数据产品-指标体系与数据采集

本文章是通过学习GrowingIO所发布的《指标体系与数据采集》方案的一些知识总结，具体方案的详情可以去GrowingIO官网上查看

一、科学规划指标体系

1、指标规划阶段常见问题
数据指标体系建立的第一步，就是要做好数据指标体系的规划，如若不规划则开展，很难实现“数据驱动增长”的快速落地
① 难以快速定位问题原因：因为缺少体系化的数据指标监控，更关注结果性数据，很多过程性数据往往被忽略。结果会导致业务结果异常时无法定位具体原因
② 前期数据未采全，后期反复
③ 上下目标没有对齐：实现没有进行数据指标体系规划，导致战略目标、业务目标到具体业务线目标没有对齐
④ 监控、分析数据解读没有治理：具体表现为表多、数多、数据乱、报表看不懂
2、规划数据指标体系的三种方法
① OSM模型（业务目标Object–业务策略Stategy–业务度量Measure）

案例说明： 提升APP搜索场景的过程转化率，基于OSM建立起一套数据监控指标体系

指标衡量的是什么：
==目标选定O
a、用户视角，用户可以使用搜索功能高效的找到自己心仪的住宿产品
b、业务视角，通过提高搜索成功率，进而提升客户的下单转化率
注意： 目标选取的原则（DUMB）
切实可行-易于理解-可干预可管理-正向的有益的
==为了提高这个转化率，对应需要采取的策略S
a、返回与用户搜索只相匹配的结果
b、提供有效的搜索结果排序
c、当搜索无结果或结果不足时，做有效的推荐
如何有效衡量“什么”：
==选择合适的OSM度量值
KPI1，搜索到详情页的转化率，可以设置为Target是X%，在这一步，用户同个搜索得出想要的结果，才会点击产品的详情页
KPI2，详情页到下单的转化率，Target也是X%，在这一步，用品看到心仪的详情页介绍，才可能实现最终的下单转化
==注意结果性指标和过程性指标
==如何衡量指标的好坏
基于内部的历史数据和行业的benchmark，原则是内部具有一定的挑战性，但又不是遥不可及的目标

==如何改善结果性指标的表现
优化过程性指标便可以改善结果性指标的表现，即关注漏斗的转化

基于上面的分析，基于OSM搭建出的数据监控指标提下如下：

② UJM模型（User Journey Map,用户旅程地图）

案例说明： 以店商产品UJM为例，UJM的过程就包括：拆解用户所处的每一个旅程阶段、了解每个阶段中用户的行为、明确每个阶段中产品的目标、发现各阶段中产品与用户的接触点、最终从接触点里找到产品的痛点和机会点

总结： 通过梳理UJM，可以使得我们定的业务目标能够满足用户的实际需求，我们的策略能够回答业务问题，达成用户旅程与业务目标项目耦合、相互影响的效果
OSM与UJM的结合：
OSM模型会让我们思考不同阶段的目标是什么，哪些业务承载这些目标
UJM模型则能让业务部门明确如何将目标、策略与业务快速耦合在一起，最终形成一个清晰、明确的数据采集体系
案例说明：

③ 场景化
场景化是为了实现在庞大的OSM模型和UJM模型之下，能够模块化、结构化地快速切入落地指标体系，快速推动指标体系的落地，将两个模型拆解后的模块匹配至各个场景，整个指标体系可以从一个非常大 的战略目标进行层层拆解至一个个执行人员可落地的场景中
GrowingIO的实践通用场景画像： 基于不同的场景、对应到不同的用户旅程中，来满足不同部门从拉新到转化最终提升客单价等环节、不同层级的需求

案例说明： 基于上面的店商案例，进行应用场景赋能

举例说明： 第一个目标提升用户基数，对应的用户旅程阶段是需要用户从不同渠道、平台了解产品，所以需要对应的就是“找到最优渠道”这一场景，或者考虑是否有线下活动可以导入私域流量，如果有线下活动的渠道，还需要融入“线下导私域流量”的场景

3、指标体系分级
三级指标体系：
一级指标： 能够衡量业绩的核心指标，能够衡量战略目标、业务达成情况，一般数量控制在5-8个，需要从公司和用户两个角度出发去选取
二级指标： 对一级指标路径分析拆解，是流程中的指标，一般一级指标发生变化时，结合历史经验，能够通过二级指标快速定位问题原因所在
三级指标： 针对二级指标的路径拆解，通常以子流程或个体的方式定义、三级指标能够直接指引一线运营的决策

