系統的設計一個指標體系

|0x00 如何理解指標體系

講道理,雖然今天互聯網企業已經足夠的數字化,但看清楚公司的運行情況,依舊是一件很難的事情。看清楚,不僅包括看清楚企業的投入情況,也包括看清楚業務的運行情況。

比如,投入了幾百萬的預算,帶回來多少DAU的增長?這其中每個階段的轉化情況怎么樣?1/7/30天后留存的有多少?本次活動各個渠道的質量如何評估?當下的互聯網企業,很多決策可以說是“無數據不決策”,不論是運營對活動效果的分析,還是高層對商業走勢的判斷,沒有成熟的分析看板,臨時做需求是接不住的。

但本文,要講述的,是數據看板的靈魂部分:指標體系。

什么是指標體系?用一句簡潔的話闡述,就是“對業務有幫助的統計結果”,什么是有幫助?即“描述發生了什么”、“度量發生了多少”以及“拆解發生的原因”,從而為業務提供幫助。

關于指標的分類,個人傾向于兩種分類方式,一種是原子指標,不加任何修飾詞,比如PV、UV、訂單量;一種是派生指標,也叫復合指標,通過四則運算或修飾限定得出,比如平均交易金額、購買轉化率、近N天訂單量。

以下兩個圖是網上講指標最常用的兩個圖,這里供大家參考:


16170024795402.jpg
16170028080971.jpg

指標體系要做的,技術從不同的“維度”梳理業務過程,將零散的、有關聯性的指標,系統化的組織起來,通過數據看板或接口形式,提供給運營、算法等不同的業務方使用。對于使用指標體系的人來說,指標體系能夠把業務體系化的展示出來,提高發現問題、分析問題、解決問題的效率。

|0x01 如何設計指標分析

“指標體系”,代表的是對業務的分析思路。總的而言,大體有三個階段:

  • 圈定業務目標;
  • 建立分析模型;
  • 統計及展示數據。

定義指標體系,首先且最重要的一步,是要與高層的戰略目標達成一致,不能“你說你的規劃、我玩我的數據”。在實際工作中,指標與KPI是強相關的,數據是提高績效的一種利器。

比如今年的電商業務,目標是提高收入,那么平臺的交易量就要上去,指標體系就要圍繞訂單量來展開;比如今年的企業業務,希望能夠獲得更多的潛在客戶,那么如何提高平臺的注冊用戶量,就是指標體系的設計目標……

其次,選擇合適的分析模型,常見的有OSM方法、PLC模型、AARRR等。

OSM是一種如何將大目標拆解到小行動的方法:

  • O:目標——用戶使用產品的目標是什么?產品滿足了用戶的什么需求?
  • S:策略——為了達成上述目標我采取的策略是什么?
  • M:度量——這些策略隨之帶來的數據指標變化有哪些?

例如在云計算行業,OSM的拆分可以按照下面的示例進行:

16170041563289.jpg

PLC模型則是另一種常見的方法論,即產品生命周期理論,將產品分成了探索、成長、成熟和衰退四個周期。

  • 探索:關注用戶的關鍵行為,比如PV、UV、轉化率等;
  • 成長:關注用戶的留存情況,比如留存率、自傳播量等;
  • 成熟:關注用戶的活躍與商業化,比如DAU、付費用戶數等;
  • 衰退:關注用戶的流失情況,比如流失用戶數、召回量等。

根據業務形態不同,可以自己定義相關的指標,周期示意圖如下:

16170047109243.jpg

其他的如AARRR、RFM等,就不一一介紹了。

接下來,有了分析的目標,我們就需要把相應的數據統計出來,統計及展示數據,這里涉及到的就是數據建模理論/數據看板搭建等我們接觸比較多的內容。

但有一些不同的是,數據建模理論,通常是把數據的采集與指標的統計分開來,例如CDM針對業務過程做統計,而ADS才是面向各個分析體系做統計的,CDM與ADS的區別,就在于是否存在跨業務域統計的情況。關于這部分內容,可以參考之前的文章:《數據建模實踐》。其實分析問題的思路,或者說是“套路”,還是比較重要的,我們需要用報表的形式來展示統計好的結果,關于這部分內容,可以參考之前的文章:《數據看板的搭建思路》。

綜上,不論是做報表也好、搭指標體系也罷,都是分析問題環節中的一部分,需要工程同學來搭建平臺,需要數據同學來維護數倉,需要分析同學來定義思路,也需要運營同學來實現KPI。根本的根本,依舊是如何“提升價值、降本提效”,要么發現新的商機,要么自動化現有工作。

|0x02 指標管理方法

指標體系并不是說建好了,就可以直接用,同樣需要一些工作,來管理和解釋這些指標。

讓我們體驗一個具體的場景。

某次促銷活動中,運營同學希望統計爆款率,在分會場中,分子是專場中銷量超過20件的商品數,分母則是專場內的總商品數。

那么,爆款率 = 銷量超過20件的商品數 / 商品總數,按照會場劃分維度。

看起來沒什么問題,其實坑很多,比如:

