精华内容
下载资源
问答
  • 集团统计指标体系

    2020-12-31 02:23:28
    三百六十行,行行出状元,但状元也是需要查找和学习集团统计指标体系的,欢迎大家下载集团统计指标体系参...该文档为集团统计指标体系,是一份很不错的参考资料,具有较高参考价值,感兴趣的可以下载看看
  • 首先分析了动漫产业发展中的主要影响因素,然后基于这些影响因素构建了对动漫企业进行分析评价的指标体系,最后通过对动漫企业的调查获取一手数据,并运用统计分析软件SPSS 16 .0对数据进行信度分析和因子分析,利用分析...
  • 教育资料
  • 文章基于煤炭企业的云评价指标体系权重分析,结合数据中心联盟的可信云认证指标体系,选取煤炭行业熟识的5个云提供商的云存储类型,对其12个服务指标进行调研、统计、分析,最后计算出5个云存储服务质量的总分数及排名。...
  • 港口企业顾客满意度指数测评指标体系的建立及其应用,陈志坚,,本文以广州港新沙港务有限公司顾客满意度指数测评为例论述港口企业应如何建立顾客满意度指数测评指标体系及如何运用统计方法对测
  • 主要内容包括: ——企业数据架构 ——系列技术规范构成 (2)中国联通IT系统数据架构 第2部分:数据分类和分布规范分册 主要内容包括: ...——联通数据模型体系 ——概念数据模型 ——逻辑数据模型
  • 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)...

    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)还是在电商平台上销售产品的卖家,都需要掌握大数据分析的能力。越成熟的电商平台,越需要以通过大数据能力驱动电子商务运营的精细化,更好的提升运营效果,提升业绩。构建系统的电子商务数据分析指标体系是数据电商精细化运营的重要前提,本文将重点介绍电商数据分析指标体系。

    电商数据分析指标体系分为八大类指标,包括总体运营指标、网站流量累指标、销售转化指标、客户价值指标、商品及供应链指标、营销活动指标、风险控制指标和市场竞争指标。不同类别指标对应电商运营的不同环节,如网站流量指标对应的是网站运营环节,销售转化、客户价值和营销活动指标对应的是电商销售环节。


    1.电商总体运营指标

    总体运营指标

    流量类指标

    独立访客数(UV)

    页面访问数(PV)

    人均页面访问数

    订单产生效率指标

    总订单数量

    访问到下单转化率

    总体销售业绩指标

    成交金额(GMV)

    销售金额

    客单价

    整体指标

    销售毛利

    毛利率

    电商总体运营整体指标主要面向的人群电商运营的高层,通过总体运营指标评估电商运营的整体效果。电商总体运营整体指标包括四方面的指标:

    1)流量类指标

    • 独立访客数(UV),指访问电商网站的不重复用户数。对于PC网站,统计系统会在每个访问网站的用户浏览器上一个cookie来标记这个用户,这样每当被标记cookie的用户访问网站时,统计系统都会识别到此用户。在一定统计周期内如(一天)统计系统会利用消重技术,对同一cookie在一天内多次访问网站的用户仅记录为一个用户。而在移动终端区分独立用户的方式则是按独立设备计算独立用户。

    • 页面访问数(PV),即页面浏览量,用户每一次对电商网站或着移动电商应用中的每个网页访问均被记录一次,用户对同一页面的多次访问,访问量累计。

    • 人均页面访问数,即页面访问数(PV)/独立访客数,该指标反映的是网站访问粘性。

    2)订单产生效率指标

    • 总订单数量,即访客完成网上下单的订单数之和。

    • 访问到下单的转化率,即电商网站下单的次数与访问该网站的次数之比。

    3)总体销售业绩指标

    • 网站成交额(GMV),电商成交金额,即只要网民下单,生成订单号,便可以计算在GMV里面。

    • 销售金额。销售金额是货品出售的金额总额。

    注:无论这个订单最终是否成交,有些订单下单未付款或取消,都算GMV,销售金额一般只指实际成交金额,所以,GMV的数字一般比销售金额大。

    • 客单价,即订单金额与订单数量的比值。

    4)整体指标

    • 销售毛利,是销售收入与成本的差值。销售毛利中只扣除了商品原始成本,不扣除没有计入成本的期间费用(管理费用、财务费用、营业费用)。

    • 毛利率,是衡量电商企业盈利能力的指标,是销售毛利与销售收入的比值。如京东的2014年毛利率连续四个季度稳步上升,从第一季度的10.0%上升至第四季度的12.7%,体现出京东盈利能力的提升。


    2.网站流量指标

    常用流量类指标

    流量规模类指标

    独立访客数(UV)

    页面访问数(PV)

    流量成本类指标

    访客获取成本

    流量质量类指标

    跳出率

    页面访问时长

    人均页面访问数

    会员类指标

    注册会员数

    活跃会员数

    活跃会员率

    会员复购率

    会员平均购买次数

    会员回购率

    会员留存率

    1)流量规模类指标

    常用的流量规模类指标包括独立访客数和页面访问数,相应的指标定义在前文(电商总体运营指标)已经描述,在此不在赘述。

    2)流量成本累指标

    单位访客获取成本。该指标指在流量推广中,广告活动产生的投放费用与广告活动带来的独立访客数的比值。单位访客成本最好与平均每个访客带来的收入以及这些访客带来的转化率进行关联分析。若单位访客成本上升,但访客转化率和单位访客收入不变或下降,则很可能流量推广出现问题,尤其要关注渠道推广的作弊问题。

    3)流量质量类指标

    • 跳出率(Bounce Rate)也被称为蹦失率,为浏览单页即退出的次数/该页访问次数,跳出率只能衡量该页做为着陆页面(LandingPage)的访问。如果花钱做推广,着落页的跳出率高,很可能是因为推广渠道选择出现失误,推广渠道目标人群和和被推广网站到目标人群不够匹配,导致大部分访客来了访问一次就离开。

    • 页面访问时长。页访问时长是指单个页面被访问的时间。并不是页面访问时长越长越好,要视情况而定。对于电商网站,页面访问时间要结合转化率来看,如果页面访问时间长,但转化率低,则页面体验出现问题的可能性很大。

    • 人均页面浏览量。人均页面浏览量是指在统计周期内,平均每个访客所浏览的页面量。人均页面浏览量反应的是网站的粘性。

    4)会员类指标

    • 注册会员数。指一定统计周期内的注册会员数量。

    • 活跃会员数。活跃会员数,指在一定时期内有消费或登录行为的会员总数。

    • 活跃会员率。即活跃会员占注册会员总数的比重。

    • 会员复购率。指在统计周期内产生二次及二次以上购买的会员占购买会员的总数。

    • 会员平均购买次数。指在统计周期内每个会员平均购买的次数,即订单总数/购买用户总数。会员复购率高的电商网站平均购买次数也高。

    • 会员回购率。指上一期末活跃会员在下一期时间内有购买行为的会员比率。

    • 会员留存率。会员在某段时间内开始访问你的网站,经过一段时间后,仍然会继续访问你的网站就被认作是留存,这部分会员占当时新增会员的比例就是新会员留存率,这种留存的计算方法是按照活跃来计算,另外一种计算留存的方法是按消费来计算,即某段的新增消费用户在往后一段时间时间周期(时间周期可以是日、周、月、季度和半年度)还继续消费的会员比率。留存率一般看新会员留存率,当然也可以看活跃会员留存。留存率反应的是电商留住会员的能力。

    3.网站销售(转化率)类指标

    网站销售(转化率)类指标

    购物车类指标

    基础类统计

    加入购物车次数

    加入购物车买家数

    加入购物车买家数

    加入购物车商品数

    转化类统计

    购物车支付转化率

    下单类指标

    基础类统计

    下单笔数

    下单金额

    下单买家数

    转化类统计

    浏览下单转化率

    支付类指标

    基础类统计

    支付金额

    支付买家数

    支付商品数

    转化类统计

    浏览-支付买家转化率

    下单-支付金额转化率

    下单-支付买家数转化率

    下单-支付时长

    交易类指标

    成功类统计

    交易成功订单数

    交易成功金额

    交易成功买家数

    交易成功商品数

    失败类统计

    交易失败订单数

    交易失败订单金额

    交易失败订单买家数

    交易失败商品数

    退款统计

    退款总订单量

    退款金额

    退款率

    1)购物车类指标

    • 基础类指标,包括一定统计周期内加入购物车次数、加入购物车买家数、加入购物车买家数以及加入购物车商品数。

    • 转化类指标,主要是购物车支付转化率,即一定周期内加入购物车商品支付买家数与加入购物车购买家数的比值。

    2下单类指标

    • 基础类指标,包括一定统计周期内的下单笔数、下单金额以及下单买家数。

    • 转化类指标,主要是浏览下单转化率,即下单买家数与网站访客数(UV)的比值。

    3)支付类指标

    • 基础统计类指标,包括一定统计周期内支付金额、支付买家数和支付商品数。

    • 转化类指标。包括浏览-支付买家转化率(支付买家数/网站访客数)、下单-支付金额转化率(支付金额/下单金额)、下单-支付买家数转化率(支付买家数/下单买家数)和下单-支付时长(下单时间到支付时间的差值)。


