数据指标体系

一、初识指标体系构建

1.1 什么是指标体系

        指标体系是一个比较抽象的概念，指标体系是衡量、评估和监测特定领域或目标的系统化指标的集合。它由多个指标组成，这些指标可以用于衡量和评估所关注领域或目标的各个方面。指标体系通常被用于监测和评估业务绩效、项目进展、经济发展、环境影响等。

        简单来说，指标体系是指标与体系的结合体，是一套从多个维度拆解业务现状并有系统、有规律地组合起来的多个指标。

1.2 为什么需要指标体系

指标体系的功能大致有三点：

1. 指标体系是一套标准化的衡量指标，可以监控业务的发展情况
2. 指标体系可以形成报表并固化下来，以减少重复的工作
3. 如果业务出现问题，数据分析师可以通过指标拆解，迅速定位业务问题，给出业务优化方向

1.3 指标体系的评价标准及注意事项

1.3.1 如果指标体系没有较大的问题，那么如何通过现有指标体系评价业务现状呢？

        作为数据分析师，通常会用到比较的方法，有比较才有说服力。一般情况下我们会用现有的业务指标和大盘数据进行比较，从而说明业务现状。

1.3.2 构建一套指标体系需要注意哪些问题？

1. 数据提前埋点
           对于互联网公司而言，数据产生于用户行为，用户行为都是通过埋点触发而记录的，所以要获得相应的用户数据，就得先埋好点。
2. 统一计算口径
           统一计算口径是很重要的步骤。不同的计算口径计算出的数据会略有差异。统一的计算口径可以使业务具有横向和纵向的可比性，所以需要统一整套体系的最小计算单位。
3. 指标穷尽且互相独立，遵循MECE模型
           对于某一块业务，需要下钻和拆解。下钻维度和拆解维度需要相互独立，完全穷尽，也就是麦肯锡提出的MECE（Mutually Exclusive Collectively Exhaustive）模型。只有这样才能更好的暴露业务存在的问题。

二、 用四个模型梳理数据指标体系构建的方法论

2.1 构建指标体系的方法

        数据指标体系构建的方法可以总结为三个步骤，即明确业务目标、理清用户生命周期及行为路径、指标体系分层治理。

        在这三个步骤中又涉及 OSM（Object Strategy Measure）、AARRR（Acquisition Activation Retention Revenue Referral）、UJM（User Journey Map）、MECE（Mutually Exclusive Collectively Exhaustive）四个模型，这四个模型是指导数据分析师构建完整而清晰的指标体系的方法论。

数据指标体系构建的流程

2.2 用三个步骤、四个模型梳理数据指标体系的方法

2.2.1 OSM模型——明确业务目标，数据赋能业务

        数据服务于业务才能赋能业务，数据脱离业务就会失去其价值。

        数据分析师在建立数据指标体系之前，一定要清晰的了解业务目标，也就是OSM模型中的O（Object）。

        了解业务目标之后，就需要制定相应的行动策略，也就是模型中的S（Strategy）。

        最后，需要数据分析师制定较详细的评估指标，也就是模型中的M（Measure）。

        OSM模型是指标体系建设的指导思想，理解核心KPI是OSM模型的核心；制定行动策略是实现业务KPI的手段，而AARRR模型和UJM模型是实现策略制定的方法论；制定细分指标是评估业务策略优劣的方法，而MECE模型是制定细分指标的方法。

OSM模型的内容及其与AARRR模型、UJM模型、MECE模型之间的关系

2.2.2 AARRR模型和UJM模型——理清用户生命周期及行为路径

        AARRR模型和UJM模型都是路径模型，两者原理相似，只是出发角度不同。AARRR模型是从产品角度出发，揭示用户的生命周期；而UJM模型是从用户出发，揭示用户的行为路径。

        AARRR模型，也被称为“Pirate Metrics”，是一种营销和业务指标模型，用于衡量和优化用户生命周期价值以及企业增长。它由五个关键指标组成：

1. Acquisition（获取）：指用户的获取渠道和方式，包括广告、营销活动等。
2. Activation（激活）：指用户在产品或服务上的首次正式互动，例如注册账户、完成首次购买等。
3. Retention（留存）：指用户的活跃度和留存率，衡量用户在一段时间内保持使用产品或服务的程度。
4. Referral（推荐）：指用户通过口碑传播或推荐给其他人的能力，衡量用户对产品或服务的满意度。
5. Revenue（收入）：指用户产生的收入，包括购买产品、订阅服务等。

