如何利用分析工具搭建数据指标体系

0 评论 4337 浏览 46 收藏 33 分钟

下面这篇文章是笔者整理分享的关于分析工具搭建数据指标体系的相关内容,里边包含了方法论中的基本流程和理论知识以及We分析工具实操的知识,有想了解的同学可以看一看哦!

在学习数据分析的时候,发现很多的文章,要么只涵盖数据分析的基础知识,要么只关注数据分析工具的操作细节,缺乏实际方法的实战教学。因此,本文的目标是将方法论与工具结合起来,向读者解释如何实际应用这些方法来构建有价值的数据指标体系。

一、方法论——基本流程和理论知识

1. 明确业务目标和问题

在明确业务目标和问题时,团队应该与各个利益相关方进行充分的沟通,以确保每个人都理解并共享相同的愿景。这个过程涉及到:

  1. 定义业务愿景:明确组织的长期愿景和目标。这可能包括扩展市场份额、提高客户满意度、降低成本、提高产品质量等。
  2. 确定具体的业务问题:具体描述当前业务中需要解决的问题或面临的挑战、疑惑或机会,它们可能是影响业务成功的障碍或需要进一步了解的情况。比如销售下降、客户流失、竞争压力、市场趋势等。
  3. 与利益相关方对话:与业务领导、市场团队、销售团队和其他关键利益相关方交流,以确保他们的需求和期望得到考虑和反映在数据指标体系中。

2. 识别关键绩效指标

关键绩效指标是组织实现其长期战略目标的关键驱动因素。这些指标通常与业务绩效、成本控制、市场份额、客户满意度等关键领域密切相关。北极星指标六要素法,可以帮助我们准备的定位关键绩效指标:

  • 标准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?所谓核心价值就是产品为用户解决的痛点和满足用户的需求是什么。比如,对于一个投资应用,其核心价值就是投资,所以这个北极星指标应该和用户进行投资有关。对于一个约会应用,其核心价值是约会,所以北极星指标应该和用户完成约会有关。北极星指标最终应该是用户成功体验了产品价值的指示灯。
  • 标准2:这个指标能够反映用户的活跃程度吗?MySpace以“总注册用户数”作为北极星指标,就是一个累积的静态指标,没有反映出用户当前的活跃程度。日活跃用户数、周活跃用户数和月活跃用户数这样的指标会好一些,但是对于“活跃”的定义也要深入思考,不仅仅要看用户是否持续登录,也要看用户是否完成了使用产品的“关键行为”。
  • 标准3:如果这个指标变好了,是不是能说明整个公司是在向好的方向发展?北极星指标应该可以从宏观上反映出公司的经营状况,即使你不看其他细节,只要看一眼这个指标,就可以大体上知道公司发展的趋势。比如,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,仅仅是注册司机变多而乘客数没有跟上,并不一定说明Uber的生意变好了。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,因此“总乘车数”就是更为合适的一个指标。
  • 标准4:这个指标是不是很容易被整个团队理解和交流呢?北极星指标的定义最好不要太复杂。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,“总订单数”就比“订单额超过100元的订单比例”容易理解,也更便于各个团队之间协作和交流。
  • 标准5:这个指标是一个先导指标,还是一个滞后指标?比如,SaaS公司可能会使用月费收入作为北极星指标,这不是一个坏指标,但是它却是一个滞后指标,因为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。先导指标的好处在于可以让你提前看到问题,尽早行动。因为等到用户已经停用产品几个月之后,取消了产品订阅,此时你再想挽救,往往就太迟了。
  • 标准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. 分解指标

分解数据指标是建立数据指标体系的关键步骤,它要求将业务目标和问题转化为具体的、可测量的数据指标。这一步骤有助于确保数据收集和分析与业务目标紧密相关,为数据驱动的决策提供了坚实的基础。

  1. 分析KPI的构成:首先,仔细分析每个KPI的构成。了解KPI是如何衡量整体绩效的,以及它与业务目标的关系。
  2. 将KPI拆解为可操作的组成部分:将每个KPI拆解为与之相关的具体组成部分。这些组成部分应该是可以度量的,与KPI直接相关,并且有助于理解绩效的各个方面。
  3. 对子指标进行分类:将子指标根据它们的性质和功能进行分类。例如,可以将它们分为财务指标、运营指标、市场指标等,以便更好地组织和理解。
  4. 评估子指标的重要性:对每个子指标评估其对整体KPI的贡献和重要性。确定哪些子指标在实现KPI时具有更大的影响力。
  5. 确保子指标可衡量:确保每个子指标都是可衡量的,并且可以通过可靠的数据源来度量。考虑数据的可收集性和可用性。