    4.客户价值类指标

    客户价值类指标

    客户指标

    累计购买客户数

    客单价

    新客户指标

    新客户数量

    新客户获取成本

    新客户客单价

    老客户指标

    消费频率

    最近一次购买时间

    消费金额

    重复购买率

    • 客户指标。常见客户指标包括一定统计周期内的累计购买客户数和客单价。客单价是指每一个客户平均购买商品的金额,也即是平均交易金额,即成交金额与成交用户数的比值。

    • 新客户指标。常见新客户指标包括一定统计周期内的新客户数量、新客户获取成本和新客户客单价。其中,新客户客单价是指第一次在店铺中产生消费行为的客户所产生交易额与新客户数量的比值。影响新客户客单价的因素除了与推广渠道的质量有关系,还与电商店铺活动以及关联销售有关。

    • 老客户指标。常见老客户指标包括消费频率、最近一次购买时间、消费金额和重复购买率。消费频率是指客户在一定期间内所购买的次数;最近一次购买时间表示客户最近一次购买的时间离现在有多远;客户消费金额指客户在最近一段时间内购买的金额。消费频率越高,最近一次购买时间离现在越近,消费金额越高的客户越有价值。重复购买率则指消费者对该品牌产品或者服务的重复购买次数,重复购买率越多,则反应出消费者对品牌的忠诚度就越高,反之则越低。重复购买率可以按两种口径来统计:第一种,从客户数角度,重复购买率指在一定周期内下单次数在两次及两次以上的人数与总下单人数之比,如在一个月内,有100个客户成交,其中有20个是购买两次及以上,则重复购买率为20%;第二种,按交易计算,即重复购买交易次数与总交易次数的比值,如某月内,一共产生了100笔交易,其中有20个人有了二次购买,这20人中的10个人又有了三次购买,则重复购买次数为30次,重复购买率为30%

    5.商品类指标

    商品类目指标

    产品总数指标

    SKU

    SPU

    在线SPU数

    产品优势性指标

    独家产品收入比重

    品牌存量

    品牌数

    在线品牌数

    上架

    上架商品SKU数

    上架商品SPU数

    上架在线SPU数

    上架商品数

    上架在线商品数

    首发

    首次上架商品数

    首次上架在线商品数

    • 产品总数指标。包括SKUSPU和在线SPUSKU是物理上不可分割的最小存货单位。SPUStandard Product Unit (标准化产品单元),SPU是商品信息聚合的最小单位,是一组可复用、易检索的标准化信息的集合,该集合描述了一个产品的特性。通俗点讲,属性值、特性相同的商品就可以称为一个SPU。如iphone5S是一个SPU,而iPhone 5S配置为16G版、4G手机、颜色为金色、网络类型为TD-LTE/TD-SCDMA/WCDMA/GSM则是一个SKU。在线SPU则是在线商品的SPU数。

    • 产品优势性指标。主要是独家产品的收入占比,即独家销售的产品收入占总销售收入的比例。

    • 品牌存量指标。包括品牌数和在线品牌数指标。品牌数指商品的品牌总数量。在线品牌数则指在线商品的品牌总数量。

    • 上架。包括上架商品SKU数、上架商品SPU数、上架在线SPU数、上架商品数和上架在线商品数。

    • 首发。包括首次上架商品数和首次上架在线商品数。


    6.市场营销活动指标

    市场营销活动指标

    市场营销活动指标

    新增访问人数

    新增注册人数

    总访问次数

    订单数量

    下单转化率

    ROI

    广告投放指标

    新增访问人数

    新增注册人数

    总访问次数

    订单数量

    UV订单转化率

    广告投资回报率

    • 市场营销活动指标。包括新增访问人数、新增注册人数、总访问次数、订单数量、下单转化率以及ROI。其中,下单转化率是指活动期间,某活动所带来的下单的次数与访问该活动的次数之比。投资回报率(ROI)是指,某一活动期间,产生的交易金额与活动投放成本金额的比值。

    • 广告投放指标。包括新增访问人数、新增注册人数、总访问次数、订单数量、UV订单转化率、广告投资回报率。其中,下单转化率是指某广告所带来的下单的次数与访问该活动的次数之比。投资回报率(ROI)是指,某广告产生的交易金额与广告投放成本金额的比值。

    7.风控类指标

    风控类指标

    买家评价指标

    买家评价数

    买家评价卖家数

    买家评价上传图片数

    买家评价率

    买家好评率

    买家差评率

    投诉指标

    发起投诉(申诉)数

    投诉率

    撤销投诉(申诉)数

    • 买家评价指标。包括买家评价数,买家评价卖家数、买家评价上传图片数、买家评价率、买家好评率以及卖家差评率。其中,买家评价率是指某段时间参与评价的卖家与该时间段买家数量的比值,是反映用户对评价的参与度,电商网站目前都在积极引导用户评价,以作为其他买家购物时候的参考。买家好评率指某段时间内好评的买家数量与该时间段买家数量的比值。同样,买家差评率指某段时间内差评的买家数量与该时间段买家数量的比值。尤其是买家差评率,是非常值得关注的指标,需要监控起来,一旦发现买家差评率在加速上升,一定要提高警惕,分析引起差评率上升的原因,及时改进。

    • 买家投诉类指标。包括发起投诉(或申诉),撤销投诉(或申诉),投诉率(买家投诉人数占买家数量的比例)等。投诉量和投诉率都需要及时监控,以发现问题,及时优化。

    8.市场竞争类指标

    市场竞争类指标

    市场份额相关

    市场占有率

    市场扩大率

    用户份额

    网站排名

    交易额排名

    流量排名

    • 市场份额相关指标,包括市场占有率、市场扩大率和用户份额。市场占有率指电商网站交易额占同期所有同类型电商网站整体交易额的比重;市场扩大率指购物网站占有率较上一个统计周期增长的百分比;用户份额指购物网站独立访问用户数占同期所有B2C购物网站合计独立访问用户数的比例。

    • 网站排名,包括交易额排名和流量排名。交易额排名指电商网站交易额在所有同类电商网站中的排名;流量排名指电商网站独立访客数量在所有同类电商网站中的排名。

    总之,本文介绍了电商数据分析的基础指标体系,涵盖了流量、销售转化率、客户价值、商品类目、营销活动、风控和市场竞争指标,这些指标都需要系统化的进行统计和监控,才能更好的发现电商运营健康度的问题,以更好及时改进和优化,提升电商收入。如销售转化率,其本质上是一个漏斗模型,如从网站首页到最终购买各个阶段的转化率的监控和分析是网站运营健康度很重要的分析方向。

    展开全文
  • 数据分析-如何搭建业务指标体系

    千次阅读 2019-04-14 21:23:24
    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...

    转自数极客简述文章,感谢作者!

     

    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片面化。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。

     

    二)明确结果型指标和过程型指标的关系

    完整的指标体系,能够帮我们明确结果型指标和过程型指标的关系。不仅能分析结果,更能分析过程。通过结果指标回溯到和用户行为相关的过程指标,找到解决问题的核心原因。如结果型指标转化率,但影响它的多为浏览行为、停留时间等过程型指标,通过指标体系,能清晰明确转化率和和浏览次数、停留时间的关联关系。

    三)指导内部产品、营销、运营的工作

    产品、营销、运营等部门都是促进公司发展的重要组成部分,通过完成的指标体系和数据分析,可以有效指导各部门成员的工作,以数据驱动,找到不足,提升业绩。

     

    四)指导数据采集

    完善的指标体系可以让采集更有目的性,避免分析时的指标数据遗漏或缺失。虽然我们有些数据分析软件可以对数据缺失值进行处理,但如果连指标都没有,这种缺失肯定是软件无法处理的,尤其是关键指标的缺失,将会造成分析结果的可信度下降。

     

     

    二、如何搭建指标体系

    一)指标类型

    指标类型可以按照多种标准划分:

    1.按计算方法,分为单一指标和复合指标(由单一指标通过加、减、乘、除四则运算生成),如浏览人数和注册转化率

    2.按指标的正负意义,可分为正向指标(如转化率、购买率,越高越好)和负向指标(如跳出率、错误率,越低越好)

    3.按业务范围,可分为行为指标如浏览次数、关键事件次数、转化率等;成本指标新访客成本、CPC、CPM等;营收指标客单价、重复购买率、ROI等

    一个完整的指标体系会包含多种类型的指标。

     

    二)确定OMTM

    OMTM:唯一关键指标(one metric that matters, OMTM).在数据分析时,可以抓取许许多多的数据,但必须聚焦在最关键的事情上。根据分析目的,只关注驱动的核心,唯一关键指标,根据OMTM搭建指标体系。

    这里我们需要提一下选择OMTM指标遵循的三个“好指标原则”

    好指标一定是可比较、可理解并且是会可指导的。

    围绕这三个原则确定OMTM。

     

    三)为什么OMTM是驱动的核心?

