据模型实际使用中建议采用星型模型。定义好指标模型后，对指标计算口径进行语义化定义，指标分为原子指标、派生指标和复合指标。对于生成的结果涉及表字段生成，包括业务日期、维度、指标、更新周期。

通过语义化定义，平台简化了指标构建过程，包括数据源准备、模型构建、指标定义和结果落表。此外，平台内置的AI智能分析功能进一步提升了数据洞察力，为决策者提供了更多有价值的信息。

《行业指标体系白皮书》下载地址：https://www.dtstack.com/resources/1057?src=szsm

《数栈产品白皮书》下载地址：https://www.dtstack.com/resources/1004?src=szsm

《数据治理行业实践白皮书》下载地址：https://www.dtstack.com/resources/1001?src=szsm

想了解或咨询更多有关大数据产品、行业解决方案、客户案例的朋友，浏览袋鼠云官网：https://www.dtstack.com/?src=szkyzg