精华内容
下载资源
问答
  • 数据指标体系搭建

    2018-06-14 15:22:00
    。。。。。。。 转载于:https://www.cnblogs.com/xyp666/p/9183202.html

    。。。。。。。

    转载于:https://www.cnblogs.com/xyp666/p/9183202.html

    展开全文
  • 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...

    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。

    在这里插入图片描述
    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,单看数据是没有价值的,只有和业务相结合转化为信息,再经过处理才能体现其价值。

    对于业务数据而言,通常分为两项:其一是维度,其二是度量,或者说是指标,这两项构成了我们数据分析的基础。

    对于结构化数据,我们可以理解为一个多维立方体(cube),里面存在着维度和度量。
    在这里插入图片描述

    当然,不仅仅是三维,可以有多个维度。

    这里拿三维立方体模型进行举例:

    想象你操作数据透视表的模式,可以通过钻取、切片、切块等多种方式来对这个cube进行多维度观察,记录对比多个度量值,从而获取到数据所描绘的业务现状,继而通过对比产生对业务发展的洞察,从而制定出相应的决策。

    在这里插入图片描述

    然而在实际的业务运营中,单纯从几个维度并不能完整的了解业务发展的状态,我们需要从更深的层次去观察业务,更需要在业务指标出现问题时快速定位原因,这就需要通过构建合适的指标体系来实现。

    一、业务背景
    笔者主要做社区板块的数据支持,社区业务是整体业务的一个较为重要的子版块,目前处于多批次循环迭代中,由于业务方向及产品形态的变化,需要多次更新调整数据计算逻辑。

    并且由于埋点及业务数据的不完善,经常需要校验异常数据,且部分指标至今无法确保准确性,为了应对频繁的产品迭代产生的数据需求以及更好的发现问题、定位问题,故需要从整体业务的角度构造指标体系。

    为什么要搭建指标体系?

    通过指标体系监测业务发展的状况,最大的价值就是高效利用时间,把时间花在解决问题上,而不是寻找问题上,从而提高整体的人效。

    指标体系的输出结果应当是一份指标字典和对应的Dashboard展示,需要至少满足以下要求:

    成体系化的指标监控系统,能够从多维度了解业务发展的现状
    在业务发展出现问题时能够快速定位问题所在
    高效地为团队提供数据支持
    这其实也是商业数据分析能力的前两层,即发生了什么和为什么会发生。

    二、指标类型及命名

    在构建指标体系的过程中,首要动作就是明确指标的分类以及约束指标命名方式,使各个指标能够做到见名知意、减少沟通成本,这里我们按照阿里对指标的划分规范指标命名:

    指标分为原子指标和派生指标。

    原子指标是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,是具有明确业务含义的名词 ,体现明确的业务统计口径和计算逻辑,例如支付金额。

    原子指标=业务过程+度量
    派生指标=时间周期+修饰词+原子指标,派生指标可以理解为对原子指标业务统计范围的圈定。
    下图是各个基本概念之间的关系:

    在这里插入图片描述

    参照阿里对以上基础概念的定义:

    业务板块:比数据域更高维度的业务划分方法,适用于特别庞大的业务系统。

    业务过程:指企业的业务活动事件,如下单、支付、退款都是业务过程,请注意,业务过程是一个不可拆分的行为事件,通俗的讲,业务过程就是企业活动中的事件。

    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无线端、PC端等修饰词。

    修饰词:指出了统计维度以外指标的业务场景限定抽象,修饰词隶属于一种修饰类型,如果在日志域的访问终端类型下,有修饰词PC端、无线端等。

    时间周期:用来明确数据统计的时间范围或者时间点,如最近30天、自然周、截至当日等。

    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词,通常是业务过程+度量组合而成,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,也可以成为实体对象。维度属于一个数据域,如地理纬度、时间维度。例如, 在分析交易过程时,可以通过买家、卖家、商品和时间等维度描述交易发生的环境。

    派生指标:派生指标=一个原子指标+多个修饰词(可选)+时间周期。可以理解为对原子指标业务统计范围的圈定。如原子指标:支付金额,最近一天海外买家支付金额则为派生指标(最近1天为时间周期,海外为修饰词,买家作为维度,而不作为修饰词)
    依据以上基本概念,下面是电商业务中一个具体的指标实例:

    在这里插入图片描述

    结果性指标和过程性指标

    结果性指标,比如电商场景下的 GMV 或订单量,它通常是业务漏斗的底部,是一个不可更改的、后验性的指标。

    过程性指标,可以简单理解为我到达这个结果之前经过的路径,以及通过这个路径去衡量转化好坏的过程,它是可干预的,而且通常是“用户行为”。

    在实际的业务运营过程中,不仅要关注结果性指标,更要关注过程性指标,通过优化过程性指标便能够更加有效的达成结果性指标。

    在了解了指标的类型之后我们就可以着手开始搭建我们的指标体系了,首先需要找到什么是我们关注的核心指标?

    核心指标应当是结果性指标,然后在核心指标的基础上拆解过程性指标并纵向划分层级,在此基础上再划分层级之间的关系,通过层次划分,最终实现我们需要的效果。
    在这里插入图片描述

    三、指标体系搭建
    搭建指标体系的时候,横向使用OSM模型,纵向进行三级指标分级。

    (一)横向选择数据指标

    选取数据指标是需要有方向性的,需要针对业务现状选取最能代表业务发展状态的指标,在这方面有成熟的模型可以参考,这里我们使用OSM模型来选取指标。

    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?业务的核心目标是什么?

    S:为了达成上述目标采取的策略是什么?

    M:这些策略随之带来的数据指标变化有哪些?

    我们依据核心业务目标,最终选取的关键指标如下:

    在这里插入图片描述
    (二)纵向划分数据指标层级

    基于以上选择的数据指标,再对数据指标进行层级划分,划分指标层级能够帮助公司搭建一套完整的数据监控指标体系,从而及时发现业绩的升高或降低,以及产生的原因,节省花在寻找问题上的时间。

    在这里插入图片描述

    指标分级可以帮助我们更高效的去定位问题,去验证你的方法论,无需每次都要思考要去看哪些指标。

    一级指标:公司战略层面指标,必须是全公司都认可的、衡量业绩的核心指标。它可以直接指引公司的战略目标,衡量公司的业务达成情况,本质上需要管理层和下级员工的双向理解、认同,且要易于沟通传达。比如公司的销售额,或者社交产品的活跃度。
    二级指标:业务策略层面指标,二级指标是一级指标的路径指标,一级指标发生变化的时候,我们通过查看二级指标,能够快速定位问题的原因所在。比如uv、转化率、客单价,通过这三个指标可以快速定位销售额降低的原因。
    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的拆解,即是二级指标的过程性指标。通过三级指标,可以高效定位二级指标波动的原因,并可以快速做出相应的动作。这一步会基于历史经验进行拆解,拆解时可以试着不断询问自己为了实现二级指标我需要做哪些事情?这些事对应的指标是什么?
    根据以上原则拆分指标如下(指标都为日度汇总指标):

    在这里插入图片描述

    以上是依据目前业务现状搭建的基本指标体系,在当前指标体系的基础上,仍然可以针对产品中的各个业务子板块继续依照以上方法搭建业务子板块的数据体系。

    比如针对社区板块中的鉴定板块,按照鉴定业务组的业务目标搭建鉴定频道的业务指标体系,这里先不深入。。。

    四、构建数仓
    搭建好了指标体系,已经梳理出了需要的指标,但是如何更合理有效的计算出我们需要的指标呢?

    这就需要构建数仓,通过ETL过程对数据进行多维度计算汇总,再经由Bi产品可视化展现,最终产出我们需要的指标体系。

    并且这个数仓需要满足幂等性,即多次复核计算的结果都应该是相同的。

    在构建的过程中,目前只考虑T+1模式的离线数仓构建,暂不考虑其他情况。

    在这里插入图片描述

    (一)划分数据域

    数据仓库是面向主题(数据综合、归类并进行分析利用的抽象)的应用。数据仓库模型设计除横向的分层外,通常也需要根据业务情况进行纵向划分数据域。数据域是联系较为紧密的数据主题的集合,是业务对象高度概括的概念层次归类,目的是便于数据的管理和应用。