    聚焦OMTM让你和整个团队集中力量解决重要且紧急的问题,并进行“假设-验证”的精益实验。

    首先,会帮你弄清楚当前最重要的问题,然后强制你拟定一个清晰明确的目标,接下来整个团队都会充分聚焦,围绕核心问题打好关键战役。且OMTM会更有利于执行“假设-验证”的精益实验。

    四)分析影响指标的关键因素

    我们最常关注的指标多为最终结果指标,比如评估一个电商平台,我们最关注的是销售额(常被称为虚荣指标或表面指标),在业务人员分析销售额增长或下降的原因时,就需要对指标进行拆分,找到影响指标的最小因素,即明确指标。

    虚荣指标是表面指标。它们往往比较大而泛,可以给人留下印象,比如销售额。可以用这些指标来谋求建立合作关系并赢得一些关注。

    明确指标是运营性指标,比如产品每日实际使用时长,用户访问服务所需时长等。这些是推动增长的隐形引擎。要用这些指标来巩固你的竞争优势。

     

    五)杜邦拆解-最小可优化单元

    杜邦拆解:基本思想是将核心指标逐级分解为多项指标,直至最小可优化单元,这样有助于深入分析比较。

    我们以电商销售额为例,从两个角度进行拆解,一个是购买用户量,一个是单客户销售额。先看购买用户量,它可以拆解为下单用户*购买转化率,下单用户等于加入购物车用户*订单转化率,这样一层一层向下拆分。

    六)指标体系的构成

    指标体系由指标+维度构成,事件、参数、属性配置完成后,形成相应指标体系,可针对唯一关键指标OMTM按多个维度多个时间进行多维细分分析。

    数极客提供9大行业指标体系搭建模板,感兴趣的同学可以扫描文章底部的微信领取。

     

    三、数据采集和验证

    一)数据采集

    数极采集一般有三种方式,代码埋点、可视化埋点和后端埋点。

    代码埋点可以采集任意业务指标、维度丰富,但需由技术人员完成代码部署。

    可视化埋点操作简单,直接点选完成,可视化埋点适合单一指标,不能采集维度数据。

    后端埋点可将前端数据和后端系统数据融合统计,对接更多数据源,但需技术深度参与。

    我们在进行数据采集时要根据不同指标选择最适合的采集方式。

    下面看下每种采集方式都是怎么完成的。

     

    1.可视化埋点

    可视化埋点的优点是操作方便、效率高,缺点是数据类型单一。

    可视化埋点通过数极客分析系统进入埋点编辑页面,用鼠标点击想要埋点的按钮,出现数据柱形图后命名保存即可。

    2.代码埋点

    代码埋点的优点是数据丰富,精准性高,缺点是步骤较多、需技术参与。

    代码埋点需要先在后台配置事件和属性,一键生成统计代码,由技术人员添加到埋点位置。

    3.后端埋点

    后端埋点的优点是可前后端数据融合,缺点是对技术要求较高,普通运营人员无法实现。

    后端埋点和代码埋点相似,在配置事件和属性后,截取已有代码中的关键元素,按后端代码统计格式生成新的代码后部署埋点。

    我们提到在代码埋点和后端埋点时,需要先配置事件和属性。

     

    事件、参数和属性说明:

    先给大家解释三个概念,事件、参数和属性。

    事件可以理解为用户的某个行为,比如登录、注册、购买,都统称为事件;

    事件和参数结合起来就是指标,比如登录次数、注册人数、购买金额这些我们称为指标,而次数、人数、金额就是事件的参数。

    事件属性可以从某个维度对事件进行拆分分析,比如登录方式就是登录的属性,分析不同登录方式的登录次数。

     

    首先看下如何创建事件,在后台进入自定义设置-事件界面,添加事件字段后保存即可。

    重要的是创建事件时各字段的含义和填写方法,很多客户在这一步较为迷惑,不知如何填写。

    事件方法:事件名称的英文翻译,如登录的英文login

    事件名称:表示用户的具体行为,如登录

    事件类型:统一全部选为“自定义事件”

     

    事件参数(和事件一起构成指标)

    参数名称:指标名称的英文翻译

    指标名称:如金额(人数、次数、用户数系统自动统计,无需添加,如无特定的参数,就把指标名称写为事件,参数名称对应event)

    计算:对参数的计算方法。数值型进行求和,如金额,最后显示的的累加和;字符型为计数计算,最后累计个数。

     

     

    属性在创建时,分为两块儿,用户属性和事件属性,每一块儿独立的创建,互不影响。

     

    先说用户属性,也叫全局属性,用来描述用户的属性体征,可理解为用户的一个标签,无需和某一事件绑定,可以对全部事件进行拆分。

    事件属性可以从某个维度对这个属性进行拆分分析,需和某一事件对应绑定,对绑定的事件事件进行拆分分析。

    事件属性参数名:为事件属性名称的英文翻译

    事件属性名称:和事件相对应,如登录方式

    所属事件:属性所对应的事件,可一对一,也可一对多;如登录方式只对应登录,而商品名称可能对应浏览商品、加入购物车、购买成功等事件。

    事件属性添加好后,会在维度-事件属性下显示:

     

    二)数据验证

    数据采集后一定要对数据进行验证,准确性、完整性、及时性都是必须考虑的,缺失的不准确的数据我们无法应用于实际分析,这也是我们在选择适合的采集方法应评估的重要因素。

     

    四、数据应用

    一)驱动闭环

    搭建指标体系后的最后一步就是数据应用,在采集的数据验证无误后应用于实际业务中,驱动业务增长。

     

    二)应用举例

    下面给大家举两个数据应用的例子,

    第一个偏重于体系搭建,第二个偏重于业务分析。

    1.案例一:推广成本优化

     

    当前各种推广渠道层出不容,那如何分析推广渠道,优化推广成本?

    首先确定渠道的质量指标和数量指标,如下图中各渠道的人数、次数指标我们归为数量指标,其余指标为质量指标,然后按照五个维度对渠道拆分分析。

    把所有渠道按质量指标和数量指标生成散点图,按照质量高低、流量大小的划分标准分为四象限(即我们常用的四象限分析法)。

    找到不同渠道对应的位置,按照策略优化即可。

    2.案例二:注册转化率的优化

     

    某电商平台APP端,新访客注册转化率为20%左右,某日该指标出现异常数据2.81% ,如何通过数据分析解决注册转化率降低的问题?

    首先确定OMTM指标

    注册转化率:新访客注册人数/新用户数

    新访客数、新访客注册人数 通过数极客采集

    分析思路:

    用户从访问到注册有一定的操作路径,一般分为:浏览页面、开始注册、获取验证码、注册成功几个步骤。注册转化率突然降低,用户一定是在操作路径的某一步流失掉了。这时可以设计基于以上操作的路径漏斗,查看每一步的转化率。

    分析结果:

    按照时间维度对比漏斗发现,转化在前三个环节和前一天差别不大,只在获取验证码到注册成功环节转化率相差很多,按照以上步骤进行测试,发现在发送短信验证码出现问题,很多点击收不到验证码,马上和运营商取得联系及时解决问题。

    视频课件地址:http://v.qq.com/x/page/j0646w8ovlx.html

     

    展开全文
  • 业务运营指标体系(转载)

    万次阅读 多人点赞 2018-12-25 13:15:19
    数据的一大价值就是建立业务指标体系,用以监控业务日常运营,并预警业务问题,定位问题原因,这算是数据的最早应用形式,前期BI都主要是做指标体系和相应平台的工作。同时,业务的各类人员都应该了解业务的指标体系...

