语义化与自动化——第三代指标平台两大核心能力详解（内含Q&A）

【作者简介】杜雪芳，Aloudata 合伙人兼首席业务架构师。12 年数据业务从业经验，3 年管理咨询经验。历任阿里集团淘宝商业分析负责人、阿里音乐商业智能中心负责人、蚂蚁集团用户增长分析与洞察产品负责人。在数据体系搭建、数据分析、用户标签建设、用户洞察、用户增长等方面，拥有丰富的数据驱动业务实践经验。

01 指标平台的演进趋势与第三代指标平台的定义

近几年，指标平台这一概念愈发受到关注，去年以来尤甚。究其原因，主要是随着数字化转型深入开展，企业的数据需求发生了变化。由最初的面向高层的数字化管理，转变为现在针对前线业务人员的数智化运营。在这一转型过程中，我们注意到许多企业渴求运用数据进行分析和洞察，借此寻找新的增长空间。在这个阶段，数据分析的灵活性与实时性尤为关键。

另外，所有大型企业都在讨论数据民主化议题。数据民主化的关键在于确保基层业务人员能够充分获取和利用数据，而对于 IT 团队、CIO 和 CDO 来讲，数据的准确性和标准化则构成了数据民主化的坚实基础。缺乏此基石，数据民主化不仅无法实现，甚至可能为企业带来更深层次的问题。在数据民主化的推进过程中，管理层、业务侧以及 IT 侧均面临各自挑战，包括数据烟囱、信息孤岛以及指标定义不一致等问题。我们观察到，面对数据需求的演变，企业通常采取两种响应模式：一种是数仓 ETL 驱动模式，一种是 BI 驱动模式。

所谓 ETL 驱动模式，其核心是由 ETL 工程师负责响应业务需求。在业务部门提出需求后，ETL 工程师会根据这些需求，在数据仓库中开发表模型，并构建各类汇总表及宽表。这种模式的优势在于，如若企业的数据仓库建设得当，大家都按照一定的管理规范开发，便能实现集中化的数据管理与开发。然而，这样的模式也存在一些弊端：

• 开发响应速度迟缓，需要等待 ETL 工程排期；
• 在满足不同业务需求时，不同的 ETL 工程师可能会针对同一指标采用不同加工口径，导致数据结果的不一致；
• 所产出的报表是静态的，难以灵活应对业务需求的变更。

为了应对上述挑战，一些企业转向了 BI 驱动模式。在这种模式下，分析师和业务人员可以自助完成分析，通过BI工具的 ETL 工具或者自定义 SQL，创建大量个性化的数据集。这一做法的优点是反应迅速，无须依赖 IT 排期开发，用户可以独立进行数据处理和分析。然而，此模式同样存在诸多问题：

• 不同数据集的指标口径混乱。由于指标分散在不同的数据集中，缺乏统一规范，导致业务逻辑在多个数据集间缺乏一致性。
• 指标难以复用。特定指标往往仅在某一报表或 BI 工具中存在，这限制了指标在不同 BI 工具或报表之间的共享能力。
• 数据治理成本高，维护难度大。分析师和业务人员仅关注于特定业务场景下的数据处理，从而增加了 IT 团队和数据平台部门在数据治理上的难度及成本。

如何既能满足响应速度又能确保数据有序？构建一个统一的指标平台是最优解。指标平台能够沉淀统一的指标语义，并实现指标的管理与研发一体化。通过这一平台，各个业务团队可以借助统一的指标语言进行交流，从而减少了之前业务团队、分析师团队与 ETL 工程师之间的沟通误解。所谓“车同轨，书同文”，统一的语言有助于消除理解上的偏差。 此外，指标平台也能弥合 IT 部门与业务部门之间的鸿沟。业务化的表达方式简化了沟通过程，业务人员不必再深究数据库表和字段的具体细节，只需理解指标本身即可。因此，指标平台成为平衡指标一致性和分析灵活性的理想选择。我们看到很多企业都希望通过建设指标平台，来达成快速响应与规范性的平衡。在这个过程中，指标平台也经历了三代的演变。

第一代指标平台的核心任务是从传统的 Excel 和文档维护转向指标登记与管理，旨在将线下的 Excel 数据实现系统化、在线化以及信息化。然而，我们发现该代指标平台未能克服研发与管理的割裂问题。指标研发工作依旧在数仓进行，而指标管理平台只负责登记结果。业务用户仍需关注具体的表和字段，且以单一表格、字段的方式进行数据消费。因此，第一代指标平台的问题可概括为管用分离以及管研分离，物理实现与业务含义仍存在断裂，因此无法保证指标口径的统一。

鉴于此，市场上出现了多家独立的指标平台供应商，这些我们称之为第二代指标平台。第二代指标平台实现了在平台上统一管理指标，并确保最终下游业务场景采用指标形式进行消费。由此，指标的管理与使用达到了一体化，相比之前有了显著进步。

然而，不少企业采用第二代指标平台后，在落地过程中遇到了挑战：在真实的企业环境里，许多指标的生成并非仅通过 SUM、COUNT 等简单函数完成，它们可能涉及复杂的计算，或需处理表与表之间的复杂关联。在真实的场景中，第二代指标平台通常仅能覆盖大约 20% 的指标定义与开发建设需求，大多数指标仍然要回到数仓加工，