精华内容
下载资源
问答
  • 常用的统计指标体系
    千次阅读
    2020-05-13 14:12:28

           在进行数据分析时,经常会遇到一些分析指标或术语。这些术语是帮助我们打开思路,通过多个角度对数据进行深度解读,可以说是前人已经总结和使用的数据分析方法。下面是数据统计分析常用的指标或术语:
      
      1.平均数
      一般指算术平均数。算术平均数是指全部数据累加除以数据个数。它是非常重要的基础性指标。
      几何平均数:适用于对比率数据的平均,并主要用于计算数据平均增长(变化)率
      加权平均数:普通的算术平均数的权重相等,算术平均数是特殊的加权平均数(权重都是1)。
      例如,某人射击十次,其中二次射中10环,三次射中8环,四次射中7环,一次射中9环,那么他平均射中的环数为:(10×2+9×1+8×3+7×4)÷10=8.1

      2.绝对数与相对数
      绝对数是反映客观现象总体在一定时间、地点条件下的总规模、总水平的综合性指标,如GDP。此外,也可以表现在一定条件下数量的增减变化。
      相对数是指两个有联系的指标对比计算得到的数值,他是用以反映客观现象逐渐数量联系程度的综合指标。
      相对数=比较数值(比数)/基础数值(基数)
      基数:对比标准的指标数值。
      比数:是用作与基数对比的指标数值。

      3.百分比与百分点
      百分比表示一个数是另一个数的百分之几的数,也叫百分率。
      百分点是用以表达不同百分数之间的“算术差距”(即差)的单位。
      用百分数表达其比例关系,用百分点表达其数值差距。1个百分点=1%,表示构成的变动幅度不宜用百分数,而应该用百分点。
      举例说,0.05和0.2分别是数,而且可分别化为百分数(5%和20%)。于是比较这两个数值有几种方法:
      ①0.2是0.05的四倍,也就是说20%是5%的四倍,即百分之四百(400%)。
      ②0.2比0.05多三倍,也就是说20%比5%多三倍,即百分之三百(300%)。
      ③0.2比0.05多出0.15,也就是说20%比5%多十五个百分点。

      4.频数与频率
      频数是指一组数据中个别数据重复出现的次数。
      频数是绝对数,频率是相对数。

      5.比例与比率
      两者都是相对数。
      比例是指总体中各部分的数值占全部数值的比重,通常反映总体的构成和结构。
      比率是指不同类别数值的对比,它反映的不是部分与整体之间的关系,而是一个整体中各部分之间的关系。这一指标经常会用在社会经济领域。

      6.倍数与番数
      同属于相对数。倍数是一个数除以另一个数所得的商。A÷B=C,A就是C的倍数。(倍数一般是表示数量的增长或上升幅度,而不适用于表示数量的减少或下降。)
      番数是指原来数量的2的N次方倍。比如翻一番就是原来数的2倍,翻二番就是原来数乘以4,翻三番就是原来数乘以8。

      7.同比与环比
      同比是指与历史同时期进行比较得到的数据,该指标主要反映的是事物发展的相对情况。如2012年12月与2011年12月相比。英文翻译同比为year-on-year ratio。
      环比是指与前一个统计期进行比较得到的数值,该指标主要反映的是事物逐期发展的情况。2010年12月与2010年11月相比。环比英文可翻译为compare with the performance/figure/statistics last month。
      同比是与上年的同期水平对比,环比是同一年连环的两期对比。

      8.基线和峰值、极值分析
      峰值:增长曲线的最高点(顶点),如中国总人口2033年将达峰值15亿,性别比严重失衡。
      拐点:在数学上指改变曲线向上或向下方向的点。在统计学中指趋势开始改变的地方,出现拐点后的走势将保持基本稳定。

      9.增量与增速
      增量是指数值的变化方式和程度。如3增大到5,则3的增量为+2;3减少到1,则3的增量为-2。
      增速是指数值增长程度的相对指标。

    更多相关内容
  • 指标体系如何建设

    千次阅读 2022-02-18 13:53:14
    几乎所有的数据分析工作都会提到一个词——“建立数据指标体系”,虽然这个词对于大家来说并不陌生,但是数据指标到底是什么以及如何具体的搭建,很多人还是一头雾水的。 一、数值指标概述 1.1 数值指标价值 在...

    几乎所有的数据分析工作都会提到一个词——“建立数据指标体系”,虽然这个词对于大家来说并不陌生,但是数据指标到底是什么以及如何具体的搭建,很多人还是一头雾水的。

    一、数值指标概述

    1.1 数值指标价值

    在了解什么是数据指标之前,我们思考一下:为什么会出现指标?它是为了解决什么问题?