    数据的一大价值就是建立业务指标体系,用以监控业务日常运营,并预警业务问题,定位问题原因,这算是数据的最早应用形式,前期BI都主要是做指标体系和相应平台的工作。同时,业务的各类人员都应该了解业务的指标体系,这样才能更好的利用指标开展工作,进行数据化运营。

           运营指标体系一定是结构化的,而不是零散的,结构化的好处主要有两个:一是当指标发生异常时,能够通过结构化的指标体系来定位问题;二是当我们要达到某个kpi指标时,可以通过指标体系来分解指标,让我们知道可以从哪些方面着手。结构化的指标体系就需要有个好的指标体系框架,现实工作中,各种指标浩瀚如海,而且各个业务还具有不同的特性。

           现在业界也有很多成熟的指标体系框架,如针对于移动APP的AARRR框架,Acquisition表示获取用户、Activation表示用户活跃度、Retention表示留存、Revenue表示收益、Refer表示传播,总的来说,是一个用户从拉新、拉活、留存、付费再到推广的一个过程,总的来说多为用户类指标和收入类指标,缺少关于业务量类指标。

           针对端游的 PRAPA,Promotion表示用户推广,Register表示用户注册,Active表示用户活跃,Pay表示用户付费,ARPU表示用户价值。对于一些业务,很多是没有用户注册这个阶段,同时,Pay和ARPU其实都是跟收入相关的指标,也缺少业务量类的指标。

           傅志华将移动APP指标体系分为用户规模和质量(包括活跃用户、新增用户、用户构成、用户留存、活跃天数)、用户参与度(包括启动次数、使用时长、访问页面和使用时间间隔)、渠道分析、功能分析(包括功能活跃、页面访问路径以及漏斗模型)、用户属性分析(包括设备终端、网络及运营商分析和用户画像)等五类指标。用户参与度属于用户类指标,渠道分析、功能分析、用户属性分析这些其实更应该被看成是分析指标的维度,而不是具体的指标。

           就我个人工作经验(运营商和互联网)来说,各个业务的指标体系大体可以分为三类:收入类指标(Revenue)、用户类指标(User)、业务量类指标(Number),简称为RUN指标体系。当然各个业务由于其业务类型和关注点不同而有其特性指标,同时还有基于这些基础指标的衍生指标,但是总的指标框架主要就是前面所述三大类指标。当然这几类指标有可能重叠交叉,如付费用户这个指标,其实既是收入相关指标,又是用户相关指标,但是其于收入关系更紧密一些,所以将其归为收入类指标。比如人均类指标都会涉及到业务量和用户,也是交叉的。这里我主要是为了用一个框架来统领所有的指标,不要求各类指标一定要不重不漏。

    1、收入类指标

          收入是一个业务最终的价值体现,也是业务的血液和生命线,业务前期可以不产生太多收入和利润,如现在很多互联网企业都是前期烧钱抢用户,后期再逐渐流量变现,但是作为一个企业,你想要生存下去,则必须产生利润和收入。所以收入类指标一直在整个指标体系中占有很重要的地位,如果收入类指标出现问题,老板很可能会大发雷霆,各种分析报告接踵而来。这里的收入类指标是一个更加广泛的类别,不再局限于财务上的收益,还包括支出、利润、成本、ARPU、付费用户、付费率等收入相关指标,涉及不少财务类的指标。

    1.1、收入

           在收入类指标中,最重要的指标当然是收入,当然不同的行业关注的收入各有不同,如游戏行业关注流水,运营商行业关注出账收入。

    1.1.1、流水

           流水在游戏等行业中使用的特别多,流水指业务产生的收入流,没有剔除任何成本,而且有些部分不会计入营业收入。在游戏行业中,流水指游戏玩家在游戏中的充值,包括平台赠送的一些游戏币,这些流水会由渠道商、发行商、CP划分,流水的规模也反映了游戏的受欢迎程度、前期宣传和IP效应等。

           流水按照付费结构划分,可以分为新增付费和存量付费,新增付费指用户的首次付费,存量付费指有付费记录用户产生的付费,新增付费又可以分为新注册付费和未付费转化付费,新注册付费是指用户在当天(或当周、当月)新注册且付费,未付费转化付费指用户在当天以前就已经注册了,只是在当天才第一次付费。

           那些充值的玩家则叫付费用户,这些付费用户多为游戏的重点运营和维护用户,根据其价值高低,又可以分为小鱼用户、海豚用户和鲸鱼用户(即所谓的大R用户,一般月付费1000元及以上),鲸鱼用户更是游戏用户运营的重点目标用户,贡献了大多数收入。

           付费用户除以活跃用户则是付费率,反映了游戏的付费吸引力,一般来说,休闲益智类游戏付费率较高,但是ARPPU较低。

    1.1.2、出账收入

           在运营商行业,主要关注出账收入,表示通过两次批价后产生的收入,还未减去折扣折让、结算收入、账后调账等项目。

           从出账收入的结构来看,出账收入可以分为语音收入、数据业务收入、集团业务收入。语音收入=计费时长*语音单价,而计费时长=通话用户*MOU,MOU表示人均计费时长;数据业务收入又可以分为流量收入和其它数据业务收入,其它数据业务收入主要包括彩信收入、自有互联网业务收入等,流量收入=计费流量*流量单价,计费流量=流量用户*DOU,DOU表示人均计费流量,流量用户=通信用户*流量普及率。集团业务收入又主要包括宽带收入、专线收入、ADC等信息化业务收入。

    1.2、ARPU和ARPPU

           在收入类指标中,另外两个很重要的指标也是,ARPU(Average Revenue Per User)和ARPPU(Average Revenue Per Paying User),他们代表了用户的付费能力和用户价值,在运营商行业和互联网行业都很重要,一般会根据用户ARPU分层来划分不同价值的用户。

           ARPU指人均活跃用户付费,在互联网行业,ARPU=流水/活跃用户,在运营商行业,ARPU=出账收入/通信用户。ARPPU代表人均付费,在互联网行业,ARPPU=流水/付费用户,而在运营商行业则没有这种说法,因为运营商的所有用户都是要付费,都必须交月租。ARPU和ARPPU统计期间多为月,当然也有按日和周统计的。

    1.3、LTV

           在收入类指标中,另一个很重要的指标就是用户生命周期价值(LTV,lifetime value),它是对用户终身价值的一个预估,然后跟用户获取成本(CAC,customer acquisition cost)进行比较,用以衡量获取用户策略是否划算,最高的获客成本能达到多少。

           与用户生命周期价值相关的概念是用户生命周期,用户生命周期是一个很常见的概念,代表了用户开始使用产品到最后流失的整个产品使用过程。用户生命周期很有价值的一点是,用户在不同生命周期有不同的表现和行为特征,有不同的需求,可以进行针对性运营,如对新增用户加强引导或对预流失用户进行挽留等。

           怎么预估用户生命周期则是一个难题,特别是一个新推出业务,更是难以预估其用户生命周期,除非参照其他同类成熟产品,但是有可能这个业务就是第一个吃螃蟹的,没有可参考的对象。如果是一个相对成熟业务,则能通过分析已流失用户来预估用户的生命周期。

           用户生命周期价值也是用户整个生命周期的价值,如针对游戏用户,则是用户累计一生游戏充值,ARPU和ARPPU衡量的是一个用户一段时间的付费,如日、月,显然用户生命周期价值更有意义,但是怎样准确预估用户生命周期价值也是一个难题。

           现在通用做法多为通过新增用户随后几天的付费来计算3天LTV(新增用户随后三天的人均付费金额)、7天LTV、30天LTV,都是基于用户短时间的付费金额,计算一个平均值,用户前期的表现肯定会跟后期不一样,想用前期的数据预估用户的生命周期,显然准确性不高。最好是通过用户人均生命周期,计算新增用户在这个人均生命周期能够产生的价值,即一个长时间段的LTV,如一个游戏用户平均3个月的生命周期,则用户生命周期价值为新增用户随后3个月的付费金额。

    2、用户类指标

        用户类指标用来监控用户规模、用户结构和用户健康度等,让业务人员知道当前业务用户规模是多少、处于什么发展阶段、是怎样构成的等。对于互联网产品来说,用户就是一切的基础,没有用户根本谈不上流量变现、收入这些,对用户类指标怎样重视都不过分。用户类指标中,最重要的当然是活跃用户、新增用户、留存用户、流失用户等,当然首先要有一个用户结构来统领这些指标。

    2.1、用户结构

          在用户类指标中,我最想提及的就是整个用户结构,这个整个用户类指标的整体框架,这个框架将用户类指标整合起来了,能够让业务人员结构化的监控用户发展情况。以下为互联网产品的用户结构框架。

           在整个用户结构中,我们以累计活跃用户为起点,这里以天为例,当天累计活跃用户可以分为当天活跃用户和当天不活跃用户。

           当天活跃用户又可以分为当天新增活跃用户和存量活跃用户(当天以前新增的用户在当天活跃),当天新增活跃用户又是新安装应用用户转化而来的(可能是当天新安装的,也可能是以前新安装的直到今天才使用),当天新增活跃用户随后第N天还活跃的用户即为第N天留存用户。存量活跃用户又可以分为连续活跃用户(昨天和今天都活跃的用户)和回流用户(今天活跃、昨天不活跃但以前活跃过的用户),当然我们还可以对连续活跃用户进一步细分,如连续N天活跃用户。

           在当天不活跃用户中,又可以分为流失用户和沉默用户,流失用户为连续N天不活跃用户(根据具体业务类型而定),沉默用户指最近几天活跃过但是当天不活跃用户(在不活跃用户中,除了流失用户就应该是沉默用户)。