    数据域是指面向业务分析,将业务过程或者维度进行抽象的集合。为保障整个体系的生命力,数据域需要抽象提炼,并长期维护更新。在划分数据域时,既能涵盖当前所有的业务需求,又能让新业务在进入时可以被包含进已有的数据域或扩展新的数据域。数据域的划分工作可以在业务调研之后进行,需要分析各个业务模块中有哪些业务活动。

    数据域可以按照用户企业的部门划分,也可以按照业务过程或者业务板块中的功能模块进行划分。

    由于社区板块只是整体业务的一个子版块,这里只划分社区涉及到的业务过程与数据域:

    在这里插入图片描述

    以上划分的数据域严格来说并不全,因为我仅仅只将社区板块中的业务过程进行划分,仅仅是整体业务板块中的一部分,在更高层面上的数据域划分应当是规范划分每个数据域下有哪些业务过程。

    (二)构建总线矩阵

    明确每个数据域下有哪些业务过程后,即可构建总线矩阵。

    同时需要明确业务过程与哪些维度相关,并定义每个数据域下的业务过程和维度。

    构建总线矩阵的重点在于:

    明确业务过程所属的数据域
    明确业务过程与维度的关系
    基于以上两点,宏观上构建业务主题与数据域之间的关系,微观上构建业务主题中的业务过程与维度之间的关系。

    1.宏观业务矩阵

    宏观矩阵是业务主题和数据主题的关系,由于社区数仓仅涉及社区业务主题,故这里仅放置社区涉及到的业务过程。
    在这里插入图片描述

    2.微观业务矩阵

    微观矩阵是数据主题和维度的关系。

    在构建微观业务矩阵的时候,需要结合对业务过程的分析定义维度,根据业务的不同形态需要从不同的维度进行分析,这个维度的定义需要结合业务场景与分析指标,最终定义如下:
    在这里插入图片描述

    基于以上得到的总线矩阵,我们可以进行如下模型的设计:

    1)明细模型设计:设计一致性维表DIM和一致性事实表DWD

    2)汇总模型设计:设计公用汇总层DWS和应用汇总层ADS

    (三) 确定统计指标

    这一步需要依据之前使用OSM模型和指标分层构建的指标体系,对数据进行计算,标准化命名,然后将涉及到的指标计算出来。

    例如,通过访问事实表计算社区的用户数、社区各子板块的用户数,并拆分平台、版本和用户类型。

    (四)数仓分层

    数仓分层的目的在于我们希望数据的流转能够更加有序可控,减少重复开发,统一数据口径,且能够及时有效的响应多样的数据需求,参照如下结构,将数据进行组织:

    DWD层:明细事实层

    DWS层:主题汇总层,这一步可以拆分两层:

    DWM层基于明细事实表的维度进行日度汇总

    DWS层基于常用分析维度进行的数据汇总

    按照以下层级调用标准进行分层计算:

    禁止逆向调用
    避免同层调用
    优先使用公共层
    避免跨层引用
    在这里插入图片描述

    五、输出指标字典
    数据在经过ETL之后就计算出了我们需要的指标,但是在数据的计算过程中,我们会遇到很多计算口径的问题,需要我们和运营、技术、产品一起多次明确口径。

    比如用户互动中已删除的点赞算不算点赞、已删除的评论算不算互动等类似问题。。。

    故,在最后阶段,我们要将计算过程中每一个指标的计算口径,异常值的处理等等输出一份指标字典,以便我们和运营之间进行沟通。

    当然,这一步也可以在构建完纵向指标层级之后就进行输出,但是由于我们无法提前预知计算过程中的问题,所以还是建议在指标体系搭建的最后阶段输出准确的指标字典。

    指标字典的输出必须明确的三个要素是:指标名称、指标描述、计算方式,结构可以参照如下指标字典:

    在这里插入图片描述
    六、BI层展示
    BI层展示存在多种方式,目前通用的比较快速的就是通过BI工具进行展示。

    主流的BI工具有国外的tableau、powerbi;国内代表的BI产品有网易有数、阿里的QuickBI、smartBI。不过以上的BI平台是收费,并且可定制化并没有那么强。

