讲道理,虽然今天互联网企业已经足够的数字化,但看清楚公司的运行情况,依旧是一件很难的事情。看清楚,不仅包括看清楚企业的投入情况,也包括看清楚业务的运行情况。

比如,投入了几百万的预算,带回来多少DAU的增长?这其中每个阶段的转化情况怎么样?1/7/30天后留存的有多少?本次活动各个渠道的质量如何评估?当下的互联网企业,很多决策可以说是“无数据不决策”,不论是运营对活动效果的分析,还是高层对商业走势的判断,没有成熟的分析看板,临时做需求是接不住的。

但本文,要讲述的,是数据看板的灵魂部分:指标体系。

什么是指标体系?用一句简洁的话阐述,就是“对业务有帮助的统计结果”,什么是有帮助?即“描述发生了什么”、“度量发生了多少”以及“拆解发生的原因”,从而为业务提供帮助。

关于指标的分类,个人倾向于两种分类方式,一种是原子指标,不加任何修饰词,比如PV、UV、订单量;一种是派生指标,也叫复合指标,通过四则运算或修饰限定得出,比如平均交易金额、购买转化率、近N天订单量。

以下两个图是网上讲指标最常用的两个图,这里供大家参考:

指标体系要做的,技术从不同的“维度”梳理业务过程,将零散的、有关联性的指标,系统化的组织起来,通过数据看板或接口形式,提供给运营、算法等不同的业务方使用。对于使用指标体系的人来说,指标体系能够把业务体系化的展示出来,提高发现问题、分析问题、解决问题的效率。

如何设计指标分析

“指标体系”,代表的是对业务的分析思路。总的而言,大体有三个阶段:

• 圈定业务目标;

• 建立分析模型;

• 统计及展示数据。

定义指标体系,首先且最重要的一步,是要与高层的战略目标达成一致,不能“你说你的规划、我玩我的数据”。在实际工作中,指标与KPI是强相关的,数据是提高绩效的一种利器。

比如今年的电商业务,目标是提高收入,那么平台的交易量就要上去,指标体系就要围绕订单量来展开;比如今年的企业业务,希望能够获得更多的潜在客户,那么如何提高平台的注册用户量,就是指标体系的设计目标……

其次,选择合适的分析模型,常见的有OSM方法、PLC模型、AARRR等。

OSM是一种如何将大目标拆解到小行动的方法:

• O:目标——用户使用产品的目标是什么?产品满足了用户的什么需求?

• S:策略——为了达成上述目标我采取的策略是什么?

• M:度量——这些策略随之带来的数据指标变化有哪些?

例如在云计算行业,OSM的拆分可以按照下面的示例进行:

PLC模型则是另一种常见的方法论,即产品生命周期理论,将产品分成了探索、成长、成熟和衰退四个周期。

• 探索:关注用户的关键行为,比如PV、UV、转化率等;

• 成长:关注用户的留存情况,比如留存率、自传播量等;

• 成熟:关注用户的活跃与商业化,比如DAU、付费用户数等;

• 衰退:关注用户的流失情况,比如流失用户数、召回量等。

根据业务形态不同,可以自己定义相关的指标,周期示意图如下:

其他的如AARRR、RFM等,就不一一介绍了。

接下来,有了分析的目标,我们就需要把相应的数据统计出来,统计及展示数据,这里涉及到的就是数据建模理论/数据看板搭建等我们接触比较多的内容。

但有一些不同的是,数据建模理论,通常是把数据的采集与指标的统计分开来,例如CDM针对业务过程做统计,而ADS才是面向各个分析体系做统计的,CDM与ADS的区别,就在于是否存在跨业务域统计的情况。关于这部分内容,可以参考之前的文章:《数据建模实践》。其实分析问题的思路,或者说是“套路”,还是比较重要的,我们需要用报表的形式来展示统计好的结果,关于这部分内容,可以参考之前的文章:《数据看板的搭建思路》。

综上,不论是做报表也好、搭指标体系也罢,都是分析问题环节中的一部分,需要工程同学来搭建平台,需要数据同学来维护数仓,需要分析同学来定义思路,也需要运营同学来实现KPI。根本的根本,依旧是如何“提升价值、降本提效”,要么发现新的商机,要么自动化现有工作。

 指标管理方法

指标体系并不是说建好了,就可以直接用,同样需要一些工作,来管理和解释这些指标。

让我们体验一个具体的场景。

某次促销活动中,运营同学希望统计爆款率,在分会场中,分子是专场中销量超过20件的商品数,分母则是专场内的总商品数。

那么,爆款率 = 销量超过20件的商品数 / 商品总数,按照会场划分维度。

看起来没什么问题,其实坑很多,比如:

• 为什么爆款是销量超过20,有没有分析师来分析下历史专场的销售分部情况?

