起点学院课程

如何从0搭建业务数据指标监控体系?

Ver
2 评论 5839 浏览 74 收藏 19 分钟
15天0基础极速入门数据分析,掌握一套数据分析流程和方法,学完就能写一份数据报告!了解一下>>

本文主要介绍了指标体系搭建的基本流程和常见误区,并结合一些例子做了指标体系搭建的说明。

此文系把前日所做的分享整理成文,正文主要介绍了指标体系搭建的基本流程和常见误区。算是经过工作和学习,漫长野蛮生长后对指标体系搭建的一些见解的思考,作为自身知识沉淀的第一步,希望大家带着批判的眼光去看待所有内容。

01 指标体系搭建的基本流程

指标体系搭建是数据工作的基础,可以通过量化的方式,较为系统的反映业务发展情况。

通常来说,业务指标体系的搭建可以分成以下几种阶段:

1. 确定产品核心价值和所处阶段

此阶段是搭建指标体系的基石,前期准备工作越充分,对业务理解越全面,后续指标搭建就越合理。所以此阶段建议先对产品有一个比较宏观的了解。通常采取的方式无非是自身体验/询问同事/网上查找相关资料。

这里想特别提到《了不起的盖茨比》的一句话,可以领悟精神:“每当你想批评别人的时候,要记住,这世上并不是所有人,都有你拥有的那些优越条件”。时刻注意不要太过盲信自身体验,很容易犯以偏概全的毛病。

比如说对于一款正在进行渠道下沉的产品,你作为一二线城市的用户可能比较清楚自己想要什么,但是没有三四线城市生活经历的你,可能就不会太了解那里用户的真实诉求和使用场景与你有何异同。

涉及到实际业务场景,我们可以通过以下几种方面的研究来尝试找准产品的核心价值,帮助我们更有底气的搭建一个合理的指标体系:

产品基本情况:

首先我们需要了解产品的基本情况,虽然不需要对每个旁支功能都了如指掌,但是至少需要清楚产品对于用户产生的核心价值和主要交互场景。注意,一个好的slogan也可以帮助你更好的了解产品的主要价值。

有条件的话可以通过自身体验/与目标用户交流/应用商店/数据监控网站(类似于七麦,TalkingData等)等了解。

增长情况:

然后我们需要了解产品自身表现和其所在细分领域市场的表现,好比说其日活/设备量的增长情况/市场占有率等,辅助我们更好的判定产品所处的阶段。比如日活稳定,新增设备下滑,该app可能已经到了成熟期。

这里我们通常还是善用搜索,查看行业报告/数据监控网站/科技媒体报导(36Kr,虎嗅等)/app自身发布的数据报告来判断。

产品迭代历程/运营及商业化策略

这几块内容放在一起说,主要帮助我们了解产品近年的发展情况和未来的发展计划。产品方面我们可以关注app披露的迭代记录,通过自身体验,或者加入核心用户体验群等等。

运营和商业化方面信息比较难直接获取,就要善于关注各种领导者采访/专业文章分析/各类大会分享/公司内部报告等。当然能找到内部人士更是极好的。

通过脉脉/领英或许我们都能方便的找到内部员工,至于能不能打听到产品的商业化进程和走向就各凭本事了(记得之前有个段子,说某男为了成为产品经理,陆续勾搭了几个产品经理小姐姐处对象,这里先不做道德判断,但是理是这个理- -)。

如果是为自己的公司搭建体系,当然也可以选择询问相关业务人员。但是切记过程中你需要有一点儿产品的思维,即倾听他们的声音,但不是他们说什么就去做什么。需要考虑,业务人员为什么关注这一指标?找到业务需求背后隐含的诉求并付诸数据量化。

2. 确定北极星指标

首先来明确一下北极星指标的定义。

北极星指标(North Star Metric):又叫作OMTM(One metric that matters),唯一重要的指标,为产品现阶段最为关键的指标。之所以叫北极星指标,是因为这个像北极星一样,指引着全公司所有人员向着同一个方向迈进。是全公司统一的成功指标,且需要对应产品向用户输出的价值。

关于北极星指标的确定,其实结合产品类型,已经大致能得出自己的选择,唯一需要注意的是在产品发展的不同阶段会有相应变化,比如说滴滴在创业早期可能就会比较关注新客数,现阶段可能就要更多的关注营收情况。

至于判定指标的选择是否合理,其实也有一套比较好的自查方法。我就不再班门弄斧,直接援引曲卉在《硅谷增长黑客实战笔记》给出的六个标准,概括精当到位:

1. 你的产品的核心价值是什么?这个指标可以让你知道你的用户体验到了这种价值吗?