4. 明确数据源

数据源的种类多种多样,它们是搭建数据指标体系的关键组成部分。了解不同类型的数据源有助于明确从哪里收集数据以支持所选的关键指标。

1)内部数据源

内部数据源是组织内部的数据产生源。这些数据源通常是与组织的内部系统和流程相关联的,包括但不限于:

  • 销售系统:包括订单数据、销售额、库存情况等。
  • 客户关系管理系统 (CRM):包括客户信息、互动历史、客户服务记录等。
  • 分析工具:包括网站、APP、小程序等的流量、用户行为、转化率等数据。
  • 财务系统:包括财务报表、成本、利润等财务数据。
  • 生产系统:包括生产线数据、工艺参数、产品质量等。

内部数据源通常包含了组织自身的运营数据,可以提供对业务运作的深入洞察。

2)外部数据源

外部数据源是来自组织外部的数据,它们通常包含有关市场、行业和竞争环境的信息。这些数据源可以包括:

  • 市场研究数据:包括市场规模、趋势、消费者行为等信息。
  • 竞争情报:包括竞争对手的表现、市场份额、价格策略等。
  • 社交媒体数据:包括社交媒体平台上的用户反馈、关注度、品牌声誉等。
  • 行业报告和新闻:包括行业趋势、法规变化、市场机会等。

外部数据源可以提供有关市场和竞争环境的重要见解,有助于更好地理解外部因素对业务的影响。

3)用户生成内容

  • 用户生成内容是由用户生成的数据,通常包括用户评论、产品评级、社交媒体帖子、博客文章等。这些内容可以提供有关产品和服务的反馈,以及用户对品牌的看法。
  • 用户生成内容可以通过社交媒体监测工具、在线评论平台等方式进行收集和分析。

4) 传感器数据

  • 传感器数据通常用于监测物理世界的变化。这些数据可以来自各种传感器,如气象站、工厂设备、交通监控系统等。它们提供了实时的、物理世界的信息。
  • 传感器数据在工业自动化、环境监测、物流等领域具有广泛的应用。

5) 社交媒体数据

  • 社交媒体数据包括用户在社交媒体平台上的互动、分享、评论等行为。这些数据可以提供有关品牌知名度、用户反馈和市场趋势的信息。
  • 社交媒体数据通常可以通过API访问,并使用社交媒体分析工具进行分析。

5. 定义指标概念

当我们定义指标时,明确其度量方法至关重要。它确保不同团队和人员在数据采集和报告时都遵循相同的规则,从而减少混淆和误解。让不同时间和地点的数据可以进行比较,使得数据更有意义。

此外,明确的度量方法可以降低错误和数据质量问题的风险。它还能够帮助我们更容易地解释和传达数据,提高数据的可理解性。

定义数据指标度量方法的模板如下:

  • 指标名称:定义指标的名称
  • 指标描述:在这里提供对指标的简明描述,明确它的含义和作用。
  • 计算公式:指定用于计算该指标的数学公式或计算方法。确保计算方法清晰和具体。
  • 度量方案:描述如何度量和收集与该指标相关的数据,包括数据源、数据单位和数据收集频率。
  • 数据源:指定从何处获取指标所需的数据。这可以是内部系统、外部数据提供商、用户调查等。
  • 数据单位:定义该指标的度量单位,例如货币、百分比、数量等。
  • 数据收集频率:规定数据收集的频率,例如每日、每周、每月,以确保数据的及时性和一致性。

6. 数据收集

在数据收集阶段,需要了解和掌握数据分析的基本知识,包括埋点事件、事件属性、事件拆解、埋点方式等。数据收集不仅可以解答特定的业务问题,还为组织提供了有关用户行为、产品性能和市场趋势的有价值信息。这种数据驱动的方法有助于组织更好地理解其受众、优化产品和服务,并做出更明智的决策。