    人类及科学的发展是与时俱进的,早期为了使自然科学的实验及结果更具统一性及方便标准化衡量,一些标准化的专业指标应运而生。随着人类社会的发展,社会科学也越来越需要统计学来进行事物的衡量,一系列统计学指标也逐步产生了。随着新信息技术的发展,数据指标逐步被大众认可为衡量目标的方法。

    从社会科学角度看,指标是统计学的范畴,用于数据的描述性统计。指标是说明总体数量特征的概念及其数值的综合,故又称为综合指标。在实际的统计工作和统计理论研究中,往往直接将说明总体数量特征的概念称为指标。

    传统的指标有国内生产总值(Gross Domestic Product,GDP)、国民生产总值(Gross National Product,GNP)、居民消费价格指数(Consumer Price Index,CPI)、沪深300指数等。

    1.2 数值指标定义

    数据指标有别于传统意义上的统计指标,它是通过对数据进行分析得到的一个汇总结果,是将业务单元精分和量化后的度量值,使得业务目标可描述、可度量、可拆解。数据指标需要对业务需求进行进一步抽象,通过埋点进行数据采集,设计一套计算规则,并通过BI和数据可视化呈现,最终能够解释用户行为变化及业务变化。常用的数据指标有PV、UV等。

    本文所述的指标是衡量目标的方法,指标由维度、汇总方式和量度组成,如下图所示。

    •  维度:指从哪些角度衡量,是看待事物的视角与方向,决定了根据不同角度去衡量指标
    • 汇总方式:指用哪些方法衡量,是统计汇总数据的方式
    • 量度:主要是明确事物的具体目标是什么,是对一个物理量的测定,也用来明确数据的计量单位。

    比如,播放总时长是指用户在一段时间内播放音频的时长总和(单位:分钟)。按照上述拆解,维度是指筛选的一段时间,汇总方式为计算了时间长度的总和,而量度就是统一的单位—分钟数。

    1.3 指标体系是什么

    体系化的本质是将数据指标系统性地组织起来,具体会按照业务模型、按标准对指标不同的属性分类及分层。当然,不同的业务阶段、不同业务类型会有不同阶段的划分标准。

    数据指标体系含有十分丰富的统计量,从宏观上看,它是一个相对全面的有机整体;从微观上看,每个数据指标都有其特定含义,反映了某一细节的客观事实。不同的数据指标定义不同,逻辑也不同,这些各种各样的统计量共同构成了数据指标体系,使其产生不可磨灭的价值。

    总的来说,数据指标体系是对业务指标体系化的汇总,用来明确指标的口径、维度、指标取数逻辑等信息,并能快速获取到指标的相关信息。

    二、数据指标体系搭建原则

    2.1 搭建指标体系要有重点

    不能只是罗列指标,这是很多数据分析师都会犯的通病,上来先把大量的指标列好,也不说明优先级,先看哪个后看哪个,业务根本就看不懂。

    2.2 搭建指标体系要有目标

    很多人习惯了列指标,自有一套指标拆分的套路,不管我们要解决的业务问题是什么,反正就是按照时间、渠道、区域等纬度拆分,分来分去也没个具体的标准,最后还要纠结到底指标变化多少才是问题。

    2.3 指标体系不是越全越好,和业务最贴切的才是最好的

    有些文章标题写XXX行业指标体系大全,虽然给大家整理指标体系的时候尽量概括多个业务场景,指标列的很详细,但是不同的公司,业务复杂不一样,没有一套指标系统是能够通用的,只有和业务最贴切的才是最好用的。

    三、如何设计和落地指标体系

    指标体系的搭建分为两大步骤:设计指标体系和落地指标体系,这两大部分又可以拆成一些小步骤,我们先来看一张指标体系从设计到落地的整体步骤图,下面再根据这张图细分拆解其中的每个步骤是怎样落地的。

     3.1 如何设计指标体系

    3.1.1 需求来源

    主要需求来源随着产品生命周期而改变。搭建数据指标根据数据现状分为初中后三个阶段。首先要明确的是先有目标方案后再有数据指标,而不是凭空捏造出一些指标体系然后往产品上套。

    在数据指标搭建初期以产品战略目标为主,优先搭建北极星指标的全方位指标监控;中期以业务驱动为主,搭建指标衡量现有业务,业务驱动直接获取到的指标一般是二级指标,需要整合到指标模型里面去;到了后期,此时各数据指标已经搭建的差不多了,是时候根据模型查缺补漏,搭建针对产品的指标闭环,通过数据来反向推动产品的迭代优化。

    3.1.2 确定一级指标

    一级指标其实就是反映产品在各个重要方面的运营情况怎么样,把对用户的运营当成一个流水线,围绕着用户生命周期即可挖掘到一些重要的一级指标并自然而然的形成闭环。

    在众多指标模型中AARRR模型能很好的概括用户的生命周期,美中不足的是遗漏了用户流失这一环节,个人觉得AARRRR比较能完整概括用户生命周期,即Acquisition(获取)、Activation(激活)、Retention(留存)、Revenue(收入)、Referral(自传播)、Recall(召回)。