           以下为运营商行业的用户结构框架情况,就不再具体描述了。

    2.2、活跃用户

          活跃用户反映了业务当前的用户规模(每个决策者、产品人员、运营人员都应该关注的,至少别人问你你要知道自己产品的用户量大概是多少)、所处发展阶段(通过活跃用户发展趋势结合行业分析),同时,也是整个业务价值变现的基础。

          活跃用户指业务当前的用户量,可能是登录的用户算活跃用户,也可能是启动了的就算活跃用户,根据业务类型、企业关注点和获取数据的方式而定。如果数据来源于服务端,则需要联网请求的用户才能算活跃用户,如果数据来源于客户端,只要用户有操作行为,不管是否联网(当然需要联网上传操作数据),都能计算为活跃用户。有些企业以imei作为用户唯一标识,有些以账号作为用户唯一标识,还有些以自己定义的唯一标识为准。

           常见的统计期间主要有日(DAU)、周(WAU)、月(MAU),都会将用户剔重,不同类型业务关注的活跃用户统计期间有所差别,如高频业务(如微信、QQ)更关注日活跃用户,低频业务更关注周、月活跃用户(如团购、工具型应用等)。

           活跃用户容易受到运营动作的影响,往往一个活动或push就能较大影响活跃用户规模,所以当活跃用户发生异常时,首先要看是否是运营动作的影响,然后再分析其他原因。同时,活动和push也成为了运营人员的利器,往往用户指标就是通过它们来完成的。

           除了活跃用户规模指标外,还有一些体现活跃用户活跃度的指标,包括启动次数、活跃天数、使用时长、访问间隔等,体现了用户的活跃程度,这些指标主要看其用户分布情况。

    2.3、新增用户

           新增用户指第一次使用业务的用户,新增用户反映了业务的发展能力和业务所处发展阶段,如新推出业务肯定新增用户占活跃用户比例较高,成熟业务新增用户肯定不应该太高,特别是业务推广前期,新增用户是特别重要的指标,如滴滴、快的当年利用补贴大量发展新增用户,在那个阶段,新增用户就是他们最关注的指标。有了新增用户,才有后面的用户活跃、用户留存和用户流失,所以新增用户是用户结构里基础。

           新增用户主要是靠各个渠道推广来获取的,如各个应用商店、搜索引擎、微信微博等,拉新也是运营人员的主要工作之一,这时候就要关注各个渠道拉新的效率,关注每个渠道的投资收益率,这时候就需要关注不同渠道的新增用户数和用户获取成本。除了关注渠道效益外,还要稽核渠道带来的用户的质量,这时候新增用户留存率就是一个很好的衡量指标,留存率高的渠道显然用户质量要高很多,防止渠道作弊。

           新增用户统计期间主要有日、周、月,用户进行剔重,其它相关指标还有新增用户占活跃用户比例、新增用户市场占比等。

    2.4、留存用户

           留存用户指新增用户中后续还活跃的用户,如果用户只是不断新增,不断流失,用户规模基本没啥变化,显然这是没有任何意义的,用户大进大出,没有啥粘性。我们千辛万苦将用户拉进来,肯定都想他们能够更多的沉淀下来,这时候留存用户特别是留存率就是一个理想的衡量指标了,留存率往往反映了我们产品的质量、运营的效果和用户的粘性。

           一般我们说留存都是指新增用户随后一段时间活跃情况,为什么要选择同一天新增用户呐,因为同一天新增的用户更具有比较意义,如果是不同日期新增的用户,因为使用业务的时间长短不同,粘性肯定会不一样,比较意义不是太大。留存率有日留存、周留存、月留存,不同类型的产品,关注的留存类型不同。

           留存率表示某天新增的用户N天后有多少用户仍然活跃,一般比较关注的是次日留存率、3日留存、7日留存率、15日留存率、30日留存率,例如今天新增100个用户,明天还有50个用户活跃,则次日留存率为50%,如果第二天后还有30个用户活跃,也二日留存率为30%。当然留存率易受到push的影响,可以观察各类留存率的趋势判断是否受到push的影响,如次日、3日、7日等留存率都突然变高了,那么很显然是受到push和运营活动的影响。

           留存率主要在于比较,可以从以下几个方面解读留存率:

           1)对比竞品和自有产品的留存率,留存率的高低能够反映出产品质量的好坏,特别是次日留存率、3日留存率(研究表明大部分用户会在1-3日内卸载应用);

           2)对比不同渠道的留存率,评估不同渠道带来用户的质量,如果某个渠道带来的用户留存率明显偏低,则要怀疑这个渠道是否存在造假;

           3)对比留存率时间趋势,评估新增用户质量是否变化,按日观察留存率趋势,如果某天留存率突然下降,则要考虑是不是当天新增用户质量有问题;

           4)对比产品不同版本留存率,评估不同版本的质量,特别是对于新迭代的版本,更要关注次日留存等指标,如果明显低于老版本,则要考虑是否迭代后不能满足用户需求,需要改进优化;

           5)通过留存率曲线评估产品好坏,留存率曲线是一条开始很陡峭、后面很平滑的曲线,如果产品的留存率曲线一直都很陡峭,最后维持在一个很低的值,则产品质量可能是有问题的。留存率曲线是根据各个时间构成的留存率随时间变化趋势,呈现的规律是:1-7日留存率快速下降,8-15日留存率下降幅度减缓,16-30日留存率则平缓下降

           6)对比产品各功能模块的留存率,比如点击某个按钮的用户其随后的留存,以观察用户对产品各功能的粘性,也需结合各功能的使用频次。

    2.5、 流失用户

           流失用户指某个期间连续不活跃的用户,当然在不同行业有不同的定义,对于互联网行业来说,基本流失用户都是指连续N天不活跃用户,对于运营商行业来说,流失用户指账号用户,就是用户电话号码销户。流失用户反映了产品对用户的粘性和业务所处发展阶段,当然是一个不好的指标,但是能够给我们预警,警惕并挽留将要流失的用户。

           针对运营商行业来说,用户流失的定义是很明确的,用户的这个电话销户了。针对互联网行业来说,流失用户的定义往往是困难的,需要结合不同业务的特征,确定不同的流失区间,一般需要结合回流率,如果定义的流失用户以后回流率很低(低于5%),则当前定义的流失区间是合理的。常见的流失区间有7日、15日、30日等,针对于游戏行业来说,一般用户流失30日后,回流的概率就极低。同时,流失用户也可以进一步细分,如换机流失、竞品流失、自然流失等。

           流失用户和留存用户不是一个对立的概念,并不是说没有流失的用户就是留存用户,或者没有留存的用户就是流失用户,因为两者的计算期间和条件往往是不同。例如,7日留存率是新增用户新增7日后仍活跃的用户,是在某一天的活跃情况,而流失用户往往是连续N天不活跃的用户,而留存用户没有连续多少天的概念。虽然两者之间没有明确的逻辑关系,但是往往留存率和流失率是负相关的,即留存率越高,流失率越低,这在大多数情况下都是成立,虽然不是绝对的关系。

           运营人员需要注重用户的流失,搞清楚用户为什么流失,流失用户有什么特征,能够怎样预测将要流失的用户,要怎样挽留预流失的用户。最好针对流失用户利用算法和模型建立流失用户预警模型,提前预警将要流失用户,定期输出用户清单,交由用户运营人员或客服人员进行挽留。

           跟流失用户紧密相关的另一个指标当然就是流失率,常见流失率也主要分为7日流失率、15日流失率、30日流失率,怎么使用流失率这个指标,其实跟留存率差不多,主要在于对比,对比不同渠道、不同产品、不同版本的流失率来发现问题。

    3、业务量类指标    

           业务量类指标是包含指标最广泛的指标大类,包括用户几乎所有的使用行为,如功能按钮点击、页面浏览、业务使用等,业务量类指标是一个业务的价值承载,反映了业务的用户忠诚度和活跃度。

           业务量类指标主要分为核心业务量指标和普通业务量指标,每个业务都自己的核心业务量,如音乐的试听量、视频播放量、应用商店的安装量、网站的PV和UV、运营商的通话量和移动数据流量、电力企业的用电量、航空公司的客运量等,这些核心业务量是每个业务除了用户和收入类指标外最重要指标。核心业务量指标往往都是KPI指标之一,体现了用户使用某个产品的主要目的,怎样促进和优化用户使用则是运营人员需要思考的问题,如怎么提高视频的播放量、怎样提高应用的安装量。

           除了核心业务量指标外,还有其他常见的普通业务量指标,常见的如搜索量、评论量、分享量、UGC量、点击量、收藏量等,这些指标往往是很稀疏的,也就是说比较少的用户会有这些行为,而有这些行为的用户往往拥有极大的忠诚度或不满意度,这是值得我们重视的。如网易云音乐评论做得特别好,每首歌下往往有很多评论,用户除了听歌还会看评论,它挖掘了用户新的需求,也使用户粘性极大提高。针对互联网行业,其它更多的普通业务量类指标主要是用户功能的使用、页面浏览等,当然,每个业务都会有很多其个性化的业务量类指标,