  • 為什么爆款是銷量超過20,有沒有分析師來分析下歷史專場的銷售分部情況?
  • 如何定義“銷量”,是加入購物車量、下單量還是支付量?退款情況要不要考慮進來?
  • 銷售的商品件數是按商品銷售的件數還是按照商品下SKU的銷售件數?運營不關心這個事,但是影響到模型的設計。

然后,還有其他的問題,比如我們統計的維度是什么?統計的周期是什么?這個指標有什么用?這個指標給誰用?

雖然是一個看起來很簡單的場景,但如果解答不好,不僅會產生非常多的數據返工情況,爭吵甚至投訴,也就在所難免。

再比如,以網約車業務為例,今天的收入下降了50%,為什么?

分析師經過一頓操作,解答到:受疫情影響,乘客下單量降低20%。但問題是,還有30%,不知道什么原因,因為指標體系沒有體現出來。經過又一頓的分析,發現接單率也降低了,但因為之前指標體系沒有做,于是臨時倒排需求就來了。

其實,并不是我們算的每一個指標,都有實際的意義,但每個指標,都需要投入實實在在的人力資源。這個時候,作為數據團隊,計算某個指標的投入產出比,以及所消耗的機器資源,就是一項必備工作。運營的工作要支持,但也不能亂支持,數據本身不管是存儲還是計算,都是非常費錢的。

這其實就是阿里的OneData方法論希望做的事情:統一口徑、減少分歧、準確衡量效果,但更重要的是,降低投入的成本。

在超大規模數據量 + 超大業務復雜度情況下,《阿里巴巴大數據實踐》這本書,才能看出一些門道來。

正常規模的公司,其實用不到復雜的指標管理方法。但“量變都會引起質變”,當數據表的數量達到千萬級別時,就需要專門的方法論來治理數據,以及相應的指標了。

我們通常把這些工作,稱之為“數據治理”。

因此,指標體系的管理方法,與數據治理類似,需要平臺來管理,也需要數據來維護數據。詳情見文章:《數據資產治理概要:用數據來治理數據》。

|0xFF 正確認識指標體系

很多人碰到“指標體系”四個字,都覺得是個不錯的東西,想要一個模板來實踐一下。

但,指標體系并沒有一個“放之四海而皆準”的模板,就像管理體系沒有具體的拆解圖一樣,不同的業務,對于指標的需求是不同的,而這其中的差異,就像管理一樣,需要日積月累的深刻洞察,才能做出匹配業務需要的體系。當然,像電商這種發展了很多年的業務,其體系相對成熟,照抄大公司的模板,不失為一種走捷徑的方法。

“指標體系”,難在管理上,而不是技術上。

這里捎帶提一句,在互聯網的從業者,對于很多問題的定義,其實是不同的,大家學的都是同一套技術,但并沒有一套標準來約束你怎么使用這些技術。像財務等一些學科,對于問題的定義和分析,都是有明確定義的,總賬、資產、負債、利潤,等等,不論你在哪個國家、哪個學校,學到的都是同一套知識。因為電商的興起,互聯網對于分析業務(電商、廣告等),衍生出了自己的學科,比如數據運營,分析問題的思路,是近些年才逐步成熟的。過去數據開發崗位比較熱門,是因為基礎的數據技術與分析體系不成熟,但最近這幾年的數據從業者,分析師崗位與算法崗位是大熱選擇,其趨勢也是在技術不斷成熟、分析體系不斷完善的大背景下,逐步的發展起來的。

從這個角度看,指標體系,雖然對外透出的是各種指標與報表,但其內在的核心,是對于一個行業成熟的分析方法,這些都是在歷年的積累中打磨出來的。久而久之,這些分析方法沉淀之后,指標體系的歷史使命,大約也就完成了。因此,不建議在這個問題上花費過多的精力投入,而應該扎根到細分的行業之中,打行業專家的牌。

當行業增長到天花板,過去電商游戲這種躺著賺錢的業務,逐步的被其他玩家所掌握時,我們會喊著:“狼來了”,每個人都在焦慮行業的未來發展;但自然界總是處在動態的平衡之中,這時候,一些新的機會,也就悄然冒了出來。

上一個時代,是“人人都是產品經理”的時代;這一個時代,是“人人都是數據分析師”的時代。

?著作權歸作者所有,轉載或內容合作請聯系作者
平臺聲明:文章內容(如有圖片或視頻亦包括在內)由作者上傳并發布,文章內容僅代表作者本人觀點,簡書系信息發布平臺,僅提供信息存儲服務。

推薦閱讀更多精彩內容