    围绕这六大方面,可以拓展以下一级指标(只是举例一些通用指标,具体的一级指标可根据具体业务进行定义):

    3.1.3 得到二级指标

    二级指标由一级指标衍生而来,为了实现一级指标,企业会采取一些策略,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方式,用于替换定位一级指标的问题。

    二级指标的作用就是将一级指标的涨跌落实到具体的业务部门或者是责任人,通过成分拆解我们可以从一级指标得到对应的二级指标。例如收入这个一级指标,通过成分拆解可以分为广告收入和内购收入等。

    3.1.4得到三级指标

    通过二级指标的分析可以找到相应问题的责任方,而三级指标的作用正是指导该责任方去定位具体问题,进而修复问题。

    通过对二级指标的路径拆解即可得到三级指标,一线人员可通过三级指标的具体表现快速做出相应的动作,所以三级指标的要求是尽可能覆盖每一个关键路径上的关键动作。

    这里继续拿内购收入这个指标举例,通过路径拆解,最终促成内购的关键行为路径是:浏览商品、加入购物车、提交订单、支付成功。

    按照以上流程不断查缺补漏确定各一级指标并对其进行逐步拆解,即可搭建出一套行之有效的数据指标体系。

    3.2 如何落地指标体系

    3.2.1 流程

    终于到了开干时候,有了目标之后接下来就是将规划的指标进行埋点落地了。

    落地指标就不像设计指标那样首先着眼于一级指标,而是应该首先着眼于二级指标,因为一级指标是由二级指标组成的,二级指标埋点好了之后一级指标自然而然地可以计算出来。

    埋点不是一个人的事情,需要各部门通力合作,下图就是埋点的整个设计到落地的流程:

    不知看完这张图有没有一个疑惑,责任方为什么还要去理解熟悉需求,需求方不是给出指标了吗,照着去埋点就好了啊。如果你这么想的话,那你注定只能做一个工具人。

    首先各指标跟具体的业务逻辑设计紧密相关的,如果你不去熟悉业务,是无法针对指标进行多维度细化埋点设计的,最终设计出来的埋点方案必定是丢三落四漏洞百出。

    再者需求方给出的指标不一定是全面的,需求方往往数据意识不强,无法洞察到当前业务的很多细节是数据可分析的。

    所以这就需要数据产品经理熟悉业务懂产品懂用户,才能一针见血设计出一套有指导性意义的埋点方案,而不是照本画葫芦搞出一些冷冰冰的数据看看就好,要记住,每一个埋点都是有深意的,数据也是有灵魂的。

    3.2.2 埋点

    明确了埋点的工作流程,接下来要确定的是选择自研数据门户还是使用第三方工具,如:神策、Growing IO、诸葛IO等。这两者主要有以下区别:

    • 自研工作量大,搭建周期长,第三方提供现成的模型,搭建周期短。

    • 自研更灵活,相对埋点实施方上报数据更友好,无需过多无谓的逻辑记录,在后期的指标计算方式上可以随心所欲,如某些耗时只要打好点,自研就可以通过两个事件的时间差计算出耗时,而有些第三方则不支持。

    总之,自研前期痛苦后期爽,第三方前期爽后期痛苦。从实现难度上来说自研需要的人力物力远远大于第三方服务,绝大部分中小公司会选择第三方服务,

    下面的埋点介绍就基于第三方服务的方式进行讲解:

    1)埋点规范文档

    正如前面所说,指标体系的搭建需要各部门通力合作,一份埋点规范文档既能规范工作流程提高效率,又能明确需求规范减少沟通成本避免理解出现偏差。埋点规范文档包括了工作流程规范、命名规范、需求文档规范等,这些应该在指标体系落地之初就规定好。

    当然由于一开始经验不足并且有的问题在后续的工作中才会暴露出来,初版的规范文档可能并没有那么详细,但是大体框架还是要有的,后续再补充一些细枝末节的东西。

    2)拿到需求原型

    就是产品功能原型或者活动原型。

    3)定义页面、元素名称

    拿到需求原型后,首先将原型里面的页面及页面中的元素名称提前定义好,以便后续进行统一使用避免不同指标出现页面命名不一致的情况。

    如果是页面的话建议全部命名,页面里面的元素可能会有点多,可以挑一些关键路径上的重要元素进行命名,其它元素视后续工作需求再进行埋点(当然了有精力的话全部命名进行监控是更好的,毕竟数据是多多益善,避免后续需要用数据发现没有埋点的情况发生)。

    4)定义事件名称

    为什么要规范事件名称?我直接举个例子吧,某天你想查看用户的使用路径,当你使用用户路径分析之后发现有大量的展示事件穿插在用户行为事件中,这时候你是不是很恼火。

    如果之前埋点的时候对事件进行规范命名,这时候你只需要在筛选条件中过滤掉事件名前缀为展示的事件,就可以轻松过滤掉所有跟用户行为无关的事件。

    事件规范命名除了以上好处,还有个好处就是方便需求方使用,使用者可以通过事件名轻松知道这个事件具体的含义,提高了使用效率,事件命名可由以下几部分组成:行为、对象、结果、类型。

