社区编辑申请
注册/登录
一文看懂:数据指标体系的四大类型
大数据 数据分析
流程型指标体系是四大类里最简单的。因为流程的环节、终点都很清晰。目标清晰的情况下,指标体系都容易梳理。流程型指标体系,最怕的也是数据采集,特别是过程数据采集。很多toB行业的分析做不下去,就是因为流程指标缺失太多。

很多同学问:“有没有普遍的、一般的指标体系梳理方法?”网上常见的指标体系分享,大多是互联网的AARRR一类,现实中情况却很复杂。普遍的方法当然有,就是基于业务逻辑,梳理指标体系。从本质上看,数据指标体系有4大类型,针对四个不同的业务逻辑。今天来系统介绍一下。

评估型

“这个产品质量咋样?”

“这个活动效果好不好?”

“这个客户群值不值得做?

这种用数据指标,评价一个东西好/不好的指标体系,即为评估型指标体系。注意,做评价不一定用数据指标体系,比如产品质量咋样,可以简单粗暴看销售数量。但只看一个指标会出问题,比如销量好,但利润低;销量好,但口碑差。

评估型指标体系,主要就是解决:单一标准评估有偏差的问题。因此在构建此类指标体系的时候,重点就是考虑:

  • 从多个指标反映质量高低
  • 各个指标之间尽量不重叠
  • 区分各个指标重要性
  • 各个指标的可比较性

评估型指标体系,指标之间关系常常是并列关系(如下图):

图片

评估型指标体系的难点,主要是考虑问题的全面性和指标数据采集可行性。这里特别要注意:数据指标可采集性。很多同学一提到评估,就会随口说:NPS、用户满意度、用户意向之类的指标。问题是:

  • 这些指标打算怎么采集?
  • 用问卷的话,能覆盖多少真实用户?
  • 用其他指标,能否合理评估情况?
  • 意向这种预测指标,到底怎么预测?

如果不回答清楚这些数据采集问题,即使指标听起来很好听,也没法落地,还会找挑战。

流程型

“我们的销售情况怎么样”

“我们的生产进度怎么样”

“我们的研发情况怎么样”

这种用数据指标,表示一个流程完成进度、完成结果的,即为流程型指标体系。这里就包括大家最熟悉的交易流程(漏斗分析)模型。实际上,只要符合

  • 有明确的终点
  • 有好几步环节
  • 每一步有滚动投入资源

都可以用类似漏斗分析法,构建数据指标体系。

图片

不仅仅是交易流程或者用户留存情况,生产、研发、采购都能这么考虑问题。只不过在这些过程里不存在每一步衰减,因此不存在漏斗的逻辑。在这些流程里,考虑的是交付时间、质量、成本(如下图)。

图片

流程型指标体系是四大类里最简单的。因为流程的环节、终点都很清晰。目标清晰的情况下,指标体系都容易梳理。流程型指标体系,最怕的也是数据采集,特别是过程数据采集。很多toB行业的分析做不下去,就是因为流程指标缺失太多。

图片

包含型

包含型指标体系,一般是把一个大指标向下拆解成若干子指标/分析维度之和。我们熟悉的杜邦分析法就是这个逻辑,把一个大指标向下拆分。

图片

包含型指标体系,一般用于诊断问题。因为子指标+分类维度,能把问题具体到某个业务部门和动作,所以能更好地发现问题源头,找到解决对策。

图片

但是注意:包含型指标体系的诊断能力,是建立在:“主指标本身能说明问题”这个基础上的。比如用杜邦分析法的时候,就默认了:“利润”是主要问题。如果利润不能说明全部问题,而是还要考虑顾客体验、市场份额等等的时候,就不能指望一套包含式指标体系解决所有问题,需要对每个问题,单独建指标体系,进行解答。