    开源的BI工具国外的有superset、redash、metabase,国内的主要有CBoard和Davinci,这些产品的简单介绍可以查看这篇文章可视化BI工具,这里最终用superset进行BI层的展示。

    考虑到我们希望输出的是一个指标体系,而不是单纯的数据展示,故在展示时,需要能够进行基础的级联刷新、筛选操作,以便运营能够通过该展示层,寻找到问题的原因。

    展示层需要满足以下功能:

    能够多角度的描述业务当前的运营状态
    能够从时间、平台、人群多维度分析业务
    能够快速获取历史数据通过excel灵活分析
    能够了解对应指标的含义
    能够关注到核心链路

    此外,将所有数据展示在同一张DashBoard上肯定会是不现实的,所以需要按照分析主题将DashBoard规划为以下层级:

    整体业务层级:该层级关注当前业务状态的核心主题,即指标体系中的第一第二层级数据
    业务执行层级:该层级关注具体业务专题的结果指标及路径指标,即指标体系中的第二和第三层级数据

    未完待续…
    注:以上内容进行了删减,不代表本业务板块实际内容

    参考资料:
    阿里巴巴大数据实践
    GrowingIO 增长第一步

    ~~~你可能错过的往期精彩~~~

    为了直播效果 我们也是拼了!!!
    大家一起学安全之反弹shell
    网站安全那点事:令人憎恨的流量劫持

    关注【玩物得志技术】公众号

    回复【求职】海量岗位在等你~
    回复【书籍】获取本期推荐电子书版

    展开全文
  • 今天,本文作者为我们分享了数据指标体系搭建实战之业务洞察篇。和大家分享下个人经历与视角下的数据指标体系建立,希望给大家在处理相关工作时提供一些思路与借鉴,该篇是第一部分也是决定效率与成败...

    编辑导语:在工作中,我们会接触不同的数据和指标。如果我们针对单个点的层面去做,最终显示出来的数据往往比较零散,无法发现全局的问题。数据指标体系化,就是将零散的数据串联起来,通过单点看到全局,通过全局解决单点的问题。今天,本文作者为我们分享了数据指标体系搭建实战之业务洞察篇。

    0af3c1ee2ab10f9537b44b1f55231a77.png

    和大家分享下个人经历与视角下的数据指标体系建立,希望给大家在处理相关工作时提供一些思路与借鉴,该篇是第一部分也是决定效率与成败的一环。

    没错,指标体系的前置充分条件——了解/熟悉业务。很多同学缺乏对业务经营模式的敬畏,况且还是经过市场验证过的经营模式。

    生搬硬套上家公司的业务理解与行业认知来处理新公司的问题,小公司或比较传统的公司有几率忽悠过去,更多存活中的企业都普遍是有能人的,脱离业务整花活可是要被领导锤的。

    一、尽可能理解业务到最细粒度

    这个要求非常重要,难度也比较高,它包含两个要求:

    1. 对企业业务的理解足够宽:换种说法,能够站在足够的高度,纵览全局。
    2. 对企业业务的理解足够细:最怕浅尝辄止,想当然,也是大多数分析者的现状。他要求个体有着“打破砂锅问到底”的精神,全面了解业务的历史,变化节点,设计目的等等。

    要做到这点条件比较苛刻:

    1. 个人开放的心态、警惕”技术傲慢”

    个体难免受过往环境、专业影响,自成一套认知与思维模型,很容易把自己代入项目负责人的角色,预期如何如何处理,很快困难就会迎刃而解。

    这么做的对错就不评论了,或者你真的见解深刻,但很容易让业务方产生 “你不懂业务”,“你在教我做事?”的负面感观,而这些对于你快速了解业务的目标会产生很大的负向影响。

    所以在了解业务前期——多想、多问、少评论。

    2. 高超的提问技巧

    1)找到合适的提问对象

    通常是这环业务的直接负责人,也不排除个别执行层业务理解超群。

    2)事前准备,设计问题

    清晰的提问方向与内容,降低沟通成本,避免沟通中散乱无重点,受访者不清楚提问者真实期望获得的信息。

    3)沟通中即时的 信息获取—处理—再提问

    往往问题与问题之间,有着很强的关联性与层次性,从上一个回答快速定位到更深,更细节的问题非常重要。同样你得去考虑他人的时间,不能每次想到一个问题,就去耽误别人的时间。