    为:事件的具体行为,主要有 4 类:

    • 点击 – 点击某个按钮或元素的一类事件。

    • 进入 – 进入某个页面或功能的一类事件。

    • 展示 – 展示某个页面或元素的一类事件。

    • 退出 – 退出某个页面或功能的一类事件。

    • 事件行为必须填写,后续可按实际情况增加其他行为。

    对象:事件行为对应的具体对象可以是页面,或者是功能,事件对象必须填写。

    结果:对该对象进行的行为最终的结果,主要有3类:

    • 成功 – 针对该对象进行的行为结果为成功。

    • 失败 – 针对该对象进行的行为结果为失败。

    • 结果 – 针对该对象进行的行为结果为成功或者失败,此时具体结果存储在该事件的维度中,事件结果必须填写。

    类型:此参数为拓展参数,如展示事件可能展示的是页面,也可能展示的是弹窗,这时候在事件后面加个页面后缀或者弹窗后缀,后续使用起来就能很方便的区分事件的具体类型。事件类型为可选参数,视情况而定。

    以上就是事件的命名标准,可以从该标准进行如下一些命名:注册_指标_成功、进入_充值页面_成功等。

    5)梳理指标维度

    这时候就要隆重介绍一下前面《指标体系搭建流程图》中提到的新4W1H分析法了。为什么叫新4W1H,因为针对传统的4W1H进行了新的的解释,在新的释义上可以更加合理的加上本人在实际工作中总结的经验。

    根据平时的埋点总结,事件维度主要由主题和事件因果几个大维度组成。主体即用户、设备和应用,因果即这个事件的来源和结果。通过增加因果维度可以方便的看到一个事件的来源和去向。

    我们先用一张图来了解下新4W1H分析法是如何定义维度的:

     

    Who:触发该事件的主体,是唯一区分用户的标志,如果用户登录了则使用用户ID(设备ID也需要记录),未登录则使用设备ID。

    When:事件发生的时间,使用UNIX时间戳就好。

    What:描述触发这个事件的参与主体具体信息,一般有三个主体,用户本身、应用、还有设备。使用第三方服务的话除了用户信息需要我们埋点设置,其他的第三方SDK都会自动采集,所以这部分参数不是我们工作的重点。

    Where:事件发生的物理地点,可以用过GPS、LBS、IP来判断,具体视用户的授权而定。位置信息第三方SDK也会自动采集。

    How:事件的具体描述,这一块才是我们工作的重点,缺乏经验的话往往会遗漏一些重要的维度,导致后续的分析支持不上。根据个人总结的因果分析法可以将事件的描述分为来源和结果描述,事件的来源去向无非有两类:多个行为造成同一个结果、一个行为造成不同结果。

    例如:进入充值页面,可能从不同入口进来的;点击充值按钮,可能会充值成功或者充值失败。

    事件的结果即为对该事件的具体信息描述。通过因果分析法进入充值页面到充值成功这一系列行为我们可以做以下事件埋点(以下事件维度只列举因果分析法相关维度,其它参数视具体业务自由增加)。

     通过这样的埋点,我们就可以很清晰的知道进入充值页面各个入口的分布情况,也能知道点击充值按钮后充值成功和失败的分布。

    6)明确上报时机

    事件的上报时机由事件的定义来具体决定。主要有以下三大类:

    • 展示:展示时候上报,需要明确重复展示是否重复上报,像那种自动轮播的banner就不需要重复展示重复上报,因为这样的重复上报是没什么意义的,而用户反复滑动导致的重复展示可以重复上报;

    • 点击:点击时上报,这个是最简单的上报时机,一般没什么争议;

    • 接口:这个涉及到与后端的接口交互,如前面举例的购买_金币_结果事件,上报时机则为充值成功或者失败时上报,即客户端拿到后端返回的具体结果时上报。

    7)输出数据需求文档

    当上面工作已经做完时,就可以输出需求文档了,需求文档主要包含以下信息:

    8)录入指标字典

    埋点指标上线后,为了方便业务方使用,可以将各指标按照业务分为不同的主题,方便使用者快速找到需要的指标,具体包含以下信息:

    四、 数据指标体系搭建方法及经验

    那怎么才能搭建有效的指标体系呢,笔者给大家分享以下几点经验:

    4.1、掌握基本的思维模型,全面洞悉业务

    数据分析离不开业务,了解业务是我们搭建指标体系的前提,掌握一些基本思维模型,可以帮助我们快速、全面的洞察业务。

    4.1.1 5W2H模型

    经典的数据分析思维模型。以五个W开头的英语单词和两个H开头的英语单词进行提问,从回答中发现解决问题的线索,即何因(why)、何事(what)、何人(Who)、何时(When)、何地(where)、如何做(How)、何价(How much)。