• 如何定义“销量”,是加入购物车量、下单量还是支付量?退款情况要不要考虑进来?

• 销售的商品件数是按商品销售的件数还是按照商品下SKU的销售件数?运营不关心这个事,但是影响到模型的设计。

然后,还有其他的问题,比如我们统计的维度是什么?统计的周期是什么?这个指标有什么用?这个指标给谁用?

虽然是一个看起来很简单的场景,但如果解答不好,不仅会产生非常多的数据返工情况,争吵甚至投诉,也就在所难免。

再比如,以网约车业务为例,今天的收入下降了50%,为什么?

分析师经过一顿操作,解答到:受疫情影响,乘客下单量降低20%。但问题是,还有30%,不知道什么原因,因为指标体系没有体现出来。经过又一顿的分析,发现接单率也降低了,但因为之前指标体系没有做,于是临时倒排需求就来了。

其实,并不是我们算的每一个指标,都有实际的意义,但每个指标,都需要投入实实在在的人力资源。这个时候,作为数据团队,计算某个指标的投入产出比,以及所消耗的机器资源,就是一项必备工作。运营的工作要支持,但也不能乱支持,数据本身不管是存储还是计算,都是非常费钱的。

这其实就是阿里的OneData方法论希望做的事情:统一口径、减少分歧、准确衡量效果,但更重要的是,降低投入的成本。

在超大规模数据量 + 超大业务复杂度情况下,《阿里巴巴大数据实践》这本书,才能看出一些门道来。

正常规模的公司,其实用不到复杂的指标管理方法。但“量变都会引起质变”,当数据表的数量达到千万级别时,就需要专门的方法论来治理数据,以及相应的指标了。

我们通常把这些工作,称之为“数据治理”。

因此,指标体系的管理方法,与数据治理类似,需要平台来管理,也需要数据来维护数据。详情见文章:《数据资产治理概要:用数据来治理数据》。

 正确认识指标体系

很多人碰到“指标体系”四个字,都觉得是个不错的东西,想要一个模板来实践一下。

但,指标体系并没有一个“放之四海而皆准”的模板,就像管理体系没有具体的拆解图一样,不同的业务,对于指标的需求是不同的,而这其中的差异,就像管理一样,需要日积月累的深刻洞察,才能做出匹配业务需要的体系。当然,像电商这种发展了很多年的业务,其体系相对成熟,照抄大公司的模板,不失为一种走捷径的方法。

“指标体系”,难在管理上,而不是技术上。

这里捎带提一句,在互联网的从业者,对于很多问题的定义,其实是不同的,大家学的都是同一套技术,但并没有一套标准来约束你怎么使用这些技术。像财务等一些学科,对于问题的定义和分析,都是有明确定义的,总账、资产、负债、利润,等等,不论你在哪个国家、哪个学校,学到的都是同一套知识。因为电商的兴起,互联网对于分析业务(电商、广告等),衍生出了自己的学科,比如数据运营,分析问题的思路,是近些年才逐步成熟的。过去数据开发岗位比较热门,是因为基础的数据技术与分析体系不成熟,但最近这几年的数据从业者,分析师岗位与算法岗位是大热选择,其趋势也是在技术不断成熟、分析体系不断完善的大背景下,逐步的发展起来的。

从这个角度看,指标体系,虽然对外透出的是各种指标与报表,但其内在的核心,是对于一个行业成熟的分析方法,这些都是在历年的积累中打磨出来的。久而久之,这些分析方法沉淀之后,指标体系的历史使命,大约也就完成了。因此,不建议在这个问题上花费过多的精力投入,而应该扎根到细分的行业之中,打行业专家的牌。

当行业增长到天花板,过去电商游戏这种躺着赚钱的业务,逐步的被其他玩家所掌握时,我们会喊着:“狼来了”,每个人都在焦虑行业的未来发展;但自然界总是处在动态的平衡之中,这时候,一些新的机会,也就悄然冒了出来。

上一个时代,是“人人都是产品经理”的时代;这一个时代,是“人人都是数据分析师”的时代。