比如说,我现在公司做的是投资 App,那么用户的核心价值就是投资,所以这个北极星指标应该和投资有关;

2. 这个指标能够反映用户的活跃程度吗?

在上面的例子里,Myspace 的“注册用户数” 就没有反应用户的活跃程度;

3. 如果这个指标变好了,是不是能说明你的整个公司是在向好的方向发展?

比如说,对于 Uber 来说,如果只是把注册司机数作为北极星指标,显然就忽略了乘客这一方面。因此 Uber 的北极星指标应该能够反映司机和乘客的供需平衡,所以“总乘车数”就是更为合适的一个指标。

4. 这个指标是不是很容易被你的整个团队理解和交流呢?

一般来说,建议选一个绝对数作为北极星指标,而不是比例或百分比:比如说,“总订单数”就比“订单额超过 100 元的订单比例”好理解

5. 这个指标是一个先导指标,还是一个滞后指标?

比如说,SaaS 公司喜欢使用收入作为北极星指标,这不是一个坏指标,但是它确是一个滞后指标。有的用户很可能已经停止使用几个月了,却还在付月费。在这种情况下,“月活跃用户数”可能是一个更好的先导指标。

6. 这个指标是不是一个可操作的指标?

简单地说,如果对于一个指标,你什么也做不了,那它对你来说相当于不存在。

3. 确定其他关键指标

确定好了北极星指标,需要继续确定该app发展过程中需要关注的其他重要指标。

这里拆解的基本维度为用户,行为,留存和收益,是基于外界对产品的价值判断和数据仓库的搭建逻辑选择的。

在实际应用过程中,其实可用模型有很多,包括AARRR模型or其他合理的分析模型(比如HEART),在不同业务和不同链路都有各自的应用场景。也会发现实际对于不同产品,可能还有很多定制化的指标不好归类。所以可以先掌握基本法,具备一个基本的思考方向,再根据业务实际情况开枝散叶,进行延展。

以抖音为例,我用基本模型增加AARRR的拉新唤醒模块打配合,做出以下划分:

这里再做出一些简单的解释:

拉新/唤醒:

关注各渠道效果以及各类拉新裂变活动效果如何,主要基于成本和有效性两方面量化。

用户:

主要对到访用户做分类,看有没有某部分用户出现异常。用户画像基于访问用户的结构维度,但考虑到用户的激动指数(激动指数代表了用户有多大动力在某个时刻完成某件事情;好比说,激活过程中需要填写的内容越多,过程越繁琐,用户越容易放弃你的产品)和开发资源,所以并非越细越好。

譬如说,作为一款婚恋app可能就特别需要关注女性用户占比,如果发现活跃男性规模远高于女性,和酒吧进行女性免单促销的逻辑类似,该产品就得加强对女性用户的引流。但是对于某些男性主导的直男社区,比方说军事类讨论组,女性用户占比可能就是一个次要指标。

行为:

需要包含用户在app上必然操作的基本行为和关于产品核心价值的行为。对于平台类产品,涉及到多种用户类型的,需要关注到各个用户群体行为上的差异性。比如作为一款内容社区类产品,就要同时关注推荐质量/生产质量。

此外,特别关注举报行为是因为:内容平台很容易因为审核监管力度不够,导致出现低俗不良信息/违背主流社会价值而遭到打击。好比说前段时间Soul合伙人恶意钓鱼举报Uki,直接导致竞品因为低俗内容被强制下线数月。不但导致Uki之后的日注册用户量出现断崖式下降,甚至使其错过了元旦和春节等几个关键节点,面对这种情况,成熟公司可能还可以靠活跃用户扛一扛,但是对于初创公司来说是毁灭性的。所以需要特别警惕。

留存:

这里主要关注各细分维度的留存情况是否有异动。切分维度一般和用户养成使用习惯需要的活跃天数有关。理论上来说,用户对产品投入越多,越难以放弃一个产品。比方说如果你坚持用豆瓣记录自己的观影历程多年,那你就很难离开豆瓣了,否则就要面临高昂的迁移成本。

收入:

关注各业务线实际营收。考虑到短视频平台其实和手游有比较高的重合度,此类用户具有客单价较低,付费频次较高的特点,因此需要关注新引入的付费用户情况。

4. 模块拆解和模块指标确立

这两部分并在一起说。实际上如果前期的核心价值了解到位,做到这一步基本是水到渠成。功能模块的选取要么基于产品核心价值判断,要么基于公司业务线自身的天然分割。

这里通常以对产品功能模块/业务逻辑拆解为主,通过产品的核心价值判断;以网上检索到的情报为辅助(比方说对于影响力比较大的产品,好比说淘宝/抖音这类国民产品甚至可以搜索到一些咨询机构所做的用户调研,就会很容易留意到一些子功能对于用户来说是没有这么核心的),据此来综合判断。

此拆解并不唯一,也可能会发生变化。以抖音为例可做如下拆分:

进行到子模块的拆解后,我们仍然可以按照关键指标的拆解套路(用户/行为等……)进行。当然,对于拆解模式和概括类指标相同的(如留存),可以一笔带过,对差异性较大的再做细分解释。

此外,拆到业务线时可能会有和总的概况指标有重叠的部分,这时也无需过于担心,有时候同一款产品多线并行互相竞争,大家通过不同的角度看问题,反倒有可能更容易发现产品迭代的空间/改进的方向。

02 指标体系搭建的常见误区

说完了基本搭建流程,这个版块主要介绍一些指标体系搭建中比较容易出现的问题。

1. 很多判断比较想当然,缺乏依据

常见的问题包括但不限于:没有考虑到产品当前所处阶段或者判定了但是缺乏对应支撑;核心功能模块选取过度依赖自身体验和口嗨等……

2. 指标定义不清楚

事实上指标的定义没有绝对的正确和错误,只要基于实际业务问题,确定好统计口径,团队理解一致,这个指标就是可取的。所以对于一些界定不够清晰,不能被团队一眼理解的指标,最好再追加基本的解释。

就算是大家都知道看似简单的DAU,其实也可以有不同的定义。什么是活跃?最常见的定义是,打开应用即算活跃。但是不同的业务场景下可能有不同的需求,以游戏产品为例,用户仅仅打开但是不登陆是没有意义的。那么DAU的定义是登陆你的app or 停留时长达到一分钟 or 有特定行为?

其实都可以,只要团队一致认可且能反映产品的核心价值。

3. 指标要么过于大而全,要么过于随意

一个好的指标体系,在问题发生时,理应能让用户通过较少的操作和观察,快速精准的定位到问题。建立一个非常复杂不易理解大而全的指标的结果是,可能有些报表年年出现,日日推送,但是无人问津。选择指标时需要我们好好考虑选取这些指标到底能在实际业务中发挥什么作用。如果想不到,它可能就不是一个特别理想的指标。

4. 指标选取上,关注人(如使用功能人数)/忽略次(如使用功能次数)

这一点对运营同学可能足够,但是考虑到产品优化维度,就不够全面了。好比说,对于一个发布功能,我们可能就会关注用户每一次操作背后每一步的行为漏斗。

5. 指标选取时只关注比例/均值,不太关注绝对值

确实,比例和均值通常比绝对值更适合作为指标,它更直观,更容易被对比。我们常说,不能对比的指标不是一个好的指标。

但是完全忽略绝对值其实也是很危险的。打个比方,一个直播间,昨天来了1万个访客参与互动的有100人;今天有1000个访客,参与互动的仍然有100人。看上去参与率大幅提升了,但是我们可能会被虚荣的数据蛊惑,忽略了实际上参与率的提升可能仅仅是由于流量变少,今天来的更多是死忠粉,所以互动人数同样值得注意。

这里再额外延展一个统计学上一个经典的例子,辛普森悖论,大意是分组分组时均占优势的一方在总体上反倒有劣势,这其实就是因为分组的样本量有差距,警醒我们既不要以偏概全也不要以全概偏。

这篇文章写到这里差不多就该结束了。

指标搭建的方法论可能比较朴素,没有特别高大上的模型和理论依托,但是却有赖于深厚的积累和充分的业务理解。实际工作中不用拘泥,只要能达到反映业务现状,方便各业务及时定位异常点就好。这个体系是动态的,可以随着不同阶段的业务需要不断进行更新和调整,也不断在全面和精炼中寻找平衡,避免过高的复杂度带来的冗余。

 

本文由 @Ver 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

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
起点学院课程
评论
评论请登录
  1. 数据分析好文

    回复
    1. 谢谢支持~

      回复