    4)记录与复盘

    好记性着实不如烂笔头。早年吃了不少去沟通光带嘴的亏,结束后记忆内容稀稀拉拉,结构混乱。自从带了纸笔,速记能力提升不说,信息利用率大大提高。

    至于复盘,老生常谈的好习惯了,理清楚,想明白,每一次沟通才能发挥最大价值。

    3. 天时—外部条件

    这个部分主要取决于你的直属领导,简单说两个因素:

    1)精细的了解业务需要花费很多的时间与精力

    这对于企业来说其实都是成本。而且给你机会去了解,思考整个业务这件事很可能是没有结果的(前面说过这件事本身要求蛮高)。

    因此,如果你现在或者将来,有幸得到这样的机会,好好把握,不要拎不清楚。

    2)了解到什么程度才算足够精细

    如果没有外部反馈或者自我跃升,通常你只能达到当时的认知天花板。这时候只有一个真正去过山顶的人,才能告诉你,离山顶还有多远,路上可能存在的陡坡。至于顶峰的风景有多好。

    当然还有更多更复杂的因素,综合来看,这是一个提前布局的长线行为,需要一定的行业高度与格局。想要真正做好这个事情,个人努力、选择、运气都不可或缺。

    二、如何切入业务

    1. 从企业组织结构入手

    企业组织结构通常是和经营模式的各个环节对应上的,不同的部门/子部门/个体角色 对应各个业务目标,工作方式等等。

    可以利用新员工培训的机会,主动找各部门的同事或leader,请教各个部门的架构,职能与目标,与其他部门的合作关系等等。

    绘制组织架构图 (企业目标>>部门架构—部门目标>>个人职责—个人目标),巩固理解。

    2. 阅读理解现有业务报表与分类字段

    哪个部门提出的报表需求,常看的指标,高频使用的分类维度等等。读报表是分析师的基本功。

    此处也容易产生想当然的理解,读系统报表获取的业务理解需要和业务沟通,业务大图相互串联,才能得到更接近业务真相的理解。

    3. 读经营数据

    常见核心度量:销售额,用户线索,签约数,退货情况等等;常见核心维度:获客/销售渠道,用户阶段,目标客户画像,业务动作发生/确认时间等等;

    数读百遍,其义自见——这也是快速了解业务现状的一大手段。

    4. 紧密的业务沟通

    如果有条件的话,可以经常去参加业务部门周会。通常在周会中,团队会总结本周期的业绩情况,客户需求与整体数据等。

    这些都是部门最核心、最需要关注的点。不能参加部门周会的话,带着问题多多与部门leader或业绩好的员工沟通交流,一定会收获很多。

    三、小结

    就我目前理解,数据指标体系前期还是一个描述与量化;流程化与体系化的工作,一切上来想要大刀阔斧,指导业务环节全面“升级”的行为都是耍流氓。

    接受与理解业务,扎实地为后续的指标体系工作打下基础。

    作者:小春ex;个人微信:xiaochunEX;公众号:范十八

    本文由 @小春ex 原创发布于人人都是产品经理。未经许可,禁止转载。

    题图来自Unsplash,基于CC0协议

    展开全文
  • 01. 指标体系的定义和选取原则定义:在业务的不同阶段,分析师牵头、与业务方协助,制定的一套能从各个维度去反应业务状况的一套待实施框架。在建立指标体系时,要注重三个选取原则:根本性、可理...

