指标体系的搭建

指标体系的搭建

从全局思考问题、向下拆解问题、寻找优化方向

一、指标体系是什么

其实日活这么一个单独的指标，是不能全面的反应app的用户使用情况的；我把指标拆成了三块：新增、活跃和粘性。

part1_日活.jpg

当衡量APP的用户量级情况时，是需要关注新增用户数、活跃用户数和用户留存的。每个指标都很重要。这就是指标体系，是一系列指标的组合

二、我们为什么需要指标体系

让我们进行一下视角切换：

1） 如果你是公司领导，你会关心几个核心的指标：用户量级、成本、收入、利润、等等；

2） 如果你是中层负责人，你会需要对领导作出核心指标的解读：为什么涨、为什么跌、怎么优化；再把每一块具体的业务分配给手下，让他们对你进行汇报；

3） 如果你是底层员工，你会需要知道你负责的某块具体的业务最近表现如何，再对指标进行解读和提出优化，对你的上级负责。

所以公司从上到下，没有不看数据的，而建立指标体系，是帮助我们判断目前发展现状、做下一步决策、寻找业务优化方向的好帮手。

三、如何找最重要的指标

用户消费指标+供应指标+营收指标一定是重要的！

四、怎么建立指标体系

建立指标体系分三步：找核心，向下拆解，横向对比。

第一步，明确我认为的微信读书这个app最重要的核心指标（or核心指标组）：

• 用户指标组

• 供应端指标组

• 营收指标组

第二步，把核心指标向下拆解到二级指标

尽可能解释一级指标产生由什么构成，比如说新增=各个渠道的新增求和；

增加指标自带属性，作为画像维度帮助横向对比。

简单的对核心指标进行向下一个维度的拆解，可以帮助我们知道，造成核心指标表现的原因是什么。比如说新增降了——具体是哪个渠道新增降了？降幅如何？

第三步，增加指标自带属性，作为画像维度帮助横向对比。

APP数据指标体系分析

APP的数据指标体系主要分为五个维度，包括用户规模与质量、参与度分析、渠道分析、功能分析和用户属性分析。

1. 用户规模和质量

   • 活跃用户指标：活跃用户是衡量应用用户规模的指标；通常，一个产品是否成功，如果只看一个指标，那么这个这指标一定是活跃用户数。日活跃数（DAU）、周活跃数（WAU）、月活跃数（MAU）。
   • 新增用户指标：新增用户是指安装应用后，首次启动应用的用户。按照统计时间跨度不同分为日、周、月新增用户。新增用户量指标主要是衡量营销推广渠道效果的最基础指标；新增用户占活跃用户的比例也可以用来用于衡量产品健康度。如果某产品新用户占比过高，那说明该产品的活跃是靠推广得来。这种情况非常值得关注，尤其是关注用户的留存率情况。
   • 用户构成指标：用户构成是对周活跃用户或者月活跃用户的构成进行分析，有助于通过新老用户结构了解活跃用户健康度；本周回流用户；连续活跃 n 周用户；忠诚用户；连续活跃用户；近期流失用户；
   • 用户留存率指标：用户留存率是指在某一统计时段内的新增用户数中再经过一段时间后仍启动该应用的用户比例。用户留存率可重点关注次日、7 日、14 日以及 30 日留存率。用户留存率是验证产品用户吸引力很重要的指标。通常可以利用用户留存率与竞品进行对比，衡量应用对用户的吸引力。对于某一个相对成熟版本的应用，如果用户留存率有明显变化，则说明用户质量有明显变化，很可能是因为推广渠道质量的变化所引起的。
   • 每个用户总活跃天数指标：每个用户的总活跃天数指标（TAD，Total Active Days per User）是在统计周期内，平均每个用户在应用的活跃天数。

2. 参与度分析：参与度分析主要是分析用户的活跃度，包括启动次数分析、使用时长分析、访问页面分析和使用时间间隔分析。

   • 启动次数指标
   • 使用时长
   • • 人均使用时长= 同一统计周期内的使用总时长 / 活跃用户数
   • • 单次使用时长 = 同一统计周期内使用总时长 / 启动次数
   • 访问页面
   • 使用时间间隔

3. 渠道分析

   • 渠道分析主要是分析各渠道在相同的投入情况下，用户数量的变化和趋势，以科学评估渠道质量，优化渠道推广策略。渠道分析包括新增用户、活跃用户、启动次数、单次使用时长和留存率等指标。

