三页PPT搭建证券APP数据管理体系

3 评论 9487 浏览 72 收藏 15 分钟

搭建数据指标体系、建立数据流程、培养数据思维和数据习惯是业务部门搭建起来数据管理体系的基础三件套。

在券商互联网+的浪潮之下,越来越多的券商主动拥抱了互联网。互联网的发展给传统券商业务带来了机遇,同时也带来了一些挑战,促使业务部门不得不改变自己原有的工作方式。

传统的券商业务部门在互联网+的进程中,要获得更高的数据赋能,除了转变思路,学习互联网的渠道和运营营销方式,也需要主动习得互联网公司的数据能力。很多传统的公司在进行互联网化的同时,仍然不知道应该看什么指标、不同团队如何在关注不同指标的同时协调工作,也不知道如何去拆解指标如何把跟踪数据这件事融入到日常的工作中去。

针对这三个问题,本文给出自己的思考:

  • 应该关心什么数据指标
  • 如何开展数据工作
  • 提升这些指标的一些要点

我们应该关心什么指标?——搭建三级立体指标体系

一个业务要涉及诸多部门,各部门也有不同的层级。大家关心的东西不是十分一致的,但又需要统一方向,统一目标,向着同一个方向前进。同时,不同岗位的工作的落脚点也是不一样的,不同的工作内容需要有明确可以评估和据此改进的指标。这就需要我们日常跟踪的数据指标是有统有分,有层次,能落到不同的岗位职务上。

利用这个叫做“指标金字塔”的指标分层概念可以帮助解决这个问题。“指标金字塔”将我们平时需要关心的指标分为三个等级,每个等级在工作中有不同的意义和指导作用。

基础核心指标:KPI、OKR相关,一级指标

位于最顶端的指标是核心指标,通常与整个业务条线的年度目标一致。它可能是营收、月活人数、日活人数、交易活跃人数、AUM、新开户人数等等。通常这个指标是高层业务决策人经过一系列深思熟虑定下来,服务于公司整体发展需要,也最能体现用户的核心需求,反映整个业务的走向。一段时期内只有一个工作重心,而这个工作重心评估的标准就是我们的核心指标,指标最好不要超过三个。

一级指标的提升是整个部门乃至公司配合的结果,涉及到产品、运营、开发和设计所有相关团队。这是所有相关人员都应该知悉及不断跟进的数据,是各个部门领导聚在一起开会讨论的话题中心。同时,广大的各层级员工也需要认可这个目标。

基础核心指标跟踪的周期通常以季度为周期跟进,季度结束后做全面的总结和预估。

重点业务指标:重要功能、业务目标相关,二级指标

第二级指标通常涉及的人更少,但可能也是跨团队的指标。为支撑核心目标完成,通常我们会规划在一段时间内做几个重点业务,如理财商城或融资融券业务的使用人数、次数、交易额等。产品功能和业务重点涉及的产品经理、开发人员、上线推广的运营人员负责整个项目的不同环节,需要跨团队的配合,从前期基础业务流程的梳理和准备,到产品流程的设计和开发,最后又运营推广人员进行上线相应的推广、客户服务,此后产品团队还需要对产品上线后的数据和用户反馈进行迭代,持续优化。

重点业务指标可以由多个部门共同承担,或者进行相应拆分,也可根据不同的业务内容由单一部门负责。

此等级指标的跟踪周期通常是月,各部门可根据月完成进度调整下月的工作节奏。

常规操作指标:产品、运营单次效果指标,三级指标

第三级指标通常与我们日常工作内容相关,跟踪常规的迭代和运营效果,服务核心业务,也可能只是为了维护日常的产品功能和用户服务。这类指标是我们最常见的数据,如单个版本上线后的DAU、某次运营推广活动的pv、uv、转化率等。

常规操作指标与一个项目的管理人员和执行人员的相关,用于优化具体的执行细节或者执行方案,通常每天由不同的人来跟进。

对产品经理来说,任何一个小的版本的产品优化都可以在上线后一周至两周内监测其产品使用人数、产品留存人数、点击率,用以验证这个小的产品优化是否真的有效。这是一个操作指标的跟进。

下面举个例子:指标金字塔如何进行拆解 。

指标的拆解更多的需要我们先理解业务的逻辑,跟随理想的用户行为路线将大指标拆解为小指标。以上图为例,假如一个APP目前的核心指标是客户人数,在这个路线上,从用户下载到成为活跃用户,再到转化成我们真正的客户,其经历的两个重要环节:大致分为产品转化运营转化。产品转化,通过刺激用户首次使用产品,持续使用产品,将用户变成一个活跃用户。在运营转化环节,运营通过产品运营、用户运营、活动运营等多种运营手段,将一个活跃用户转化成客户。在一系列活动运营的设置中,单次的活动转化客户人数就是一个可操作指标。

层层分解和落地,就能让最核心的高高在上的指标和我们日常的工作联系起来。

如何开展数据工作?建立数据流程

建立数据的工作流程的目的不是要一定按照固定的规范行事,流程只是个形式,流程的目的是为了让一线工作人员们有意识、有安排、有节奏的去开展工作,也更能方便团队内部和外部的配合。