    4、衍生类指标

           当然除了以上三大类指标外,还有其他很多个性化的指标,还有很多衍生性指标,包括环比、同比、定比、占比、综合性指标等,有时候这些衍生指标比指标本身更具有代表意义。

           1)环比、同比、定比类指标。这是跟时间相关的三个重要衍生指标,环比有日环比、周环比、月环比、月累计环比等,如日环比表示今天的值比昨天的值的增长情况,活跃用户日环比=今日活跃用户/昨日活跃用户-1;同比有日同比、月同比、月累计同比、年累计同比等,如月同比表示本月的值比去年同期的值的增长情况,活跃用户月同比=本月活跃用户/全年同期活跃用户-1;定比是指本月的值比去年12月的值的增长情况,固定了比较的基准,活跃用户月定比=本月活跃用户/去年12月活跃用户-1。

           2)占比类指标。占比表示占整体份额的情况,多用于衡量市场份额或重要程度,常见的占比有:机型占比、版本占比、新增用户占比、渠道占比、行业占比等。比如运营商看新增用户指标时,往往更加关注新增用户占比,即某家运营商新增用户占整个行业新增用户比例,这代表了某家运营商的市场竞争能力,是更有意义的指标。

           3)综合性指标。往往是多个指标组合得到,每个组成指标根据其重要程度赋予不同的权重,最常见的例子是如上证指数等股票指数。例如,可以通个各个相关指标的线性组合评估渠道的健康度,生成渠道健康度指标,还可以通过相关指标线性组合来评估合作游戏的价值,生成游戏综合价值指标。

           4)均值类指标。包括日均、人均等,比如日均活跃用户、日均新增用户等,日均主要是为了方便比较不同时间段的情况,当然也可能是日均比月的数据更有意思,特别是针对一些高频业务来说;人均就主要是为了衡量单位效益情况,我们不仅要关心绝对值,还要关心人均值,方便不同体量的对比,如北京和梵蒂冈的经济肯定不是一个体量的,但是可以对比人均GDP。

           5)累计类指标。累计一般是按周累计、按月累计、按季度累计、按年累计等,累计是为了更好看出长期目标执行的怎么样,比如全年的目标是收入1000万,光看日、月收入肯定是不够的,还要看从年初截止目前的收入情况,离目标的差距是多少。

    5、怎样看指标

           指标体系最重要的作用是监控业务运营和定位问题的,并不是有个完善的指标体系就一劳永逸了,更重要的是学会看指标,能够从指标中发现问题、发现有价值的信息。看指标主要有以下几个方面:

           1)细分的看。按照不同维度深入看指标,这对于定位问题十分有用,如针对安装量下降了,你会去看是什么机型的安装量下降了,是什么渠道的安装量下降了等。

           2)对比的看。通过按照不同时间(环比、同比等)、不同群体(流失和非流失)、不同产品(竞品)进行对比,发现差距。给你一个绝对值,比如收入1000万,其实你是不知道这到底是好还是坏,只有通过对比,这个绝对值才是有意义的,比如同比去年增长了20%,那肯定就是一个好的现象,但跟竞品还有很大的差距,收入只有竞争对手的10%,这就看出还有很大的改善空间。

           3)长趋势的看。通过长的时间趋势看指标,发现指标的发展趋势,洞察指标的问题和规律。例如,有时候你从一个短的期间看,活跃用户一直保持稳定,但是当你从一个一年的长趋势来看的时候,明显会发现活跃用户有一个下滑的趋势。

    6、怎样构建运营指标体系

           业务的运营指标体系的最终呈现肯定是产品化、平台化,建成相应的系统平台让决策人员、业务人员等去查看,比如DW平台、仪表盘,以前BI就主要是做这部分工作,里面的各个报表、指标就是业务人员能够监控到的业务的方方面面。要构建好的业务运营指标体系,主要需要注意一下几点:指标体系一定是立足于业务的,指标体系一定是结构化的,指标体系需要有良好的可视化。

    6.1、立足于业务

           指标体系最终都是为业务服务的,所以指标体系的构建的出发点一定是基于业务的,真正呈现业务想要的东西。在这里我想说明的是,基于业务有主动基于业务和被动基于业务之分,现在大的企业,数据部门和业务部门往往是分开,报表的需求基本都是由业务方提出的,数据部门负责将报表按照需求实现即可。

           这就是我说的被动基于业务,业务方说做什么,数据部门就做什么,既然是业务方提出的,肯定是他们业务所需的,那就肯定是基于业务的。但是这往往是不够,你不能期望被动基于业务就能做出好的运营指标体系,因为这要求业务方有很丰富的数据化运营经验,明确知道自己要什么报表、什么指标来监控自己的业务,这在现实工作往往是不现实的。现实工作中,业务方没有那么多的数据化运营经验,不知道有什么数据、不知道数据能做什么、不知道自己的工作可以用到什么数据、不知道自己应该看什么数据、不知道怎样用数据辅助自己运营和决策,这些才是常态,所以单靠业务方很难提出一个完善的业务指标体系,这就需要数据部门的主动基于业务。

           数据部门往往拥有更好的数据理解,知道我们有什么数据,能够收集到什么数据,基于对业务的理解,数据部门就能为业务方提供很多指标体系上的建议。另外,数据部门往往有一个整合的数据视角,数据部门往往负责多个业务的数据,各个业务由于其关注重点、业务人员数据化运营思维的不同,对指标体系有不同的要求,其中有个性也有共性,数据部门这时就能整合这些指标体系,可以提供统一的规范,可以基于其它业务的实践进行建议,如一个业务关注了其重点流程的漏斗转化,而另一个业务没有

    关注,数据部门就可给另一个业务进行相应建议。

    6.2、结构化体系

           这在本文的开头就已经提到,结构化的好处主要有两个:一是当指标发生异常时,能够通过结构化的指标体系来定位问题;二是当我们要造成某个kpi指标时,可以通过指标体系来分解指标,让我们知道可以从哪些方面着手。

           业务指标体系的问题定位功能很是重要的,但是也是现在绝大多数运营指标体系所缺失的,往往只为业务人员提供了一个监控业务发展情况的平台,业务人员更需要的是及时的异常预警和准确的问题定位。这时候,结构化的业务指标体系则能够发挥重大作用,通过结构化的指标分解,再结合各个指标分析维度,最后能够很好地定位指标异常原因。比如,游戏安装量下降了,我们通过结构化的指标体系,可以看到是新安装量下降了还是更新安装量下降了,是来源于哪个页面的安装量下降了,是来源于哪个渠道的安装量下降了,是哪个漏斗转化流程转化率下降了,是哪一类游戏安装量下降了等,再结合各个分析维度,最终定位指标异常原因。

           当然,并不是说针对每一个指标都要进行这样的结构化分解,那整个指标体系将会庞大无比,让业务人员完全找不着方向,但是至少我们要对业务的最重要的指标进行结构化的分解,如对游戏中心来说,最重要的指标当然就是流水、活跃用户、安装量,就是前面RUN指标体系所介绍的收入、活跃用户、核心业务量。

    6.3、良好的可视化能力

           好的可视化能力对DW平台来说是非常重要的,能够让业务人员快速发现问题和规律。俗话说,字不如表,表不如图,你一大段文字描述的东西比不上一张表所表达的,你一张大表所表达的不如一张简单的图所表达的。比如,你要描述公司近20年的收入,你如果用文字的话要不知道多少个字才能描述清楚,看的用户还要自己去找有用的东西,如果你换成表,用户则能够知道每年的收入、增长率是多少。但是我要看整个收入增长趋势是什么,哪一年的收入最高,哪一年的收入增长率最高时,表就显得很苍白了,你要在表里找半天、对比半天才能找出来,这时候一张简单的柱状图+折线图的图则能说明一切,让你发现你想知道的信息。

           针对于DW平台来说,每个报表的上面都应有一个趋势图或者分布图,进行清晰的可视化呈现,如柱状图、折线图、饼图、地图、面积图等。并将每个报表预警的指标放在显然的位置,并用显著的颜色标注,如红橙黄预警,让业务人员一眼能够发现问题所在,然后根据结构化指标体系对预警指标进行深入分析,再进行运营、产品调整。

    展开全文
  • 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

    前言

    随着企业业务的发展,单一的营收指标不足以衡量和检测业务的好坏,因此需要更为立体的指标体系,监测业务状况,为业务的发展提供更好的指引。

    1 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的指标,系统化的组织起来。通过单点看全局,通过全局解决单点的问题。它主要有指标和体系两部分组成。
    指标主要分为:结果型指标和过程型指标