    5w2h能帮助我们培养一种严谨全面的思维模式,让分析的过程更加全面更有条理,不会产生混乱和遗漏,当你觉得你的指标体系已经很完美的时候,可以用这个模型来帮助你肯找到思维的漏洞。

    4.1.2 逻辑树方法及MECE原则

    逻辑树方法可以帮我们将复杂的业务问题拆解成多个简单问题,从而帮助我们拆分更细的数据指标。

     Mece原则的意思是“相互独立,完全穷尽”,我们搭建指标体系的一个重要标准就是不重复不遗漏,运用mece原则可以很好的帮助我们把握核心指标,提升指标系统的有效性。

    4.1.3 商业画布

    商业画布是一种分析企业价值的工具,通过把商业模式中的元素标准化,引导我们的思维,将业务知识素材归档,在了解业务的过程中,我们可以按照下面张图来完善填充,从多个角度全面的洞察业务

     除了上面的思维模型,最好的了解业务的方式就是和业务方多交流,认识当前业务的关键问题,毕竟建立完善系统的指标体系需要很长一段时间,最好从部分关键点开始,先解决问题。

    4.2 指标体系搭建方法论

    对应业务场景的指标体系有相应的方法论,比如基于用户生命周期的指标体系AARRR、客户满意度指标体系等等,简单给大家分享几个:

    1)第一关键指标

    这个概念是我在《精益数据分析》中看到的,指的是当前阶段无比重要的第一指标,同时也指出了在创业阶段的任意时间点上应该且只关注一项重要指标。这个概念在我们搭建数据分析指标体系的时候同样有指导意义。

    先抓住公司当前阶段的“第一关键指标”,然后再把这个指标拆解到各部门,形成各部门的“第一关键指标”,也就是我们说的OKR,或者是KPI,然后再根据各部门的业务,基于这个第一关键指标思考应该关注哪些细化的指标。

    2)基于用户生命周期的指标体系:AARRR

     3)客户满意度指标体系:RATER指数模型

     总之,关于指标体系的搭建可以先模仿再优化,重点是解决业务问题,我整理的一些特定业务场景的指标体系,可以先模仿套用,再根据业务形态加以调整,快的话,2个小时一个指标体系即可搭建完成。

    五、数据指标体系的价值点

    5.1 建立业务量化衡量的标准

    指标体系可以建立业务量化衡量的标准,数据分析的目的就是说明、衡量、预测业务的发展。

    比方说衡量一个门店经营的状况,一个门店月净利润20万元,刚看这个指标感觉这个店盈利不少,发展应该不错

    但是再一看前两个月的净利润,发现前两个月的净利润都是40万以上,增加了这一个指标,我们就发现了这个店的经营状况可能存在问题了。

     

     在衡量业务经营状况的过程中,单一数据指标衡量很可能片面化,需要通过补充其他的指标来使我们的判断更加准确。因此,搭建系统的指标体系,才能全面衡量业务发展情况,促进业务有序增长。

    5.2 减少重复工作,提高分析效率

    有了指标体系,数据分析师就可以少干点临时提数的活,指标体系建立后应该能覆盖大部分临时数据分析需求,如果指标体系搭建完了,还是有很多临时的分析需求涌现,那证明这个指标体系是有问题的。

    5.3 帮助快速定位问题

    建立了系统指标体系,有了过程与结果指标,有了指标的前后关联关系,就可以通过回溯与下钻,快速找到关键指标波动的原因,老板让你分析原因,再也不用愁眉苦脸了。

    不过这些价值发挥的前提是建立合理、有效的指标体系,且数据质量有保证,数据质量都不能保证,指标体系搭的再好,分析出来的结果也没什么意义。

    参考资料:

    1.微信公众号(谈数据)-《7000字,讲透数据指标体系的建设》

    展开全文
  • |0x00 如何理解指标体系 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...

    |0x00 如何理解指标体系

    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:

    在这里插入图片描述
    在这里插入图片描述

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-AWPcG12f-1617021765102)(media/16163754979490/16170028080971.jpg)]

    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。

    |0x01 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:

    在这里插入图片描述

    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:

    在这里插入图片描述

    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。

    |0x02 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》。

    |0xFF 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。

    展开全文
  • 企业级指标体系搭建全流程落地

    千次阅读 2022-04-17 11:30:33
    本文先介绍了指标体系的概念,然后论证了引入指标体系的必要性,最后详细讲解了企业中搭建指标体系的全流程。
    这是「活用数据」的第 9 篇原创文章

    本文先介绍了指标体系的概念,然后论证了引入指标体系的必要性,最后详细讲解了企业中搭建指标体系的全流程。

    本文通过黄金思维圈(what-why-how)的逻辑来呈现。

    数据指标体系是什么?