埋点事件:是数据分析中的关键概念,指的是在应用程序、网站或移动应用中追踪和记录用户的各种操作和行为。埋点事件=触发条件+事件行为+事件结果+事件属性。

  • 触发条件:指的是导致特定事件发生的前提条件或触发因素。这包括用户的行为、应用程序的状态或环境的变化,这些条件触发了事件的发生。触发条件有助于确定事件何时发生以及为什么发生。例如:进入页面,打开应用,加载完毕等。
  • 事件行为:描述了事件的具体性质和用户的互动方式。这包括用户的点击、输入、导航、浏览、分享、表单提交等。
  • 事件结果:事件结果涵盖了事件发生后的效果或影响。这可以是用户的状态变化、页面的跳转、数据的记录、通知的发送等。
  • 事件属性:它们是与事件相关的附加信息或变量。事件属性可以提供有关事件的更多上下文和详细信息,使数据分析更丰富和精确。例如,在商品购买事件中,事件属性可以包括商品名称、价格、购买数量、用户ID等信息。

埋点事件的收集方式可以有多种选择,包括手动埋点、自动埋点和混合埋点:

  • 手动埋点:在手动埋点中,开发人员需要编写代码来明确定义要收集的事件和属性,然后将代码嵌入应用程序中。这种方法提供了最大的灵活性,但需要更多的工程开发工作。
  • 自动埋点:自动埋点是通过工具或框架自动生成事件追踪代码。这种方式减少了开发工作,但可能限制了事件的粒度和灵活性。
  • 混合埋点:混合埋点结合了手动和自动埋点的优点。开发人员可以手动定义重要的事件,同时使用自动生成的代码来捕获一般性的事件。这种方法在灵活性和效率之间取得了平衡。

7. 数据分析

数据分析在业务决策和优化中发挥着至关重要的作用。以下是数据分析的几个重要方面,包括事件分析、漏斗分析、事件流分析和留存分析:

1)事件分析:事件分析是数据分析的核心,用于深入了解用户行为和互动事件。它包括以下关键要素:

  • 趋势分析: 通过观察事件随时间的变化趋势,可以了解特定行为的发展和演化,例如用户活跃度的季节性变化。
  • 对比分析: 对比不同事件或属性之间的差异,以找出关键因素。例如,比较不同广告渠道的转化率,以确定哪个渠道效果更好。
  • 排序分析: 将事件按照某种指标进行排序,以识别最重要的事件或属性。这有助于集中精力优化关键领域。
  • 构成分析: 了解事件的组成成分,例如,哪些属性对事件的影响最大。这有助于识别关键因素。
  • 分布分析: 分析事件发生的分布情况,例如,事件在不同地理位置或设备上的分布,以便更好地理解用户群体。

2)漏斗分析:

漏斗分析用于理解用户转化过程,通常应用于产品或服务的优化。

它包括以下内容:

  • 事件漏斗:漏斗包括一系列事件,用于描述用户从初始步骤到最终转化的路径。例如,从注册到购买的转化过程。
  • 转化窗口期: 转化窗口期是指用户完成漏斗中的每个步骤所需的时间段。这有助于确定用户是否在预期时间内完成转化,以及在哪个步骤中存在流失。

3)事件流分析:

事件流分析帮助理解用户在应用程序或网站上的详细行为流程。

它包括以下内容:

  • 事件序列: 记录用户在应用程序中执行的事件序列,从而深入了解用户的路径和行为。
  • 用户路径分析: 分析用户在应用程序中的路径,例如从登录到购物车,以识别最常见的用户行为路径。
  • 时间线分析: 显示用户在应用程序中的行为时间线,帮助识别用户的关键互动时刻。

4)留存分析:

留存分析用于衡量用户在一段时间内保持活跃的情况,以及用户回流率。

它包括以下内容:

  • 起始行为: 确定用于计算留存率的初始行为,例如用户的第一次登录或首次购买。
  • 留存行为: 定义了用户在留存周期内必须执行的行为,以确保他们被视为留存用户。
  • 留存周期: 指定留存率计算的时间范围,如1天、7天、30天等,以了解用户在不同时间段内的忠诚度。

这些数据分析方法帮助组织更好地理解用户行为、产品性能和市场趋势,为业务决策提供深入的见解和数据支持。通过结合这些分析方法,组织可以更精确地识别问题、优化流程,并制定更有效的策略。

二、We分析工具实操——以电商小程序为案例

1. 明确业务目标和问题

  • 业务目标: 提高电商小程序的购物车转化率。
  • 业务问题: 为什么购物车中的商品较少用户购买,导致转化率下降?

