体系化的指标往往是结合用户的场景来进行分析,并且多个不同的指标和维度是可以串联起来进行综合分析。

一、什么是指标体系

在产品和运营的工作中,我们会接触不同的数据、不同的指标。很多时候我们做的数据,都是针对单个点的层面去做,而最终显示出来的数据往往比较零散,无法串联起来,发现全局的问题。

而指标体系化,则是将零散的数据串联起来,让你通过单点看到全局,通过全局解决单点的问题。

用一个词来形容,就是“引一发而动全身”,通过相关的指标变化看到整体业务场景下的变化,从而快速发现问题或者是监控相应运营策略的效果情况。

二、指标体系有什么好处

相信看完前面的解释,你会发现,体系化的指标和零散的指标,最大的区别是——是否能更加快速地发现一些问题。

如果还是有点晕,咱们就以转化率和留存率来看看下面这个案例:

说干就干,可7天后。

在单点数据分析时,我们经常会遇到此类问题——就是出现什么问题,就分析这个问题,没有全局考虑用户的整个场景。

那么我们换个角度,来看看会有什么不同?

从上面两个例子中,我们可以看到:非体系化的指标往往是单点分析,分析不出来之后需要重新分析另外一个点,而无法串联进行全局分析。

而体系化的指标往往是结合用户的场景来进行分析,并且多个不同的指标和维度是可以串联起来进行综合分析。就像排序(如价格)因素里面的某个维度,可以分析页面转化率,也可以分析商品的售出率等。通过相同维度的分析可以更快地找到问题的原因。

说了这么多,如何去搭建指标体系呢?

下面,就是很精华的实操内容啦:

三、如何搭建指标体系

在如何搭建指标体系之前,我们先简单说下,什么是指标?

指标,实际上就是一种度量。大到用于监控和评估商业进程的状态,小到衡量某个功能模块的情况,或者是自己的活动效果。

从运营角度来看,一个好的指标,需要具备四个特点:业务层面是有价值;可衡量业务真实情况;简单可执行;大家都共同认可。

从技术层面来看,一个好的指标,统一具备四个特点:容易收集快速衡量;准确度高;可被多维度分解;单一数据源。就像我们经常使用的衡量APP产品启动人数,使用UUID或者是COOKIE往往比使用IP更加准确。

但很多时候,因为技术或者是业务自身的原因,我们往往很难找到很完美的指标。那么这个时候我们最重要的就是统一口径进行分析,更多地观察数据的波动情况。

1. 选什么样的指标

选指标有两个方法:指标分级,OSM模型。

(1)指标分级:通常是分成三级。

一级指标:公司战略层面指标。

用于衡量公司整体目标达成情况,通常设定在5-8个指标。这类指标是与业务紧密结合,按照行业标准进行制定,有可参考的行业标准指标,且这类指标针对全公司所有员工均具有核心的指导意义。

比如某游戏公司的一级指标:新增账号、留存率、DAU/MAU、付费人数(率)、收入金额等。

二级指标:业务策略层面指标。

为了实现一级指标,企业会做出一些策略,二级指标通常与这些策略有所关联。可以简单理解为一级指标的实现路径,用于更快定位一级指标的问题。

例如:某游戏公司一级指标是游戏收入,那么二级指标可以设定为不同游戏物品的收入。一级指标是DAU,那么二级指标设定为分服务器的DAU等。这样当一级指标出现问题的时候,我们可以快速查询到问题的所在点。

三级指标:业务执行层面指标。

三级指标是对二级指标的路径拆解,用于定位二级指标的问题。三级指标的使用通常是可以指导一线人员开展工作的指标内容。三级指标的要求是:一线人员看到指标后,可以快速做出相应的动作。

如游戏公司的二级指标是XX区服的DAU,那么三级指标则可以设定为游戏时长、游戏频次、游戏等级分布、游戏关卡流失情况等。通过观察这些数据,可以去针对性地做调整,如某个关卡流失的用户特别高,那么尝试降低难度。

当然,如果想要更细致一点,也可以往下继续拆分,这里就不一一赘述了。

这里有一个注意事项,在进行整个指标分级的时候,我们需要先思考:

  1. 一级二级指标,能否反应产品当前的运营情况;
  2. 三级四级指标能否帮助一线人员定位问题,指导运营工作。

以上是指标分级纵向的内容。横向思考,如何针对不同级别的指标来选取合适的指标?

这就是指标分级的第二个方法:OSM模型。

2. OSM模型

OSM模型(Obejective,Strategy,Measurement)分别代表业务目标、业务策略、业务度量。

  • O: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:为了达成上述目标我采取的策略是什么?
  • M:这些策略随之带来的数据指标变化有哪些?

我们搭建指标体系是为了更好地发现用户的问题,并且去解决。所以我们需要站在用户的场景去考虑整体的内容。

以知乎为例,按照OSM模型,它的指标是什么样的?

O:用户来使用知乎这个产品,目标是什么?