    指标,即具备业务含义,能够反映业务特征的数据。

    因此,一个指标应该至少满足以下条件:

    • 指标必须为数值,不能是文本。例如“订单”不是指标,“支付订单数”,“核销订单数”等才是指标。

    • 指标都是汇总计算出来的。单一个体的明细数据不是指标,因为它不具备任何业务意义,例如“用户A的订单数”不能够反映业务特征,因此它也不是指标。

    但是,在实际情况中,单一一个指标很难描述清楚业务现状,例如指标为“支付订单数”,那么“支付订单数”的增加究竟是拉新带来的呢?还是运营促活带来的呢?这样就可能出现不同部门之间相互扯皮的现象。

    所以,想要更好地描述业务,实际上需要的是一整套指标体系。

    指标体系是指根据业务的目标,将多个指标创建联系后形成的整体。

    可以看出,指标体系中的多个指标之间一定是存在逻辑关系的,而不是多个指标的简单堆砌。

    好的指标体系的特征

    1. 科学性:指标必须符合业务状况、计算方法要符合行业标准。
    2. 系统性:各个指标之间要有逻辑关系。
    3. 代表性:能突出反映业务现状。
    4. 统一性:在各指标被不同部门使用的时候,需要保证指标的计算口径的统一。

    为什么需要数据指标体系?

    根据奥卡姆剃刀原理如无必要,勿增实体,我们在引入一样东西之前需要先论证其必要性。

    所以,数据指标体系究竟有什么作用呢,为什么值得我们引入它?

    指标体系的作用

    1. 看清业务现状

      通过数据对业务进行描述统计,避免了不明确、不清楚、不确定的情况,这是指标体系最基础的作用。

    2. 合理调配公司资源,明确工作重点

      指标体系是一个树形结构,如果是企业级的指标体系,可以对应到产品市场运营团队的组织架构,能够让每个人都能明确自己的工作重心。

    3. 向上评估指标的影响范围和程度

      除了顶层指标(北极星指标)外,指标体系中的每个指标都有其父指标,因此通过分析指标在其父指标中的占比,以及分析指标与父指标的相关性,就能够评估指标的影响范围和程度。

    4. 向下寻找指标异动的原因

      除了最底层指标外,指标体系中的每个指标都有其子指标,因此当指标发生明显变化时,就能够通过子指标寻找原因。

    在企业中,有2种常见状况需要搭建指标体系:

    • 整个公司缺乏系统性的指标体系,这时需要搭建的是企业级的指标体系;

    • 新上线的业务/活动,需要设立监控指标,这时需要搭建的是项目级的指标体系。

    那么,该怎么搭建呢?

    如何搭建数据指标体系?

    搭建数据指标体系的完整流程如下:

    北极星指标
    拆解指标
    指标定义
    埋点设计
    数据验证
    报表开发
    优化迭代

    Step 1 确定北极星指标

    北极星指标(North Star Metric),又叫作第一关键指标(One Metric That Matters, OMTM),是指在当前阶段最重要的指标,就像天上的北极星一样,具备良好的指向性。

    根据定义,北极星指标应该具有以下特性:

    • 阶段性:北极星指标是一个阶段性的中期指标;
    • 唯一性:企业的投入成本是有限的,在不同阶段都应该有一个唯一性的指标,不可能朝着所有方向同时努力。

    有几个常用的方法可以帮助我们确定北极星指标。

    1 通过KPI/OKR确定北极星指标

    这是最简单直接的确定方法,例如老板定下的KPI就是“日均支付订单数超过10万”,那么北极星指标就可以定位“日均支付订单数”。

    2 判断指标是否符合商业目标和用户价值

    • 商业目标:一个企业的最终愿景,而北极星指标,是实现这个愿景的一个中期战略目标。
    • 用户价值:用户对于产品的主要需求。

    步骤如下:

    明确商业目标和用户价值
    列出备选指标
    确定北极星指标

    以一个电商平台为例(该平台是通过订单提成作为主要盈利模式):

    3 结合产品生命周期确定

    每个产品生命周期可以使用的北极星指标如下:

    • 探索期:验证PMF,侧重留存;
    • 成长期:重点在拉新,变现提上日程;
    • 成熟期:重点在付费转化;
    • 衰退期:挖掘新场景;

    具体可以参考:为你的产品选择合适的北极星指标,从了解产品开始

    Step 2 梳理业务,拆解指标

    1.按照某个维度进行拆解

    要求维度内遵循MECE原则,且每个维度内的子指标求和等于上层指标。

    例如,以城市为维度进行拆解:

    注意:拆解时需要根据公司的业务情况选择分类维度,而不是按照用户性别、地域、来源渠道等等一堆维度胡乱拆解,显得数据指标很丰富,但是实际上没有任何的业务意义。

    2.按照计算方式/统计口径进行拆解

    比率型指标天然就由分子和分母两部分组成,所以可以按照口径先进行拆解,其他指标也可以按照计算方式进行拆解。

    例如,以有效购买转化率为例进行拆解:

    指标拆解完成后需要进行核查:

    • 是否存在重复指标
    • 上下级指标是否存在明确、直接的关系
    • 指标关联的维度是否尽可能完备
    • 每个指标是否具备一定的业务指导意义
    • 每个指标是否能够对应到负责人

    Step 3 明确指标定义

    指标拆解完成之后,我们需要拉上业务团队,技术团队,一起讨论确认指标定义和数据更新周期,指标定义应该包含指标名称、指标说明、计算公式、注意事项等。

    示例:

    指标名称指标说明计算公式
    新用户N日留存率新用户在注册日后的第N日当天返回的比例N日留存率 = N日留存用户数/注册用户数

    确定好指标定义之后以文档形式留存,避免后面扯皮。

    Step 4 埋点设计

    如果公司采用的是第三方埋点,那么大概率就不需要再进行埋点设计了,只需要根据参考文档进行取数即可;而如果是公司自己埋点的话,那么可能还需要进行埋点设计,然后让前端进行开发。

    Step 5 数据验证

    项目开发完成后我们需要对采集到的数据进行验证。

    1. 表字段是否包含所有事件属性
    2. 表数据是否符合正确性、顺序性、完整性
      • 正确性:是否有数据,内容和格式是否正确
      • 顺序性:有顺序的行为,上发时间是否符合顺序
      • 完整性:需要针对所有场景进行测试

    Step 6 指标体系报表可视化开发

    前面的所有准备工作做好之后,我们才能进入到最后的开发阶段。

    底层数据跟宽表数据应该是数据开发提前做好的,我们要做的就是构建业务统计表,以及根据业务统计表进行数据可视化,数据分析,数据报表等后续工作。

    数据可视化报表我们可以采用以下的一些实现方式:

    1. 邮件报表:最简单的可以是定时任务工具crontab,或者是任务调度工具Celery,甚至是任务调度平台Airflow,都是可以实现自动化定时任务的。

    2. BI工具:Quick BI、Tableau、FineBI等商业智能软件也能够呈现我们搭建的数据指标体系。

    3. Web开发:更加定制化的方式自然是自己进行Web开发,可以使用Python的一些Web框架来实现,例如DjangoFlask等。

    Step 7 后续优化迭代

    完成了数据指标体系的搭建之后,随着公司业务的发展变更,指标体系也需要随着业务情况进行调整更新,不断地适应新的业务情况,才能起到其应有的作用。

    展开全文
  • 我是小z数据指标体系是构建数据中台的重要一环。数据指标的建立让运营及产品人员更直观地看到基本指标的变动,让数据分析师更便捷地开展数据分析工作。这篇文章就紧紧围绕“指标体系”展开,内容略干。...
  • 指标体系(一)

    千次阅读 2021-02-22 16:22:59
    指标体系(一) 本标准规定了指标标准的主要内容,包括指标项及其相关属性、公共维度、公共计算规则及名词术语。本标准按指标分类对指标项进行了规范化定义和管理,以满足公司业务管理、统计分析、系统建设、数据...
  • 这是彭文华的第171篇原创讲真,构建指标体系,我是专业的!这两年指标体系火起来了,在早些时候互联网行业还没这么喜欢指标体系呢。那时候只有统计系统才用这个东西,比如各种统计年鉴里,随便翻开一...
  • 数据指标体系 1. 什么是数据指标体系 通常我们讲述的指标是对当前业务有参考价值的统计数据,换句话说,不是所有的数据都叫指标。指标的核心意义是它使得业务目标可描述、可度量、可拆解。常用的指标有PV、UV等。 ...
  • 【制造业】-供应链数据指标体系最佳实践,涵盖:核心指标、拆解对应的二级和三级指标、人效指标
  • 用户行为分析的指标体系

    千次阅读 2019-07-02 15:19:07
    易观方舟预定义指标,指的是易观方舟在开始使用之后,不用进行埋点,初始化就可以得到的数据,这样的一系列指标就形成了方舟独特的指标体系。易观方舟预定义维度指的是初始化默认的细分维度。 预定义指标: 访问级...
  • 数仓指标体系搭建实战(上)

    千次阅读 2020-12-02 20:37:00
    曹雷 | 作者滴滴技术|来源指标体系是什么?如何使用OSM模型和AARRR模型搭建指标体系?如何统一流程、规范化、工具化管理指标体系?本文会对建设的方法论结合滴滴数据指标体系建设实践...
  • 前言 指标,只要做业务或者做数据,没有不知道的。...指标不同,指标不是“贴”上去的,指标是数字化的反映业务过程的发生、发展情况。对于被考核一方而言,盯着指标“做指标”;对于管理者而言,盯
  • 指标体系是什么?  如何使用OSM模型和AARRR模型搭建指标体系?  如何统一流程、规范化、工具化管理指标体系?  一、 什么是指标体系  1.1 指标体系定义  指标体系是将零散单点的具有相互联系的指标,系统化的...
  • 全面了解风控指标体系