    1. 结果型指标
      用户衡量用户发生了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。结果型指标更多的监控数据的异常波动,或者监控某个场景下用户需求是否被满足。常见的:销售额,订单数。
    2. 过程型指标
      用户在完成某个动作的时候所产出的指标,可以同伙某些运营策略来影响该过程的指标,从而影响最终的结果,过程型指标更加关注用户的需求为什么被满足或者没被满足。常见的:加购数,支付成功率。
      体系是由不同的维度组成,而维度是指用户观察、思考与表述某些事物的“思维角度”。同时维度是指标体系的核心,没有维度,单纯说指标是毫无意义的。
      维度主要分为:定性维度和定量维度。定性维度:主要是指偏文字描述类如:城市,行呗,职业等。定量维度:主要是指数值描述类如收入、年龄等。同时对定量维度要做分组处理。

    1.2 指标体系生命周期

    生命周期主要包括定义、生产、消费和下线四个阶段。针对整个生命周期要持续做的指标运维,质量保证,同时为了提高指标数据的复用度,降低用户使用成本,需要做对应的数据运营工作。流程图如下:
    在这里插入图片描述

    1.3 指标体系的综合使用场景

    指标体系主要结合用户的业务场景来进行使用。多个不同的指标和维度可以组合起来进行业务的综合分析,用户可以通过指标的变化看到整体业务的变化,并能够快速的发现问题并定位问题。常用的场景是决策分析的场景。通过数据看清楚业务现状进行战略决策支持,另一种是运营分析场景。无论是做用户运营、产品运营还是活动运营都需要各类指标数据的支撑区看清楚问题、分析问题和解决问题。

    2 为什么要搭建指标体系

    - 衡量业务发展质量
    指标体系可以反映业务客观事实,看清楚业务发展现状。内部用户可以通过指标对业务质量进行衡量,把控业务发展情况,针对发现的业务问题聚焦解决,促进业务有序增长。
    - 建立指标因果关系
    主要明确结果型指标和过程型指标的关系,通过结果型指标回溯过程型指标,找到解决问题的核心元原因。
    - 指导用户分析工作
    目的是建立产品评估体系、活动效果评估体系和智能运营分析体系

    • 指导基础数据建设
      明确基础数据建设方向,集中资源,避免过程和结果分析指标数据的遗漏或缺失。
      - 指导内容产品建设
      结合用户的业务场景来进行使用,多个不同的指标和维度可以组合起来进行业务的综合分析,用户可通过指标的变化看到整体业务的变化,并能够快速发现问题,定位问题。
    • 统一指标消费口径
      企业内统一关键指标业务口径及计算口径,统一企业业务目标,实现自下而上目标驱动。

    3 如何搭建指标体系

    指标体系建设和常用方法是通过场景化进行指标体系的搭建,以用户的视角量化思考,自上而下业务驱动指标体系建设。所以,要在特定场景下做好指标体系,首先要选好指标,然后用科学的方法搭建指标体系。

    3.1 科学方法选指标

    选指标的常用方法是指标分级法和 OSM模型。
    指标分级 主要是指标内容纵向的思考。根据企业的战略目标、组合和业务过程进行自上而下的指标分级。对指标进行层层剖析。主要分为三级:T1,T2,T3。

    - T1指标 :公司级的战略层面指标
    用户衡量公司整体目标达成情况的指标。主要是决策类指标,T1指标使用通常服务于公司战略决策层。
    - T2指标: 业务决策层面指标
    为达成T1指标,公司会对目标拆解到业务线或者事业群,并有针对性地作出一系列运营策略,T2指标通常反映的是决策结果,一般属于支持性指标同时也是业务线或者事业群的核心指标,T2指标是T1指标的纵向拆解,便于T1指标定位问题。T2指标通常服务业务线或者事业群
    T3指标:业务执行层面指标
    T3指标是对T2指标的拆解,用于定位T2指标的问题,T3指标通常也是业务线或者事业群中最多的指标。不同部门,指标会有差异。T3指标便于一线运营或者分析人员开展工作,内容偏过程型指标。例如:电商公司中 T1指标:成交率 。拆解为对应T2指标:成功支付订单数,加购数。拆解为对应T3指标:商品曝光次数,商品弹出次数,商品取消购物车次数,放弃支付次数等。

    OSM模型 (Objective,Strategy,Measurement)是指标体系建设过程中辅助确定核心的重要方法,包括业务目标,业务策略和业务度量 是指标内容横向的思考。

    • O
      用户使用产品的目的是什么?产品满足了用户的什么需求?主要从用户视角和业务视角确定目标,原则是切实可行,易理解,可干预和正向有益。
    • 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?
      以下依据滴滴网约车为例:
      O:用户需求和目标:便捷快速打到车,安全准时到达。
      S:便捷:app版本,小程序,微信,支付,高德,起始地点,定位准确,地图规划合理。
      快速:快车,优享,拼车,出租车,热力区域加强投放,
      安全:司机准入制,合规,司机画像
      M: 过程型指标和结果型指标
      结果型指标:渠道投放转化率,乘客取消率,供需比,司机服务分,
      过程型指标:渠道发单数,渠道完单数,排队乘客数,乘客排队时长,司机好评率,司机接单量,司机取消数等。
      指标选取完成后,需要设置相关的维度。常见的维度:城市维度,商圈维度,渠道维度,时间维度,用户标签维度等。

    3.2 用户分析模型搭建指标体系

    在《精益数据分析》一书中给出了两套比较常用的指标体系建设方法论,其中一个就是比较有名的海盗指标法,也就是我们经常听到的AARRR海盗模型。海盗模型是用户分析的经典模型,它反映了增长是系统性地贯穿于用户生命周期各个阶段的:用户拉新(Acquisition)、用户激活(Activation)、用户留存(Retention)、商业变现(Revenue)、用户推荐(Referral)。
    AARRR模型

    A拉新
    通过各种推广渠道,以各种方式获取目标用户,并对各种营销渠道的效果评估,不断优化投入策略,降低获客成本。涉及关键指标例如新增注册用户数、激活率、注册转化率、新客留存率、下载量、安装量等
    A活跃
    活跃用户指真正开始使用了产品提供的价值,我们需要掌握用户的行为数据,监控产品健康程度。这个模块主要反映用户进入产品的行为表现,是产品体验的核心所在。涉及关键指标例如DAU/MAU 、日均使用时长、启动APP时长、启动APP次数等
    R留存
    衡量用户粘性和质量的指标。涉及关键指标例如留存率、流失率等
    R变现
    主要用来衡量产品商业价值。涉及关键指标例如生命周期价值(LTV)、客单价、GMV等

    R推荐
    衡量用户自传播程度和口碑情况。涉及关键指标例如邀请率、裂变系数等

    可以根据实际业务场景,结合使用OSM和AARRR模型,来系统性的选择不同阶段所需要的核心数据指标。

    3.3 场景化搭建指标体系

    目前阶段互联网业务比较流行的一种通用抽象场景“人、货、场”,实际就是我们日常所说的用户、产品、场景,在通俗点讲就是谁在什么场景下使用了什么产品,不同的商业模式会有不同的组合模式。

    以滴滴实际场景为例:哪些场景(此处场景定义为终端,如Native,微信,支付宝)的什么人(乘客)在平台上使用了哪些货(平台业务线,如快车/专车等),进而为评估用户增长的价值和效果。分别列出人、货、场的数据指标、分析维度和业务目标即可

    4怎么管理指标体系

    4.1 痛点分析

    主要从业务、技术、产品三个视角来看:

    业务视角
    业务分析场景指标、维度不明确;
    频繁的需求变更和反复迭代,数据报表臃肿,数据参差不齐;
    用户分析具体业务问题找数据、核对确认数据成本较高。
    技术视角
    指标定义,指标命名混乱,指标不唯一,指标维护口径不一致;
    指标生产,重复建设;数据汇算成本较高;
    指标消费,数据出口不统一,重复输出,输出口径不一致;
    产品视角
    缺乏系统产品化支持从生产到消费数据流没有系统产品层面打通

    4.2 管理目标

    技术目标
    统一指标和维度管理,指标命名、计算口径、统计来源唯一, 维度定义规范、维度值一致
    业务目标
    统一数据出口、场景化覆盖
    产品目标
    指标体系管理工具产品化落地;指标体系内容产品化落地支持决策、分析、运营例如决策北极星、智能运营分析产品等

    4.3 模型架构

    在这里插入图片描述

    4.3.1 业务线

    业务板块定义原则:业务逻辑层面进行抽象、物理组织架构层面进行细分,可根据实际业务情况进行层级分拆细化,层级分级建议进行最多进行三级分拆,一级细分可公司层面统一规范确定,二级及后续拆分可根据业务线实际业务进行拆分。例如滴滴出行领域业务逻辑层面两轮车和四轮车都属于出行领域可抽象出行业务板块(level一级),根据物理组织架构层面在进行细分普惠、网约车、出租车、顺风车(level二级),后续根据实际业务需求可在细分,网约车可细分独乘、合乘,普惠可细分单车、企业级。