    01. 指标体系的定义和选取原则

    定义:在业务的不同阶段,分析师牵头、与业务方协助,制定的一套能从各个维度去反应业务状况的一套待实施框架。在建立指标体系时,要注重三个选取原则:根本性、可理解性、结构性。

    • 根本性:核心数据一定要理解到位和准确,切记不能选错;

    • 可理解性:所有指标都要配上业务解释性,如日活的定义是什么,打开还是点击还是进程在就可以;

    • 结构性:能够充分对业务进行解读,如新增用户只是一个大数,我们还需要知道每个渠道的新增用户,每个渠道的新增转化率,每个渠道的新增用户价值等。

    02. 指标体系建立的四步法

    在建立指标体系之前,我们先了解一下指标的构成,在我们工作过程中遇见的指标多为派生性指标,即,原子性指标+修饰词+时间段,修饰词指标本身是可选内容,而原子性指标和时间段为必选内容。

    在这里,原子性指标指的是不可拆分的指标,

    如:交易额、支付金额、下单数之类;修饰词多是某种场景的表现;

    如:通过搜索带来的交易等;时间段即为一个时间周期;

    如:双十一期间,618活动期间等。三者叠加就形成派生指标;

    如:“双11这一天通过搜索带来的交易额”,如果不需要修饰词,就是“双11这一天带来的交易额”。

    同样,像此类日活、月活、次日留存、日转化率等都属于派生指标。

    在合理筛选完指标后,就要着手建立对应的指标体系,主要分为四个步骤:厘清业务阶段和方向、确定核心指标、对指标进行核心维度拆解、指标的宣贯、存档、落地。

    1. 厘清业务阶段和方向

    对于一家公司往往分为三个阶段:

    • 业务前期(创业期)

    • 业务中期(上升期)

    • 业务后期(成熟发展期)

    针对不同的阶段关注的核心指标也是有差别的。

    业务前期,最关注用户量,此时的指标体系应该紧密围绕用户量的提升来做各种维度的拆解,如渠道;

    而在业务中期,除了关注用户量的走势大小,更加重要的是优化当前的用户量结构,比如看用户留存,如果留存偏低,必然跟产品模块有关,是不是某个功能流量惩戒效果太差,这也是在分析产品的健康度,为产品体检;

    成熟发展期,更多关注的就是产品变现能力和市场份额,要关注收入指标ROI等,各种商业化模式的的收入,同时做好市场份额和竞品的监控,以防止新起势力抢占份额等。

    2. 确定核心指标

    此时最重要的是找到正确的核心指标,举个例子帮助大家理解。

    例:某款产品的日活口径是打开APP,通过不断的买量,日活也一直在上升,然而分析时发现,打开APP的用户中,3秒跳出率高达30%,这是非常不健康的,那么当前的核心指标日活实际上已经有了问题,更加好的核心指标应该是停留时长大于3秒的用户数。

    每个APP的核心指标不太一样,所以一定要多花时间去考虑这件事,这个非常重要,不只是看日活和留存那么简单。就像趣头条这款APP,它的日活和留存指标一定非常高,但仅关注这种指标肯定会出现问题,并且它的真正核心指标绝对不是单纯的日活和留存。

    3. 核心指标维度拆解

    核心指标的博定必然是某种维度的波动引起,所以要监控核心指标,本质上还是要监控维度核心指标。通用的拆解方法都是先对核心指标进行公式计算,在按照业务路径来拆解。假设,当前的核心指标是停留时长大于3秒的用户数。

    公式:停留时长大于3秒的用户数=打开APP的用户数*停留时长大于3秒的占比

    分析“打开进入APP的用户数”时,我们要关注渠道转化率,分析用户从哪里来;同时用户通过哪种方式打开的,如通过点击桌面图标、点击通知栏、点击Push等;并且,这类用户的用户画像是什么,用户画像也更多是在这个时候才最有作用,更多要基于场景和相应的指标来分析。

    “停留时长大于3秒的占比”该指标要重点关注如,停留时长的分布,停留1秒的用户有多少、2秒的用户有多少、3秒的用户有多少,具体分布情况是怎样的;停留大于3秒的用户特征和行为特性是怎么样的情况;停留小于3秒的用户特征,并且要分析是否有作弊或刷量的可能性。

    又或是,比如电商平台注重交易额,在真正达成交易之前,用户要打开APP、选择商品、确认订单、支付订单等整个交流漏斗模型。每一个环节的关键指标都可以通过公式的形式进行拆解,在根据拆解公式逐个分析对应的影响因素。

    4. 指标宣贯、存档、落地

    宣贯:就是在完成整个指标体系搭建后,要当面告知所有相关业务人员,最好开会并邮件。一方面为下一步工作做铺垫,另一方面是为了让所有相关人员知晓已完成,以防甩锅;