        AARRR模型通过分析和优化这五个指标，帮助企业了解用户的行为和价值，从而制定相应的增长策略。AARRR模型基于用户生命周期，简单来说就是获取、激活、留存、付费、推广。

        UJM方法通过以下三个步骤来设计和规划数据指标体系：

1. 理解（Understand）：首先，需要深入理解业务需求和目标。通过与关键利益相关者沟通和了解，明确需要收集哪些数据以及数据的用途和价值。该步骤旨在建立共识和对指标体系的理解。

2. 评判（Judge）：在此步骤中，根据理解阶段的结果，评判和选择最适合的指标。这涉及确定关键绩效指标（KPIs），即能够直接衡量目标实现程度的指标。此外，还需要考虑指标的可衡量性、可靠性和准确性。

3. 测量（Measure）：最后，需要制定具体的测量计划和方法来收集所选指标的数据。这包括定义指标的计算方式、数据收集频率、数据来源和数据分析方法。确保数据的收集和测量过程可靠、一致，并能提供有用的信息。

        通过UJM方法，可以确保规划的数据指标体系与业务需求保持一致，并且能够提供准确和有意义的数据，以支持决策和业务改进。UJM模型是从用户角度出发的，描述了用户进入产品的整个路径流程，即注册、登录、加购、购买、复购。

AARRR模型和UJM模型的内容及其之间的关系

2.2.3 MECE模型——指标体系分级治理

        在管理咨询和解决问题的领域中，MECE模型代表"Mutually Exclusive Collectively Exhaustive"，表示"相互独立，完全穷尽"。

        MECE模型是一种结构化思考和分析的方法，旨在确保问题分析的全面性和逻辑性。它要求将问题或信息分解为相互独立的互不重叠的部分，并确保这些部分完全穷尽涵盖了所有可能的情况。

        MECE模型通常用于组织复杂问题、制定解决方案、进行数据分类和分析等情境。通过将问题划分为独立的、互不重叠的部分，能够确保不会遗漏任何重要因素，并使得解决方案更全面和可行。

        使用MECE模型的好处是帮助提高问题解决的效率和质量。它的应用有助于避免信息重复和遗漏，从而提供更清晰和更有条理的分析和决策过程。这种方法可以促使人们更系统地思考问题，找到有效的解决方案。

        MECE模型的指导思想是互相独立，完全穷尽，根据这个原则拆分可以暴露业务最本质的问题，帮助数据分析师快速的定位业务问题。

两个值得注意的问题：

1. 将指标拆这么细有什么用？
   正向作用：分解核心KPI，明确每一步骤的行动目标和每个行动的考核指标。
   反向作用：当业务出现问题时，可以通过指标体系反向排查业务问题。
2. 在运用MECE模型进行指标体系分级治理时，是不是拆得越细越好、越全越好？
   答案是否定的，在用MECE模型拆解指标时，需要找到与核心指标有重要关联的子集进行拆解分类，这样才能保证指标体系能够指导业务方进行决策分析，帮助数据分析师定位业务问题。

三、如何搭建一套通用的指标体系并快速落地应用

3.1 多部门配合搭建指标体系的流程

多部门配合单价数据指标体系的流程

完整的指标体系搭建流程有以下7个步骤：

1. 需求收集：产品（策划）经历或者运营人员完成产品原型（策划案）或者运营方案，数据分析师根据原型（策划案）或者运营方案提炼数据需求，评估需求可行性并和需求方讨论，修改不合理需求。
2. 需求汇总及排期：数据分析师将数据需求整理成文档并根据优先级对需求进行排期。
3. 确定指标体系方案：数据分析师以OSM模型、AARRR模型、UJM模型、MECE模型作为指导思想，初步确定指标体系建设方案。
4. 确定数据埋点方案：数据分析师根据初步的指标体系建设方案设计埋点方案，同时给出字段命名规范及数据采集方案。然后，数据分析师将上述方案给到前后端进行埋点。
5. 数据采集：在数据采集阶段，数据工程师需要将前后端埋点数据送入数据仓库并进行数据清洗。
6. 搭建指标体系：在搭建指标体系之前，数据分析师需要对入库的数据进行核验，检查数据是否完整，数据是否正确。然后，根据指标体系建设方案进行指标体系搭建及落地。
7. 效果评估：指标体系落地，用于监控业务现状，指导业务决策，定位业务问题，在业务方的不断反馈中逐渐完善整套指标体系。