    万次阅读 多人点赞 2020-04-26 14:40:12
    常用的逾期率指标有逾期天数和逾期区间两块,统计时可分合同笔数和合同金额。 逾期天数 DPD:(days past due):已逾契约书约定缴款日的延滞天数,贷放型产品自缴款截止日(通常为次一关帐日)后第一天开始算。例:...
  • 学习-数据指标体系

    2020-09-09 14:48:49
    1.数据指标是反应同类现象总体综合数量特征,用于衡量事物发展程度的单位或方法(例如:利润率),一般通过数据汇总计算方式得到,数据汇总计算通常有统计口径与范围限制。在数据产品中,数据指标是根据数据分析得到...
  • 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。 数据指标体系的搭建是数据化运营的基础,基于对业务逻辑和商业模式的理解,通过层次化、结构化的指标定义和维度划分将...
  • 前面几讲,我们从数据岗的知识体系出发,学习了常用的SQL语法,复习了统计学的基础知识。今天的分享我们是数据分析岗的最后一讲,着重于分享常用的统计学指标以及数据分析师的常用分析方法。「Pa...
  • 数据分析-如何搭建业务指标体系

    千次阅读 2020-06-28 13:11:38
    如何搭建指标体系 一、为什么要搭建指标体系 一)对业务质量提出衡量标准 没有指标对业务进行系统衡量,我们就无法把控业务发展,无法对业务质量进行衡量,尤其现在很多企业多项业务并行,单一数据指标衡量很可能...
  • 数据仓库之指标体系建设分享

    千次阅读 2020-08-28 00:10:35
    1 指标体系 2 为什么要搭建指标体系 3 如何搭建指标体系 4怎么管理指标体系 5 如何产品化指标体系 6 结束 7 参考文献
  • 老李给大家整了各行业的数据指标体系框架,帮助大家理清分析思路,上次分享了关于线下零售指标体系的文章,不少朋友觉得不过瘾,今天继续给大家带来电商行业的全指标体系详解!建议收藏! 下面我们详细解释其中...
  • 数仓建模—指标体系

    2021-12-21 00:35:23
    关注公众号:大数据技术派,回复资料,领取1024G资料。指标体系指标建设过程中遇到的问题指标建设方法论指标的构成如何设立指标体系评价指标体系指标管理场景落地总结指标体系提起指标这个词,每个...
  • 滴滴打车 -- 数仓指标体系建设实践

    千次阅读 2020-09-02 11:43:30
    桔妹导读:指标体系是什么?如何使用OSM模型和AARRR模型搭建指标体系?如何统一流程、规范化、工具化管理指标体系?本文会对建设的方法论结合滴滴数据指标体系建设实践进行解答分析。1.什...
  • 电商数据分析基础指标体系

    千次阅读 2016-03-15 18:26:07
    电商数据分析基础指标体系 傅志华 信息流、物流和资金流三大平台是电子商务的三个最为重要的平台。而电子商务信息系统最核心的能力是大数据能力,包括大数据处理、数据分析和数据挖掘能力。无论是电商平台(如淘宝)...
  • 网站数据分析指标体系

    千次阅读 2017-08-27 12:26:17
    【编者注】网站流量统计,是指对网站访问的相关指标进行统计。本文整理自网友分享的一份 Word 文档,主要介绍了网站分析的 KPI 指标、数据分析方法、网站分析工具介绍和对比等。 一、总论 1. 概念  网站...
  • 银行业风险管理与控制基础指标体系,持续更新和完善
  • 常用统计模型与算法

    千次阅读 2020-03-03 18:56:53
    基本统计方法 方差分析:研究分类变量与数值型变量的相关关系 相关分析:主要研究数值变量间的线性相关关系 ...两者都是变量降维的重要方法,另,主成分可用于综合指标体系的建立,因子分析可用于研究变量...
  • 滴滴数据仓库指标体系建设实践

    千次阅读 2020-08-27 21:34:39
    桔妹导读:指标体系是什么?如何使用OSM模型和AARRR模型搭建指标体系?如何统一流程、规范化、工具化管理指标体系?本文会对建设的方法论结合滴滴数据指标体系建设实践进行解答分析。1.什...
  • 1、全面支持决策: 数据指标极具参考价值,公司的管理层为了更准确进行战略决策,需要搭建完备的数据指标体系,一个相对全面的数据指标体系,可以让管理者对公司的发展从数据层面有一个比较客观的认知,这样在进行...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 18,006
精华内容 7,202
热门标签
关键字:

常用的统计指标体系