    存档:对指标口径也业务逻辑进行详细的描述存档,如xxx功能如渗透率=该功能的日点击人数/日活。只有完成这一步,之后的人在查阅时才能看懂是什么意思;

    落地:就是建立核心指标的相关报表,实际工作中,报表会在埋点前建好的,这样的话一旦版本上线就能立刻看到数据,而且也比较容易发现问题。

    整个指标体系的搭建更多工作是由数据分析师来完成的,产品经理需要配合分析师选择并确认指标,这也是在建立之初最重要的一点。有的公司没有分析师这个岗位,就需要其他技术同时来配合完成了。

    03. 知乎APP指标体系案例

    1. 当前业务发展阶段

    知乎当前处于业务发展期和成熟期之间,有2个论点:当前知乎的业务正在一个快速调整期间,内容向娱乐大众化转型;商业化进行较大的探索,但不是做的很重,也就是说无论是最核心的内容还是商业模式,都在探索当中。

    在工作中,这块内容可通过每年的业务规划了解。

    2. 核心指标拆解

    我们单就首页推荐这个子模块进行分析,对于首页推荐子产品,最重要的指标就是问答数。

    问答数=提问数+回答数=提问人数*人均提问数+回答人数*人均回答数

    在整个过程都是要跟业务进行大量的交流,既不能被业务牵着走,也不能脱离业务,同时要有自己的独立思考。

    有些同学会觉得评论、点赞、收藏数应该也是核心指标,而实际上,

    • 评论点赞多跟产品的健康度没有直接关系,评论点赞多的本质原因是因为提问回答的内容比较精彩,这是一个相关性而不是因果性关系;

    • 很多做内容的同学会觉得评论很重要,只要评论做上去了,日活就能涨上去,数据相关性上是这样的,但业务逻辑性不对。

    所以,评论、点赞、收藏这些都是一个二级功能,更底层的理解实际上是增加APP的社交属性。

    3. 会议、存档、建表

    • 会议:产品(负责使用)、研发(负责打点);

    • 存档:对不太好理解的指标要进行单独的解释,比如什么是日活;

    • 建表:确定好打点之后,就要建表,确保数据第一时间出来,能及时获得数据反馈并发现问题。

    总结:

    指标体系建立本质上是考验相关业务人员和分析师的逻辑性,不同业务阶段的指标体系不一样,并且在选择核心指标时一定要正确。在做核心指标的拆解时,通用模式就是先公式拆解,在按业务模块、路径来划分。

    在之后,我也将在流量分析、路径分析、营销活动分析、用户增长分析等方向为大家做详细的讲解。

    来源:知乎

    电影院要开门了,最受期待的电影是

    12000+字超详细 SQL 语法速成!

    后台回复“入群”即可入群交流数据干货
    

    不错????

    展开全文
  • 为了对现状进行监测和预警,我们常常会建立起一套数据指标体系,同时搭建和完善体系也应该是数据分析师的一项基本功,结合实际工作中经验,总结了这个搭建过程的7个思考点: 1. 目标 目标,不仅要求我们梳理好...
  • 鱼子酱 | 作者人人都是产品经理 | 来源人工智能和大数据分析 | 转自麦肯锡称:“数据,已经渗透到当今每一个行业和业务职能领域,成为重要的生产因素;人们对于海量数据的挖掘和运用,预示着...
  • 聊聊数据指标体系搭建流程

    千次阅读 2020-02-19 09:11:00
    此篇文章阅读适用人群为还未经历从0-1搭建过指标体系的数据分析师/数据产品,要开始搭建指标体系但是缺乏思路,或者想转行、对数据有浓烈兴趣的伙伴。 数据指标体系是...
  • 和大家分享下个人经历与视角下的数据指标体系建立,希望给大家在处理相关工作时提供一些思路与借鉴。该篇是第一部分也是决定效率与成败的一环。 没错,指标体系的前置充分条件——了解/熟悉业务。很多同学缺乏对业务...
  • 这是加薪的第一篇推文,关于数据指标体系搭建课程的学习笔记.课程平台是网易云平台,主讲人Spring,BAT 7年从业经验.文章主要讲解指标体系搭建,具体内容分为个部分:指标体系的通俗定义与选取原则指标体系四步法:...
  • 如何搭建数据指标体系