2. 识别关键绩效指标

  • 购物车转化率:购物车内商品结算的用户数量 / 访问购物车页面的用户数量。
  • 平均购物车价值:购物车内订单总价值 / 购物车内订单数量。
  • 跳出率:进入购物车页面后未进行任何操作的用户数量 / 访问购物车页面的用户数量。

3. 分解指标

1)购物车转化率

分子:购物车内商品结算的用户数量。

进一步拆解:添加商品到购物车后结算的用户数量,直接进入购物车并完成购买的用户数量。

分母:访问购物车页面的用户数量。

进一步拆解:访问购物车页面但未进行任何操作的用户数量,添加商品到购物车的用户数量,查看购物车的用户数量。

2)平均购物车价值

分子:购物车内订单总价值。

进一步拆解:每个订单的总价值。

分母:购物车内订单数量。

进一步拆解:订单数量。

3)跳出率

分子:进入购物车页面后未进行任何操作的用户数量。

进一步拆解:用户在购物车页面停留时间很短,没有进行任何浏览或交互的用户数量。

分母:访问购物车页面的用户数量。

进一步拆解:访问购物车页面但未进行任何操作的用户数量,添加商品到购物车的用户数量,查看购物车的用户数量。

4. 明确数据源

数据源包括电商小程序的内部数据库、用户行为分析工具以及第三方购物行为数据。

5. 定义指标概念

1)购物车转化率

度量方法: 百分比

计算公式:购物车转化率 = (购物车内商品结算的用户数量 / 访问购物车页面的用户数量) * 100%

度量方案:每月购物车转化率、不同设备类型的购物车转化率、不同用户来源的购物车转化率

2)平均购物车价值

度量方法:货币金额

计算公式:平均购物车价值 = 购物车内订单总价值 / 购物车内订单数量

度量方案:每月平均购物车价值、不同商品类型的平均购物车价值、不同用户群体的平均购物车价值

3)跳出率

度量方法: 百分比

计算公式:跳出率 = (进入购物车页面后未进行任何操作的用户数量 / 访问购物车页面的用户数量) * 100%

度量方案:每月跳出率、不同购物车页面版本的跳出率、不同广告渠道的跳出率

6. 数据收集

  • 事件名称: 事件的名称,例如“商品加购”
  • 事件描述: 事件的简要描述,例如“用户将商品添加到购物车”
  • 触发条件: 事件发生的触发条件,例如“用户点击了‘加入购物车’按钮”
  • 事件行为: 事件的具体行为描述,例如“用户点击了‘加入购物车’按钮”
  • 事件结果: 事件发生后的效果或影响,例如“商品成功添加到购物车”
  • 事件属性: 事件相关的属性信息,

例如:

  1. 商品名称:商品的名称
  2. 门店名称:门店的名称
  3. 用户ID:用户的唯一标识符
  4. 时间戳:事件发生的时间
  • 指标类型: 事件相关指标的类型,例如整数、比例、留存等
  • 数据类型: 指标的数据类型,例如总和、人数、次数等
  • 数据存储位置: 事件数据将存储在何处,例如数据库、数据仓库、云存储等
  • 数据收集周期: 多久收集一次事件数据,例如实时、每小时、每天等
  • 数据质量控制: 确保数据质量的措施,例如数据验证、清洗和纠错
  • 数据安全性: 保护数据安全和隐私的措施,例如数据加密、访问控制等

备注: 附加说明或备注,例如特定的数据处理规则或其他细节

收集完以上所有的信息,需要配置在数据分析工具里,以We分析举例。

①配置属性:

②配置事件:

③配置指标:

7. 数据分析

1)事件分析:

我们首先执行事件分析,以了解用户在购物车转化过程中的行为。

  • 事件名称:购物车转化
  • 事件描述:用户将商品添加到购物车并成功完成购买。
  • 事件属性:商品名称、购物车中的商品数量、用户ID等。
  • 我们查看购物车转化事件的历史趋势,以确定是否存在时间相关的变化。

2)漏斗分析

接下来,我们使用漏斗分析来识别用户转化过程中的关键步骤,以及哪些步骤导致流失。

漏斗包括以下事件:

  • 用户浏览产品页面。
  • 用户将商品添加到购物车。
  • 用户查看购物车。
  • 用户完成购买。

我们分析每个步骤的转化率,以确定哪个步骤存在问题。例如,如果“查看购物车”后的转化率较低,可能需要优化购物车页面的设计。

小贴士:学习转化的定义(来源:growingio操作手册)