这里涉及两个不同的用户——内容分享者和内容消费者,这里简单介绍内容生产者的分析思路,大家可以自己试着分析下内容消费者。

用户需求:分享知识观点(发布观点),建立行业影响力(内容受到反馈)。

那么,如何让用户感受到自己的需求被满足了呢?

S:知乎做的策略是:内容点赞评论、内容打赏、盐值增加、XX话题优秀回答者。

M:接下来,我们需要针对这些用户动作去做指标,在这里面我们的指标会有两个,分别是结果指标和过程指标。

  • 结果指标:用于衡量用户发生某个动作后所产生的结果,通常是延后知道的,很难进行干预。
  • 过程指标:用户在做某个动作时候所产生的指标,可以通过某些运营策略来影响这个过程指标,从而影响最终的结果。

还是以内容生产者为例:

  • 结果性指标:发布文章数、发布文章的人数、文章点赞/评论数、被打赏人数、被打赏金额、优秀回答者人数、新增优秀回答者人数等。
  • 过程性指标:使用内容导入人数、内容发布转化率、文章互动率、评论折叠率等。

通常我们会在指定指标的过程中使用OSM的模型,去针对用户在不同场景下产生的动作,以及这个动作可能带来的结果,用户在这个动作中会出现什么样的数据变化。之后再结合数据,针对性地去调整我们的运营策略或者产品功能。

简单理解:结果性指标更多的是监控数据异常,或者是监控某个场景下用户需求是否被满足。而过程性指标则是更加关注用户的需求为什么被满足(没被满足)。

2. 如何搭建

指标选取之后,就要开始搭建指标体系。前面我们说过,指标体系是通过场景流程来综合进行分析,而这里最重要的就是分析维度的选择。

一个好的指标是可以多维度去拆解划分,当好的指标搭上完整的维度,很多问题就可以迎刃而解。如果没有合适的维度,你建立起来的依然只是多个指标,只是指标合理,做不到前后场景化的分析。简单理解,维度是将点串联成场景的那根线。

我自己通常会采用这样的逻辑来进行体系搭建:选指标-针对每个指标做出可能要的维度-将指标和维度重新组合。

通常我们在选取某个指标的时候,想到的维度都比较简单,如:用户进入商品详情页,我可能只想要知道用户进了哪个类目的商品详情页;商品成交的时候,可能关注的是类目和金额;同样地,在商品列表页的时候,我们监测用户搜索,会关心用户搜索了哪些词,搜索频次等。

那么如果我将用户进入商品详情页内,搜索的关键词和成交的指标组合会是什么样的场景呢?

用户搜索了哪个关键词,并且进入了商品详情页,之后这个商品被购买了。

这时候我们分析搜索关键词的时候,效率会非常高。如搜索某个关键词的用户转化率非常高,但是搜索的次数比较少,那么我们将这个关键词置为热搜是否可以提升整体的转化率呢?

指标的维度拆解后,重组我们如何做呢?

我的原则是:在同一个流程,用户动作存在关联的,尽可能多地在多个指标覆盖相同可用的维度。以电商为例,用户的动作是:搜索品类-搜索列表页-点击筛选-商品列表页-提交订单-购买。那么在整个流程中最好可以保留搜索品类的关键词、筛选的条件、商品的信息等内容。

最后,当我们指标和维度都确定之后,剩下的就是去做数据埋点了。什么样的埋点数据不会被开发喷呢?开发拿到不用动脑子的那种。

我之前使用的格式是这样的,大家可以参考下:

最后,就剩下数据可视化的内容了。数据可视化通常根据自己的业务场景去结合,使用自己合适的数据,通常会包含用户数据、渠道数据、业务流程数据等。具体的可视化我就不做过多赘述,百度一下,什么样的场景用什么样的图我想都可以看出来。

重要的是这些流程的组合,就是将不同的指标和维度进行组合,关联分析出来的事件才是最核心的,这是完全可以指导你进行工作的三级指标,并且贯穿全流程。

四、总结

数据分析是产品和运营的一项基本功,好的运营和产品总是会通过数据去发现问题,并且解决问题。而完善的数据体系可以让这件事情变得事半功倍,从源头发现问题,借助体系化的工具,工作也可以很轻松。

最后呢,给大家介绍下现有哪些平台可以辅助做这些数据体系:目前国内做数据服务的几个平台:Growing IO、神策数据、诸葛IO等。

如果自身不具备搭建完备的数据组,建议使用第三方会快速一些。那么剩下的就是使用本文的内容,给到需要的数据指标和维度,去找开发进行埋点就好了。

如果自身有比较完善的数据分析组,甚至是数据挖掘组,你就当没看过这篇文章,让他们去卖力给你结论,让他们去卖力做数据埋点吧,我就不献丑了。

 

作者:树猫 & 孙小晨,微信公众号:树猫说

本文由 @孙小晨 授权发布于运营派,未经许可,禁止转载

题图来自 Unsplash,基于CC0协议

2人收藏

评论( 0

登录后参与评论
加入圈子
关注微信公众号

互联网运营学习、交流、分享平台