4. 功能分析

   • 功能活跃指标：主要关注某功能的活跃人数、新增用户数、用户构成、用户留存。
   • 页面访问路径分析：主要是统计用户从打开应用到离开应用整个过程中每一步的页面访问和跳转情况。
   • 转化率：转化率是指进入下一页面的人数（或页面浏览量）与当前页面的人数（或页面浏览量）的比值。通常使用漏斗模型来，它可以分析产品中关键路径的转化率，以确定产品流程的设计、用户体验问题。

5. 用户属性和画像分析

6. 收入分析：盈利是产品的最终目的，所以总收入、付费用户数、付费率、ARPU 这四个指标经常用到。

什么是数据埋点：

埋点的宏观目标是为了获取数据指标来整体上验证产品的业务逻辑是否顺畅，之前的一些基本假设是否成立？这时候涉及需要验证的数据可能会涵盖：产品方向、市场运营和商业逻辑三大方面。埋点本身其实是对产品的一个可视化健康检查，通过逻辑和数据，贯穿产品的整个生命周期，使产品逐步达到最佳状态。为未来产品优化方向给出指导意见。

当然埋点的目标不同，最终数据验证的效果也会有不同。如新版本上线的用户行为和功能效果数据验证（几种场景）：①新功能是否得到用户的使用与认可？新版本增加的新功能，用户点击率怎样？②用户在核心使用路径上是否顺畅？有没有因为交互体验功能按钮的设计而导致无效点击增多？③针对某个特别的日期进行了产品内的广告banner推广或者促销，该活动运营的效果如何？

指标体系搭建具体步骤：

• 了解产品形态：指的是整个产品的运作逻辑，关注的是用户角色，信息和渠道，以及他们之间的流转关系是什么样的，像是产品的一个蓝图和框架。
• 了解业务逻辑：指的是要执行某个业务，用户角色需要走过的路径，会有什么角色参与，有什么功能模块（或子系统）参与，模块之间的关联性，数据之间的流向是什么样的。
• 业务流程图：是在业务逻辑的基础上，对功能分解下来，比如唱吧的录歌业务逻辑，会有个模块是生成评分，那生成评分这个模块，她的具体业务流程是什么样的，会有什么细节流程，异常流程，提示等。
• 将节点化的业务代码化：这一步骤，主要是将列出的重要节点(需要统计的节点)添加统计事件和统计参数。
• 交付开发调整DRD：可以与产品经理和开发人员沟通协调，并交付所需要的数据指标体系。
• 数据分析：后期数据库中有了相应节点的统计情况，之后就可以拿来分析了。

常用的分析方法

1. 产品生命周期分析：一种新产品从开发进入市场到被市场淘汰的整个过程。产品生命周期可分为初创期、成长期、成熟期、衰退期，在产品的每个阶段，数据分析的工作权重和分析重点有所区别。

   • 初创期：初创期的重点在于验证产品的核心价值，或者说验证产品的假设：通过某种产品或服务可以为特定的人群解决某个问题。这时我们需要关注的关键数据是目标人群画像和留存率。
   • 快速成长期：经过了产品打磨的初始阶段，产品有了较好的留存率了，这个时候产品开始进入自发增长期。自发增长期可以将侧重点关注在用户的整个生命周期的管理，其中以新用户的增长、激活、触发 “Aha moments” 到活跃用户的整个漏斗分析为主。
   • 成熟期：随着用户快速增长，产品不断完善，产品在进入成熟期前后，数据分析师关注的重心开始从用户生命周期的前半段（吸引、激活、留存）往后半段（流失、回流）开始偏移，同时关注商业化转化路径。
   • • ①流失与回流：核心思路即，通过回访定性 + 数据验证为主要手段，确定流失原因，改变产品运营策略以预防用户流失或拉回用户，促进回流。除此之外，对于一些稳定的投放渠道，普通的改善方法可能提升转化有限，此时可以进行更精细化的渠道分析来优化提升 ROI。
     • 商业转化率分析：在成熟期需要针对高质量用户进行重点运营，低质量用户通过产品和运营改进手段，使其往高质量用户迁移。结合不同的产品形态和商业模式，一般数据分析的核心指标包括：产品用户人均使用天数（以周、月为单位来观察）；产品用户人均使用时长（以天为单位进行观察，人均时长越高，用户依赖性越强，产品商业化空间越大）；人均购买价格（以月为单位，查看一个用户的购买情况，购买价格越高，对电商平台意味是是高净值用户，需要重点运营）；人均购买次数（以月为单位，次数高，低单价的用户也是优质用户）
   • 衰退期