转化定义:用户进入漏斗后,在规定的时间范围,按照分析者规定的行为,规定顺序完成了目标事件即为转化。

由此看来完成转化有三个方面: 规定的时间,规定的行为,规定的行为顺序,缺一不可。

下面举一些例子:

假设用户在规定时间内依次完成 ABCD 则为转化,那么:
●ABCD:用户按照规定的路径完成了转化。常见真实场景如 访问 注册 安装 SDK;访问 听歌 购买会员。
●ABCBCBCCD:用户反复多次后完成转化。常见真实场景如 表单注册,产品购买时在详情页和下单页反复后完成购买。
●ABCABCD: 用户重新开始完成了转化。常见真实场景如用户购买时发现明天购买更便宜,明天重新开始购买。
●ABCED:用户除了进行规定步骤还做了其他操作完成了转化。常见真实场景如 C 和 D 之前看是否看 demo,来看 demo 的作用。
●ABCF:用户没有完成转化,在 C 流失。常见真实场景如发现产品太贵,去其他平台上看价格。
●ABCBF:用户没有完成转化,在节点 B 流失。常见真实场景如回到上级页面后发现不符合需求,离开漏斗。
●ABC…D (… 代表转化了,但没在规定时间完成): 用户虽然按照顺序完成了转化,但未在规定时间内完成。常见真实场景如试用期 14 天,十四天内成单给与九折优惠,超过 14 天没有奖金。
●AD:未转化。
●ABABCDBCABCD:用户完成了两次转化。

3)留存分析

最后,我们进行留存分析,以了解用户的回流情况和用户忠诚度。

我们选择留存周期为7天,并使用以下事件:

  • 起始行为:用户首次将商品添加到购物车。
  • 留存行为:用户在7天内完成购买。

我们计算购物车转化事件的7天留存率,以确定用户在购物车阶段的忠诚度。如果留存率低,可能需要改进购物车体验。

小贴士:留存分析怎么看?(来源:growingio操作手册)

留存图中的数据是根据留存表来绘制的,我们针对留存表来说明一下数据统计口径。首先,需要明确的是,留存表中的每个绝对值,指的都是人数。

下面,我们把留存表分成 “汇总行”和”日期行”:

“汇总行”的数据是依据 “日期行”的数据来计算的。下面具体解读一下:

5722:这个是日期行的 “用户量”一列,代表的是 9 月 18 日,”目标用户”中完成”起始行为”的用户量,这是后续用户留存的基数。图中给出的 “日颗粒度”,如果是周颗粒度,那么这个单元格中的用户量是当前自然周的获取的用户去重得到的独立用户量。

26.9%:这个是日期行的留存率图中的留存率数据。

Tips 给出了统计口径;5722 个满足起始行为的用户,有 1537 个用户在第二天(09月/19日)完成了留存行为。次日留存率的计算:26.9% = 1537(人)/5722(人)

117012:这个是汇总行 “用户量”列。是日期行每一行的 “用户量”数据直接算数相加得到的,没有做去重。需要特别注意,这个数据不是在选定的时间范围内的实际用户量,因为这个数据没有去重。

12.2%:这个是汇总行的留存率数据。这个留存率数据是日期行每一行数据加权平均得到的。

具体算法是:

12.2% = 每个日期行 “3日后” 列的用户量算数相加/ 对应每个日期行 “用户量” 列的用户量算数相加。

为了更好地理解计算口径,下面是一个示例:

三、结论和改进措施

通过数据分析,我们可能得出以下结论:

●购物车转化率下降可能是由于购物车页面设计不佳导致的。
●购物车页面的浏览到转化率很低,需要改进购物车页面的用户体验。
●用户在购物车阶段的忠诚度较低,需要采取措施提高购物车转化率。

基于这些结论,我们可以制定改进措施,例如优化购物车页面设计、提供更好的购物体验以及实施促销策略,以提高购物车转化率并提升电商小程序的业绩。

通过这个实际案例,我们明确了业务目标,识别了关键绩效指标,分解了指标,明确了数据源和定义了指标,然后进行了数据收集和分析,以更好地理解问题并采取相应的措施来提高转化率。

四、参考文献

https://docs.growingio.com/op-help/docs/2.6/product-manual/customer-data-platform/
https://developers.weixin.qq.com/miniprogram/analysis/

本文由@Olivia 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

该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务。

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. 目前还没评论,等你发挥!