    千次阅读 2020-07-01 22:52:05
    帮助快速定位问题指标体系搭建原则1、搭建指标体系要有重点2、搭建指标体系要有目标3、指标体系不是越全越好,和业务最贴切的才是最好的如何搭建指标体系1、掌握基本的思维模型,全面洞悉业务5W2H模型逻辑树方法及...
  • 大家好,我是 GrowingIO 的商业分析经理史晓璐...擅长为零售电商行业提供数据指标体系搭建、精细化运营方案落地和专项咨询服务。 1. 为什么要规划指标体系? 相信每个公司都希望能够建立“数据驱动增长”的企业文化,但
  • 最近有小伙伴问了一个很典型的问题,描述如下:前言 从一个咨询案例说起面试经常会遇到让选择最重要的三个指标这类问题:怎么去判断哪些是最重要的几个?比如问淘宝最重要的一个指标,我觉得淘宝这么...
  • 指标体系搭建思路

    千次阅读 2019-10-17 16:20:51
    搭建数据指标体系在建立在对业务有充分了解的基础上,首先需要清楚了解业务运营的类型和流程 业务类型:互联网运营的主体可以分为用户、产品、内容(活动)等 广义的用户运营包括供需两侧的运营,围绕着用户的新增...
  • 从0到1,聊聊如何搭建数据指标体系,详细介绍数据指标体系。数据分析
  • 有了指标也就知道应该从哪些角度入手开始数据分析,数据驱动已经是我们在做用户增长和产品优化的核心指导方向,我们会把数据驱动从定制数据到使用数据分成三步: 1、根据核心目标制定数据分析指标 2、指标还原到埋点...
  • ↑ 点击关注 ↑开启增长大家好,我是 GrowingIO 的商业分析经理史晓璐, 今天将围绕“数据指标体系的规划”为大家展开主题分享。通过今天的分享你将习得一套「搭建业务、数据一体化指标体系」的系统思维,并运用于...
  • 深度:指标体系搭建

    2019-12-17 06:42:46
    核心数据如DAU发生变化却不知原因? 厌烦了永无止境的临时取数? 数据仓库越来越庞杂? 优秀的指标体系搭建,带你排除上述烦恼!
  • 郑州星云互联 | 作者腾讯新闻 |来源https://xw.qq.com/cmsid/20200904A0B8YF001搭建指标体系的价值搭建指标体系有什么用?数据分析什么要搭建指标体系...
  • 指标体系的定义及选取原则 实际工作过程会出现令人不悦的两种情况。第一种是对于某核心数据,如日活,只知道数据在变化,但是不知道为何变化,特别是处于一个较大跌幅时,产品为了解释这种现象,就会向数据分析师要...
  • 前言我将整理文章分享数据工作中的经验,因为业务内容上的差异,可能导致大家...历史导读:小进阶:数据指标体系和数据治理的管理小诀窍:不妨尝试从交付质量上打败对手以下,Enjoy:01 为什么基于指标体系搭建数据...
  • 数据指标搭建

    2020-10-16 11:35:17
    2.如何搭建指标体系 2)建模型 PULSE模型是衡量用户体验的重要指标,也经常被用来度量产品的整体表现。举例来说:如果一款产品响应时间为10秒,那么大部分用户会放弃这款产品;如果一款产品7天活跃用户数仅占...
  • 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...
  • 目录教育行业指标体系搭建1.明确工作目标2.实际工作内容2.用户生命周期的维护用户生命周期是什么?如何搭建用户生命周期模型如何围绕用户生命周期,提升单体用户价值?1.用户行为路径梳理2.数据定义/数据收集
  • 我将整理文章分享数据工作中的经验,因为业务内容上的差异,可能导致大家的理解不一致,无法体会到场景中的诸多特殊性,不过相信...小诀窍:不妨尝试从交付质量上打败对手以下,Enjoy:0x01 为什么基于指标体系搭建...

空空如也

空空如也

1 2 3 4 5 ... 13
收藏数 259
精华内容 103
关键字:

数据指标体系搭建