很多同学问:“有没有普遍的标体、一般的系的型指标体系梳理方法?”网上常见的指标体系分享,大多是懂数大类互联网的AARRR一类,现实中情况却很复杂。标体普遍的系的型方法当然有,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。
“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:
评估型指标体系,指标之间关系常常是并列关系(如下图):
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:
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。
“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
都可以用类似漏斗分析法,构建数据指标体系。
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)。
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。
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。
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。
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。
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。
此时,要考虑的指标复杂一些
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
这里活动增量可能有好几个算法。比如
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。
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
(责任编辑:综合)
威尔泰(002058.SZ)竞价一字跌停 公司股票可能被实施退市风险警示
棠记控股(08305.HK)预计年度亏损不少于50万港元 毛利严重下降
360手机N4、魅族魅蓝/红米Note3、乐视2测评:热门手机大盘点
申万宏源(06806.HK)“21申证C2”3月19日起上升交易 期限3年