指标平台概念
指标平台是供组织集中管理、存储关键指标的平台，给予统一业务模型、指标管理、指标加工、数据服务于一体的完整的解决方案。它是一种集中组织数据的方式，以可重复的方式访问关键指标用可以使用多种应用在下游消费这些指标
中台即连接后台与前台的“中间层”，根据前台的需求去后端找数据，并加工成”数据服务 API”，供前端所有系统来使用。指标平台作为数据中台的特性有:一致性、访问性和复用性。作为数据架构的部分，指标平台作为一个标准化的单一可信源，开始受到重视，有了指标平台，您可以:
以各个类型的指标为对象，集中管理和消费数据仓库中的数据建立标准，确保企业指标背后的数据是准确和一致的。不论用户使用的是什么工具，给予对准确数据的访问，方便人们在分析数据时看到一致的结果.

指标建设的现状
指标能够直接反映企业的生产运营状况，从而为企业决策给予数据支撑。一方面随着国家大数据战略实施与企业数字化转型的驱动，指标的重要作用日益凸显，另一方面指标管理上的诸多痛点使得全企业实施统一的指标管理成为必然要求。但要想把指标管理好并不容易，不仅需要科学合理的方法论，还需要有效的技术支撑
指标作为一种业务元数据，与企业元数据有着千丝万缕的联系，所以可以把指标管理当做元数据管理的一个应用。那么，如何管理指标?如何顺利获得分解业务实现指标的管理?为分析决这些问题，我们先从企业现在指标管理的痛点谈起。

痛点 1: 数据孤岛/数据烟
由于企业业务开展的历史原因，企业内部信息系统的建设多为烟肉式建设。各部门按照部门内的票要主导了不同信息系统的建设，而没有从全局视角考虑如何整合各人系统。烟囱式的系统建设，数据口径的不一致会导致决策者无法从统一视角去分析企业经营的状况，在企业整理经营汇报时，会出现不同务部门对业务经营现状得出完全不同的调整建议的问题。

痛点 2: 指标口径、标准不统一
数据口径是指统计数据所采用的标准，即进行数据的相关工作所依照的指标体系。数据口径包括采集方式、统计范围等指标。在企业内各部门、各渠道的业务员，会根据自己业务范围内的指标进行命名，这样就会造成口径不一致的情况。指标口径不统一就会导致一个简单的业务问题在不同团队那里会得到不同的汇报数字。更糟糕的是，没有人知道究竟哪个数字是对的。例如下面图例里面的销售额计算结果不一致。

痛点 3: 指标体系不完整
建立完整的指标体系在企业中尤为重要。如果没有指标，我们能够知道的信息就会变得很少，亦或是获取信息的 成本会变得很高。如果只有指标，而没有体系，我们能够知道的信息就会变得很窄亦或是获取的信息就会变得 很乱。进而，体系的缺位会导致组织的“数据指南针"失效。越是在大型组织当中，指标体系越为重要，因为决策者离一线业务较远，公司的业务虚拟属性越强，指标体系越为重要，因为公司与客户的距离较远。简而言之，建立指标体系的目的就在于获取全局性的、有体系性的信息，进而顺利获得这些信息去驱动业务的开展，达成组织目标，这就是指标体系之所以如此重要的原因

痛点 4:指标问题难追湖
指标计算结果出错了，问题出在哪里，是计算过程的问题还是因其他指标出错导致的连环出错，还是说数据在录入的时候就出错了? 是谁的责任?
指标大多都是经过多种计算得到的，有些指标需要经过很长的加工过程才能得出。如果无法追溯指标的加工过程就难以知晓指标所用的数据来目哪里，且无法快速找出指标出错的原因和对应的责任部门，使得指标的一致性、完整性和准确性得不到保证。
另外出现问题时部门之间互相推诿的情况时有发生，导致指标问题难以得到解决。

痛点 5:数据治理难
企业不仅需要管理数据的系统，更需要一个完整的规则系统以及规章流程。数据治理基本上涵盖了企业所有与数据有关的内容，因此在整个企业范围内，包括工作流程、涉及人员和使用的技术等等，都需要经过仔细考量，以保证数据的可用性、一致性、完整性、合规性和安全性，确保在整个数据生命周期中，都具有较高的数据质量。

痛点6:指标计算重复，分析效率低
指标平台旨在管理企业的海量指标，以及指标的各类衍生和复杂计算，这就涉及到指标成倍的存储和计算。随着数据量产生速度越来越快，传统平台存储与计算能力遇到瓶颈，查询耗时较长，无法快速响应。虽然指标平台前期建设也需要一些指标的计算设计，但是后期指标平台可以顺利获得派生.复合，减少二次创造指标的重复劳动问题和资源浪费问题
将指标物化在数据仓库层是现在来说常用的一个解法，数据仓库支持将指标定义在视图(View)中，然后让其他工具去查询视图。不少企业现在就是在使用视图来解决分析指标的计算和查询问题。使用视图的问题是仅能针对一些查询需求进行物化，在各类查询需求繁多的时候，数据工程团队需要准备大量的视图，开发成本极高，数据管道复杂不说，还很容易出错
当上游的数据出现问题的时候，下游系统很难知道，就无法及时同步修复，这会导致数据的消费者如数据科学家，工程师需要花费大量时间来 debug 数据不一致问题，这使得他们的工作效率非常低

痛点 7:分析平台特性不足以支撑决策
在目助式分析逐渐普及的趋势下，传统数据平台不能够支持灵活的高并发的分析方式，自助式体验不好。比如有时候决策者想要下钻分析到局部，但是系统却不能响应即席分析。此外，数据查询以后进行的聚合计算会导致数据取得缓慢，这样决策的效率就会受到影响而延后。灵活性、可扩展性、实时性、高并发性等特性逐渐成为了分析平台必不可少的需求