3.2 搭建通用的指标体系

        首先，根据OSM模型搭建整体的指标体系框架，明确业务目标，确定数据维度；其次，根据AARRR、UJM模型拆解用户路径并将业务目标分解到路径的每一个环节；最后，将业务目标指标化，并将这些指标通过MECE模型进行逐级拆解，实现指标体系分级治理。

1. 用OSM模型确定业务目标和数据维度
   
   通用指标体系的构建流程
2. 用AARRR/UJM模型实现路径拆解，分解业务目标
3. 用MECE模型实现指标体系分级治理
   一级指标是用户路径的每一个步骤中业务最关注的指标，也就是业务核心KPI。
   
   AARRR模型分解业务目标
   
   通用的一级指标
   一级指标能够监控业务现状，发现业务问题，如果一级指标一直保持平稳上升的趋势就说明业务一直向好。二级指标是一级指标的子集，是一级指标完全穷尽且互相独立的影响因素。
   
   通用指标体系
   WAU——周活跃用户数量；MAU——月活跃用户数量

四、定位移动因素

4.1 数据波动多少才能称为数据移动

        数据波动多大才能称为数据异动？这是一个令数据分析师很头痛的问题。有时候DAU下降2%，运营人员就要数据分析师排查是否数据有误；但有时某些指标下降30%，运营人员仍不着急。

        其实运营人员在意的并不是波动，而是指标背后代表的含义。所以，分析指标异动的第一步是搞清楚指标异动背后的业务含义，脱离业务含义的分析没有任何意义！

4.2 数据波动分析的方法论

首先，通过MECE模型对数据波动进行分类，尽可能地列举数据波动的所有类别，并且使得各个类别之间彼此独立。最终将数据波动分为5个类别，分别是：

1. 数据的周期性波动
2. 业务内部因素引发的数据波动
3. 外部因素引发的波动
4. 数据传输问题引发的数据波动
5. 意外因素引发的数据波动

4.2.1 数据波动分析的四排除

1. 排除数据周期性波动
           数据的周期性波动是一种自然形态的波动。例如，对于一款游戏来说，周末、节假日的DAU肯定比工作日要高。
           总之，排查数据异动的第一步是，先确定数据的波动是否是周期性波动引起的，因为周期性波动属于正常的波动。对于不同的业务，周期性波动可能会受到季节、节假日、周末等因素的影响，需视具体的业务情况而定。
2. 排除内部因素的影响
           通常情况下，内部因素来源于业务活动。例如，运营人员经常组织的拉新、促活、促销等活动通常会造成某一段时间内的活跃用户数、销售额等指标高于平时。
           这类由业务方内部主动行为造成的数据波动也属于正常波动。
3. 排除外部因素的影响
           除了业务方主动行为造成的数据波动，还会有一些外部因素造成的数据波动。例如，天气、政策、竞争对手等外部因素的影响，数据分析师也无能为力。比如，某款产品在国外被禁了，公司产品作为替代品，其DAU瞬间暴涨。
           所以对于这些不可控的外部因素影响，特别是负面的影响，数据分析师可以评估其影响范围和影响周期，反馈给业务方以帮助其决策。
4. 排除数据传输问题
           当数据分析师排除数据周期性波动、内部因素影响及外部因素影响之后，接下来就需要确定是否为因数据传输问题而造成数据波动。
   
   数据传输问题的排查流程
           对于数据传输问题，数据分析师需要先排查报表的数据是否能和底层数据库的数据对齐。
           如果报表的数据和底层数据库的数据对不齐，就需要根据数据传输流程回溯每一个关键节点去找到真正出问题的环节，可能是数据调度的问题，也可能是数据入库的问题，还可能是客户端/服务器等数据记录的问题。

4.2.2 通过逻辑树确定数据波动影响因素

        如果数据的波动不是自然波动，也不是内部主动行为或外部因素引起的，更不是数据传输问题造成的，而是由意外却不可知的因素造成的，这时候就需要通过逻辑树的方式查找具体是什么原因造成的数据波动。

逻辑树排查数据异动原因

4.3 从数据埋点到指标体系再到指标异动的闭环

数据分析师业务知识体系闭环

        数据埋点事数据指标体系构建的基础，通过埋点能获取大量的用户行为数据；有了用户行为数据，可以提炼出数据指标和监控维度，实现对业务变化趋势的实时监控；当业务出现数据异动时，可以通过指标体系中的不同维度的组合排查影响到业务、产生数据移动的具体因素。

——内容摘取李渝方的《数据分析之道》，感兴趣的同学可以去看原书内容