数据工作流程大致为:提出业务需求——拆解数据需求——数据预处理——数据跟踪反馈——分析总结五个环节。每个环节的时间节点和负责人都要一一明确。

以典型的互联网公司为例,通常一个版本的迭代涉及到需求确认、排期、设计、前后端开发、埋点、测试、正式上线等环节。

版本需求大约提前一个月确定,包括产品和运营的需求。需求确定之后,进入到开发期,产品经理需要将其中的数据需求进行拆解,统一规划并部署,在上线前将需要检测的数据和提取方式、相应的埋点规则与开发人员沟通好,并测试埋点是否按照要求完成。上线后能看到指定的数据,如果数据出现异常,负责埋点的数据工作人员需要及时与开发人员进行沟通修正。

通常埋点工作是由产品经理在做综合考虑业务需求后,纳入产品需求和规划开发的一部分一起做的。但如果是运营活动的H5页面、帖子页面,此时拆解数据需求和做数据预处理的就可能是运营人员自己。在一些分工更细的公司,从承接数据需求,数据处理和数据展示可能都是专门的数据团队负责。虽然流程各环节实施的人和时间节点都可以依据具体的业务而定,但一定要明确达成共识的流程可以落地。

同样用一个新产品上线的案例来说明:

  1. APP 计划上线一个新的功能,叫 AI 智能选股。产品经理这个产品的各种需求收集在一起,进行规划和流程设计,出具产品文档,详细到具体的实现方式,并说明埋点和数据监测方式
  2. 全团队进行需求评估: AI 智能选股是否满足业务和用户的需求,优先级是否高,是否安排开发资源等。
  3. 通过需求评估后,将此功能纳入产品开发排期,确定上线版本,同时评估是否有足够开发资源和运营资源。
  4. 进入开发期:设计——开发(包括数据埋点及监测开发)——测试(包括数据埋点及监测测试)。
  5. AI 选股产品上线后,在首页有个 Icon 入口,可检测其点击数据,看是否有异常,两周内的点击率是多少,比之前同位置 Icon 点击更高还是更低,相较于这个首页流量的点击占比提高还是增加。监测其他入口和各路径、流程的转化率。也可以对AI选股的整体使用情况做个短期的跟踪。
  6. 总结分析。 AI 选股产品的整体使用人数、使用时长、留存情况等数量和趋势、以后的迭代方向、用户反馈等等。

如何提高业务指标?——培养数据思维和数据习惯

1. 从上到下培养数据习惯

从每天的站会、每周的周会、每一次部门会议业务会议开始,把数据表现的回顾挂在嘴边是培养大家关注数据结果的习惯的开始。这个习惯一定要领导们身体力行。数据是我们一切工作结果的衡量标准,也是我们优化工作的参考,更是我们决策的依据。指标无大小,大会议分析大指标,小会议分析小指标。当我们都习惯了以客观的数据为依据去评估工作的时候,整个公司才会有统一的判断标准和方向。

2. 时时反馈,事事反馈

要有定期的数据汇报,可以是每周正式的周报,也可以是不正式的通报。数据反馈能让从开发人员到运营人员都清楚自己工作的成果是什么。不断增长和向好的数据,会让大家认可自己日常可能琐碎和重复的工作。如果数据表现不好,也会促使大家去思考原因何在以及如何改进。这会极大地增加全体员工的意义感和参与感,哪怕只是上线一个小功能的点击走势,也能让大家对自己工作的结果心中有数。数据结果是一种纽带,把大家串联在一起,这是可以随时随地、非正式地进行分享的。

3. 明确工作职责,落实到指标上

虽然提升业务指标的要点其实已经完全融入到了平时对核心指标的关注和数据工作流程和团队间工作协调上,但还是需要明确不同的团队和个人的工作职责,并且落实到相关指标上。单个指标有诸多可控和不可控的因素,但可以用更多元化的考核机制来灵活的处理这个问题。例如新转化用户这个指标,可以拆分成转化率和流量两个细分指标,流量*转化率=新转化用户。产品和运营可以共同对新转化用户这个指标负责,但在不同的环节上有各自的侧重。

4. 建设一个强大的数据中台

最后一点是,一个强大的数据应用工具能够让我们的工作更有条理、更直接、更快捷。对有开发能力的公司来说,定制化一个能实时看到数据反馈、可视化指标结果,并且给与运营和产品同事一些便捷的数据工具的强大数据中台是一个非常值得投入的事情。甚至可以将营销平台、埋点管理、用户管理系统作为这个数据中台的联动系统或分支系统,实时的对营销活动、产品热力度、推送效果等运营产品数据效果给出效果展示和数据分析。这也能极大地为运营和产品团队赋予数据能力。

结语

搭建数据指标体系、建立数据流程、培养数据思维和数据习惯是业务部门搭建起来数据管理体系的基础三件套。数据是管理工具,也是业务工具。搭建数据体系的基础工作更值得好好投入,这样才能让我们的管理和业务在数据助力之下走入增长的快车道。

 

本文由 @尼基 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 Pexels,基于 CC0 协议

更多精彩内容,请关注人人都是产品经理微信公众号或下载App
评论
评论请登录
  1. 继续努力

    回复
  2. 说实话,有点泛泛而谈,但难得见个分析证券app数据体系的,赞下。

    回复