影响型

之所以叫影响型,是因为运营动作一般是叠加在正常流程之上的,产生额外的效果。正常有一个销售节奏,做个活动会额外刺激销售;正常有一个用户留存曲线,做个会员奖励,额外刺激用户多留存一段。影响型数据指标体系,就是要把:叠加、额外两个点讲清楚。

图片

此时,要考虑的指标复杂一些

  • 需要有一套数据指标,反映业务正常节奏
  • 需要有一套数据指标,描述叠加动作本身
  • 需要有标准,判断业务本身的表现好坏
  • 需要有标准,判断额外效果

因此,影响型的指标体系会格外复杂。比如做一个商品促销活动的指标体系,它需要考虑

  • 正常销售指标(商品销售数量、购买人数、金额、;利润)
  • 活动的运作情况(活动目标人数、达标人数、奖励领取数,活动本身投入)
  • 正常销售走势 VS 活动增量

这里活动增量可能有好几个算法。比如

  • 从时间上看,可以区分有活动/无活动时间
  • 从商品上看,可以区分有活动/无活动商品
  • 从人群上看,可以区分有活动/无活动人群

但是每一种方法仔细推敲,都有不成立的地方。因为即使没有活动,商品也有自己的销售趋势(自然增长率问题),很难找到100%相似的商品和人群。而且商品促销,还可能有透支效应(商品的粉丝用户趁便宜提前囤货,导致后续减少)

所以在构建影响型指标体系时,设定合理的判断标准,异常麻烦,经常会有争吵。当然原则上,符合业务需要的就是好标准,不见得事无巨细考虑每种效应。但是要提醒同学们,在这一部分工作的时候格外谨慎,随口说几个指标,会给后续工作带来麻烦。

综合运用四类指标体系

以上四类区分,能帮我们梳理清楚思路,应对工作中的问题。因为在工作和面试中,提问的人很少会主动区分:“到底是啥场景?到底业务是啥逻辑?”而是泛泛地说:“我要怎么评价这个XX?我要看哪些指标?”

此时,对于数据分析师来说,就得时刻保持清醒

举个简单的例子

“分析一下我们的产品”

“分析一下我们产品的改版计划”

“分析一下我们产品的改版效果”

“分析一下我们产品改版回馈活动”

是四个完全不同的场景,需要的配套指标体系完全不同

同时,是啥产品,也得细看

  • 交易型产品:主流程就是交易,促成交易就是最终目标
  • 内容型产品:用户行为散,变现形式多,得多角度观察
  • 工具型产品:功能是固定的,但用户使用广度、深度有差异
责任编辑:武晓燕 来源: 接地气学堂
相关推荐

2022-07-11 18:34:49

2022-06-20 09:08:00

数据体系搭建

2022-07-04 11:27:02

2022-06-02 11:33:33

数据建设指标

2022-04-29 14:49:27

数据质量数据

2022-01-05 21:50:49

2021-12-10 18:19:55

2020-12-18 07:35:40

2021-12-03 18:25:56

2021-04-23 14:16:13

2021-11-16 11:49:07

2020-05-28 11:34:08

互联网数据分析数据

2020-05-28 08:58:29

数据分析分析系统数据

2010-11-30 11:00:10

数据中心指标

2009-07-02 10:30:39

互联网

2017-01-17 15:54:19

2020-11-09 08:00:24

数据中心效率数据

2013-09-16 09:12:58

2019-07-10 14:23:50

大数据结构运营

同话题下的热门内容

大数据分析技术和方法有哪些?节日消费数据不“杀熟”?大数据带你一起“解”七夕!五个方法,破解数据分析的核心难题聊聊数据分析的价值是什么?2022年网购如何对抗大数据杀熟,更换商品名词有惊喜

编辑推荐

什么是数据分析的漏斗模型?数据分析师还吃香吗?用数据告诉你对比解读五种主流大数据架构的数据分析能力《狄仁杰之四大天王》影评分析(爬虫+词云+热力图)22个免费的数据可视化和分析工具推荐
我收藏的内容
点赞
收藏

51CTO技术栈公众号