增长指标、活跃指标和变现指标
增长指标：新用户的注册量
活跃指标：DAU、也就是登录用户数
变现指标：用户从注册到下单，所完成的订单额或营业额

案例说明： 营销活动指标体系搭建方案
“活动迭代数据管理”场景存在活动场景范围内的UJM模型，从引流、承接、渗透、浏览、意向再到最后发生转化。每一个小的用户生命旅程中，每个阶段都有对应的小目标，每个目标对应关键指标，进而进行指标拆解，实现“ OSM模型 + UJM模型 + 场景化 + 指标体系分级 ”

对应指标体系拆解：

二、高效进行数据采集

1、数据采集阶段常见问题
① 前期沟通业务不明确
② 采集时机口径对不齐
③ 采集点没有统一管理
④ 版本更新
2、数据采集方式
埋点和无埋点： 柢固则生长，根深则视，做好数据采集是做好数据驱动的根

客户端埋点和服务端埋点： 客户端埋点适用于用户界面行为的上报，服务端埋点适用于业务操作的上报

3、埋点的团队协作流程

4、埋点方案四要素
四要素： 确认事件与变量、明确事件的触发时机、规范命名、明确优先级
① 确认事件与变量
事件： 指产品中的操作，也继你想分析的关键指标
变量： 指描述事件的属性
在确认事件与变量时，可以按照产品流程（用户旅程）来设计关键事件，如果想要进一步描述时间属性，那么可以将属性作为事件的变量‘

案例： 追踪店商的转化路径，四个产品操作布置：浏览商品详情页、加入购物车、结算、支付成功。这四个指标分类代表四个事件；如果要想要进一步监控不同品类、不同商品的购买转化率，就需要用品类和商品的维度去拆解关键指标，那么“品类”和“商品”就是这四个事件的变量
举例：【加入购物车】这个事件+商品ID以及品类这些变量，就能从商品、品类这些维度分析【加入购物车】这个行为

② 明确事件的触发时机
事件的触发时机影响着数据的准确性，要使用最贴近业务的统计口径，同时产品中可能会有多个入口均可【加入购物车】，要确认触发入口是否已经列举完整。

如上个例子中【加入购物车】的行为触发时机和触发入口

③ 规范命名
对事件进行规范统一的命名，有助于提高数据的实用性及数据管理效率，总的原则就是要确保内部对埋点的命名有统一的认知，使用同一套命名规则
命名方式：【动词+名称】或者【名词+动词】
比如：【加入购物车】事件，可以命名为“addToCart”
④ 明确优先级
埋点技术实现成本以及资源有限性，对埋点事件赋予优先级排布

案例： 以【核心购买转化】的场景为例，梳理出对应的需求文档

5、数据校验
校验重点：
① 是否被正常触发
② 触发的时机是否正确
③ 是否与埋点方案保持一致

三、正确管理数据指标

1、指标管理阶段常见问题
① 指标命名模糊不清晰
② 指标未做描述和解释
③ 指标未做分级和归类
④ 指标未做日常维护和清理
为解决上述的问题，可以从以下四个方面进行指标管理：指标命名、指标字典、指标分类、指标清理
2、指标命名
指标由事件和事件的度量构成，对于指标的命名主要在于命名一个事件的名称
数据管理方式：
①提供一套规范的命名规则，并定时查阅命名是否规范，来保证指标命名的清晰程度和更高的指标使用率
②由数据部门提供数据定义的能力，为业务端提供相关数据指标

3、指标字典
指标不做定义解释，就会出现理解偏差的风险。通过指标字典清晰描述事件的触发规则和典型应用场景

4、指标分类
可以将指标按照级别或者类型分类，一方面能够在分析问题、使用指标时，能够快速找到可能要使用到的指标；另一方面，在定义新的指标时，便于去查找是否已存在指标，避免指标冗余

5、指标清理
指标清理注重指标的长期维护，业务发生变化后，部分指标需要定期清除，尤其是无埋点指标。无埋点指标适合用于探索场景，不适合进行长期监控。对于一些确定没有未来使用场景的指标也可以进行及时清除