    4.3.2 规范定义

    数据域
    指面向业务分析,将业务过程或者维度进行抽象的集合。其中,业务过程可以概括为一个个不拆分的行为事件,在业务过程之下,可以定义指标;维度,是度量的环境,如乘客呼单事件,呼单类型是维度。为了保障整个体系的生命力,数据域是需要抽象提炼,并且长期维护更新的,变动需执行变更流程。

    业务过程
    指公司的业务活动事件,如,呼单、支付都是业务过程。其中,业务过程不可拆分。

    时间周期
    用来明确统计的时间范围或者时间点,如最近30天、自然周、截止当日等。

    修饰类型
    是对修饰词的一种抽象划分。修饰类型从属于某个业务域,如日志域的访问终端类型涵盖APP端、PC端等修饰词。

    修饰词
    指的是统计维度以外指标的业务场景限定抽象,修饰词属于一种修饰类型,如在日志域的访问终端类型下,有修饰词APP、PC端等。
    度量/原子指标
    原子指标和度量含义相同,基于某一业务事件行为下的度量,是业务定义中不可再拆分的指标,具有明确业务含义的名称,如支付金额。

    维度
    维度是度量的环境,用来反映业务的一类属性,这类属性的集合构成一个维度,也可以称为实体对象。维度属于一个数据域,如地理维度(其中包括国家、地区、省市等)、时间维度(其中包括年、季、月、周、日等级别内容)。

    维度属性
    维度属性隶属于一个维度,如地理维度里面的国家名称、国家ID、省份名称等都属于维度属性。

    指标分类
    主要分为原子指标、派生指标、衍生指标

    原子指标
    基于某一业务事件行为下的度量,是业务定义中不可再拆分的指标,具有明确业务含义的名称,如呼单量、交易金额

    派生指标
    是1个原子指标+多个修饰词(可选)+时间周期,是原子指标业务统计范围的圈定。派生指标又分以下二种类型:

    事务型指标:
    是指对业务过程进行衡量的指标。例如,呼单量、订单支付金额,这类指标需要维护原子指标以及修饰词,在此基础上创建派生指标。
    存量型指标:
    是指对实体对象(如司机、乘客)某些状态的统计,例如注册司机总数、注册乘客总数,这类指标需要维护原子指标以及修饰词,在此基础上创建派生指标,对应的时间周期一般为“历史截止当前某个时间”。
    衍生指标
    是在事务性指标和存量型指标的基础上复合成的。主要有比率型、比例型、统计型均值

    4.3.3 模型设计

    主要采用维度建模方法进行构建,基础业务明细事实表主要存储维度属性集合和度量/原子指标;分析业务汇总事实表按照指标类别(去重指标、非去重指标)分类存储,非去重指标汇总事实表存储统计维度集合、原子指标或派生指标,去重指标汇总事实表只存储分析实体统计标签集合。

    指标体系在数仓物理实现层面主要是结合数仓模型分层架构进行指导建设,滴滴的指标数据主要存储在DWM层,作为指标的核心管理层。在这里插入图片描述

    4.4 指标体系元数据管理

    4.4.1 维度管理

    包括基础信息和技术信息,由不同角色进行维护管理。

    基础信息对应维度的业务信息,由业务管理人员、数据产品或BI分析师维护,主要包括维度名称、业务定义、业务分类。
    技术信息对应维度的数据信息,由数据研发维护,主要包括是否有维表(是枚举维度还是有独立的物理维表)、是否是日期维、对应code英文名称和中文名称、对应name英文名称和中文名称。如果维度有维度物理表,则需要和对应的维度物理表绑定,设置code和name对应的字段。如果维度是枚举维,则需要填写对应的code和name。维度的统一管理,有利于以后数据表的标准化,也便于用户的查询使用。

    4.4.2 指标管理

    包括基础信息、技术信息和衍生信息,由不同角色进行维护管理。

    基础信息对应指标的业务信息,由业务管理人员、数据产品或BI分析师维护,主要包括归属信息(业务板块、数据域、业务过程),基本信息(指标名称、指标英文名称、指标定义、统计算法说明、指标类型(去重、非去重)),业务场景信息(分析维度,场景描述);
    技术信息对应指标的物理模型信息,由数据研发进行维护,主要包括对应物理表及字段信息;
    衍生信息对应关联派生或衍生指标信息、关联数据应用和业务场景信息,便于用户查询指标被哪些其它指标和数据应用使用,提供指标血缘分析追查数据来源的能力。

    原子指标定义归属信息 + 基本信息 + 业务场景信息
    派生指标定义时间周期 + 修饰词集合 + 原子指标
    修饰类型主要包含类型说明、统计算法说明、数据源(可选)

    4.5 指标体系建设流程

    4.5.1 建模流程

    建模流程主要是从业务视角指导工程师对需求场景涉及的指标进行主题抽象,归类,统一业务术语,减少沟通成本,同时避免后续的指标重复建设。
    在这里插入图片描述
    分析数据体系是模型架构中汇总事实表的物理集合,业务逻辑层面根据业务分析对象或场景进行指标体系抽象沉淀。滴滴出行主要是根据分析对象进行主题抽象的,例如司机主题、安全主题、体验主题、城市主题等。指标分类主要是根据实际业务过程进行抽象分类,例如司机交易类指标、司机注册类指标、司机增长类指标等。

    基础数据体系是模型架构中明细事实表和基础维度表的物理集合,业务逻辑层面根据实际业务场景进行抽象例如司机合规、乘客注册等,还原业务核心业务过程。

    4.5.2 开发流程

    开发流程是从技术视角指导工程师进行指标体系生产、运维及质量管控,也是数据产品或数据分析师和数仓研发沟通协调的桥梁。在这里插入图片描述

    5 如何产品化指标体系

    6 结束

    7 参考文献

    展开全文
  • 手把手教你建立数据指标体系

    千次阅读 2020-09-30 16:17:40
    数据分析工作中,咱们对于数据指标一定不陌生,而几乎所有数据分析工作都会提“建立数据指标体系”。但是同学们或许有一些现实的困惑:你说报表我就见过,我天天都在更新。可这玩意怎么就体系了呢?做了体系又怎么样...
  • RFM指标体系

    千次阅读 2018-07-04 11:07:19
    基本简介编辑根据美国数据库营销研究所Arthur Hughes的研究,客户数据库中有3个神奇的要素,这3个要素构成了数据分析最好的指标:最近一次消费 (Recency)消费频率 (Frequency)消费金额 (Monetary)最近一次消费编辑...
  • 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...
  • 百度搜索引擎变现策略指标体系

    千次阅读 2014-08-05 13:07:16
    下文就百度商业变现的指标体系进行概要描述,并针对一个类似于百度LBS系统的变现思路,阐述一个商业系统变现策略指标体系的建立过程。 为什么需要商业变现策略指标体系 一般情况下,一个互联网产品,或是一个...
  • 目前煤炭企业仍习惯于聚焦于统计技术领域来进行考察,这种基于数学方法的抽象演绎忽视了企业统计工作的最终目的,进而无法与企业...合理设计统计指标体系及其计算方法,以及资料整理鉴别阶段的质量控制等三个方面展开。
  • 金融业数仓指标体系

    2020-04-09 10:51:25
    在工作经常会碰到与业务或者运营人员沟通...建立统一指标体系,注重全面性和均衡性,覆盖我行的业务、管理、风险、成长等各个发展战略目标,既要注重财务指标,也要注重内部管理指标,完成全行基础指标体系的设计...
  • 数据指标体系搭建实践 为什么要构建数据指标体系? 因为我们希望时间能花在解决问题而不是寻找问题上。 前言 我们所需要的并不是数据,而是数据背后映射的洞察。 在业务发展过程中,会产生大量的数据,单看数据是...
  • 生产计划指标体系

    千次阅读 2018-08-23 14:27:21
    (1)品种指标企业在计划期内出产的产品品名、型号、规格和种类数,它涉及“生产什么”的决策。确定品种指标是编制生产计划的首要问题,关系到企业的生存和发展。 (2)产量指标企业在计划期内出产的合格产品...
  • 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...
  • 企业经济的发展是多种统计指标作用的结果,而衡量企业目标责任的各种数量指标一般是参差不齐的,这样不仅使分析复杂化,而且也不便于对企业进行直接考核.本文采用对统计指标进行R-型分类方法,随机抽取西安市10个纺织品...
  • 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。 ...
  • APP 数据指标体系分析

    2019-07-16 23:29:31
    在移动互联网公司,任何一个 APP 都应该事先规划好数据体系,才允许上线运营,有了数据才可以更科学、更省力地运营。今天我们来说说如何做 APP 的数据分析。 一、为什么要做 APP 数据分析 1. 搭建数据运营分析框架...
  • 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...
  • 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...
  • 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。1.什么是...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 20,611
精华内容 8,244
关键字:

企业统计指标体系