2. 转化漏斗分析：漏斗模型是数据分析较常使用的一种方法，其适用的场景主要是对经过一连串用户操作才能完成任务，同时需要监控和分析任务最终完成的效果，以及每一步可能存在的问题。漏斗模型的核心思想，是从最终目标入手，找出每一步用户的转化或者流失情况，配以每一步的转化率或者流失率指标来监控效果，并最终通过提升用户转化率，或者降低用户流失率，从而优化最终指标并实现商业价值。

   实际在进行漏斗模型的分析时，结合不同的业务场景和产品类型，漏斗模型大致可分为以下几种：

   • 用户获取模型：AARRR 从整个用户生命周期入手，包括 Acquisition 用户获取，Activation 用户转化，Retention 用户留存与活跃，Revenue 用户产生收入，到发起传播 Refer。
   • 消费漏斗模型：消费漏斗一般用于页面结构和内容较为复杂的业务，从用户内容消费和流量走向的角度，宏观层面用于回答用户消费什么内容，微观层面则用于分析影响用户消费的问题是什么。
   • 电商漏斗模型：用户商品的购买属于决策行为，从浏览商品到支付订单的每一个环节的转化。
   • 功能优化漏斗模型：漏斗分析也适用于产品功能自身的优化，从最终目标入手，拆分业务环节，提取和优化核心指标，从而提升整体功能的转化率。

3. AARRR 模型：AARRR 模型是一套适用于移动 App 的分析框架，又称海盗指标，是 “增长黑客” 中驱动用户增长的核心模型。AARRR 模型把用户行为指标分为了 5 大类，分别为：获取用户，激发活跃，提高留存，增加收入和病毒传播。

   • Acquisition 获取用户：在获取用户阶段，我们希望让更多潜在用户关注到我们的产品，通过以下基础途径来曝光我们的推广页面：①付费获取：媒体广告、SMS、EDM、流量交易 / 置换；②搜索营销：搜索引擎优化（SEO），搜索引擎营销（SEM）；③口碑传播：用户间邀请活动，病毒 H5 传播等。

     用户访问页面后，可以通过导航、主动搜索、算法推荐来了解到我们的产品。切中当下需求的用户会进行注册行为，算是和用户真正意义上第一次会面。这时就要重点关注推广页 UV，点击率，注册量，注册率，获客成本等重要指标。

   • Activation 激发活跃：用户注册后是否有进一步了解我们的产品？这其中涉及到产品的功能，设计，文案，激励，可信等等。我们需要不断调优，引导用户进行下一步行为，让新用户成为长期的活跃用户：

     这个过程中，我们要重点关注活跃度，若定义加入购物车为活跃用户，那么就要观察注册至加入购物车漏斗转化率，按维度拆分，分析优质转化漏斗的共有特征 / 运营策略，提升策略覆盖率，优化整体转化效果。

   • Retention 提高留存：用户完成初次购买流程后，是否会继续使用？流失的用户能否继续回来使用我们的产品？重点关注留存率，复购率，人均购买次数，召回率等指标。

   • Revenue 增加收入：我们获得每位用户平均需要花费多少钱？每位用户平均能为我们贡献多少价值，能是否从用户的行为，甚至其他方式赚到钱？

     电商业务的基础要关注获客成本 CAC，顾客终身价值，在此基础上通过运营活动激励用户进行购买，提升用户单价、频次、频率，最终提升用户生命周期贡献价值。

     重点关注获客成本，顾客终身价值，营销活动 ROI 等指标。

   • Referral 病毒传播：产品传播：用户邀请的老带新活动，垂直领域的社群运营，H5 营销传播，让老用户推广我们的产品，吸引更多的潜在用户。

     重点关注邀请发起人数，每个病毒传播周期的新用户量，邀请转化率，传播系数等。

4. 总结：数据分析的用意不在于数据本身，而是要打造一个数据反馈闭环。

   在为一个 App 做数据服务的时候，我们希望通过设计基础数据指标，多维度交叉分析不同指标，以数据甄别问题，再反向作用产品，最终形成数据驱动产品设计的闭环。

   关键是数据指标的设计要基于两点事实：①商业模式和业务背景；②数据分析动机和目的。

   企业在做指标或者定期分析数据的时候，只要定期的关注那些能影响公司核心业务的指标，以此来做快速的业务表现判断，能极大地提高效率，快速发现问题。

   
   
   ![liucheng.jpeg]1240)