|
|
数据分析师如何搭建数据运营指标体系？
关注者
1,219
被浏览
246,095
54 个回答
汇总了一些我们公司分析师的经验，从全局再到单点，来系统的回答一下这个问题。
一. 数据指标体系搭建不是单个部门能够完成的
作为数据分析师，需要站在更高的角度，认识到数据指标体系搭建并不是单个部门能够完成的，应当至少有业务团队、数据团队以及开发团队三个团队进行协作（业务部门包括但不限于市场、运营和产品团队）。
上图是我们总结及建议的，在企业内部搭建数据指标体系的最佳实践流程。分为以下 6 大阶段：
1. 需求收集阶段 ：一般由业务团队提出业务需求，数据团队评估、归纳业务需求。
2. 方案规划阶段： 需要业务团队和数据团队共同制定、梳理 OSM 和 UJM，并且归纳出每一个环节的场景，设计出一套指标体系。
3. 数据采集阶段： 指标体系在团队内部达成一致之后，建议由数据团队牵头设计数据采集方案，规范指标命名。命名是非常一件重要的事情，可以说是互联网行业两大痛点之一，下篇文章会为大家分享。
4. 采集方案评估： 数据方案采集方案设计完成后，需要联合业务、数据、以及开发三大团队一起进行采集方案的评估，评估实现成本以及实践的优先级。这里就可以按照之前说到场景化模块，根据成本和重要性，评估优先去落地实施哪一场景。
5. 数据采集与数据验证上线阶段： 这个环节主要需要开发团队来设计一些数据库，按照前端、后端埋点等等数据采集方案进行数据采集；然后进入到一个非常重要的环节——数据校验，这里必须要保证我们的数据校验与指标体系需要的数据口径一致，这样得到的数据才是业务方需要的数据，才能够回答业务问题。
6. 效果评估阶段： 最后是一个非常有价值的阶段，即效果评估。这个环节中，需要由数据团队牵头，将数据搭建出可视化看板，通过看板指导实现业务迭代效果。
业务迭代肯定会有很多的新功能、新业务线产生，这些新业务线同时也需要反哺指标体系。也就是说，指标体系的搭建不是一蹴而就的，而是要在原有的基础上不断地迭代的。
还有一个重要的环节，是在指标体系看板搭建完成之后，需要输出一个数据字典。数据字典能够协调全公司的一个步调，使大家都在同一个数据口径看待数据，提高公司整体的协同效率。
数据分析师除了专业能力外，还需要有全局思维、协调能力等，才能将一套数据指标体系真正的在企业内部顺利落地。
二，规划数据指标体系的两个模型
1. OSM 模型：业务目标下沉式实现数据驱动的最核心逻辑
▪ O（Objective） ： 是指我们的业务目标。在这个环节我们需要思考或者回答的问题是，我们的业务、产品，甚至是其中的一个小的功能，它存在的目的是什么、能够解决用户什么问题、满足用户的什么需求？
▪ S（Strategy）：是指清楚业务目标之后，为了达成上述目标，我们应当采取的业务策略。
▪ M（Measurement）：是用来反映业务策略有效性、反映策略执行是否能达成业务目标的度量指标。
以上就是 OSM 的基本的框架。之后会给分享一个电商经典的 OSM 模型，来帮助大家更好的理解它。
2. UJM 作用：梳理用户生命旅程，与业务目标耦合
UJM 就是我们在设计一款产品的过程中，必须要去梳理的用户生命旅程。
为什么我们会在搭建指标体系这个过程中引入用户生命旅程的思路呢？
前面我们通过 OSM 的框架设计好了业务目标、策略和度量指标之后，需要回过头来梳理整个产品的用户生命旅程，以校准我们的业务目标，判断它能否与用户每个阶段的旅程进行吻合。
也就是说，UJM 是用来与我们的业务目标不断进行耦合的，两者相互影响、相互作用，促使业务目标能够更好地贴合用户需求，业务策略能够更好地回答业务问题。
为了方便大家更好的理解，这里简单介绍一下 UJM 的思路。
如上图，一个简化版的电商产品 UJM，它包括：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。
也就是说，用户使用一款电商产品，会经历这六个阶段：
从各个途径了解该电商平台，并进入该产品 → 通过首页、搜索功能乃至商品类目页等其他各个入口“逛”平台 → 对商品产生兴趣，进入到商品详情页 → 进入付费流程，完成一次重要的转化 → 分享、复购阶段。
在整个用户旅程中，用户会反复发生各环节间互相的跳转。
我们需要为每一个阶段都设置对应的一个目标。在这一思路中设置出的目标就可以去反哺我们之前制定出来的 OSM 框架，判断其是否有遗漏。
各阶段目标确定后，我们需要寻找到产品中为了达到这一目标，与用户产生的接触点，例如首页、搜索页面、商品类目页等就是用户逛产品时的接触点。
了解接触点之后，我们紧接着就能够找到每个环节的痛点，而痛点的反面就是我们的机会点。同时，这里每一个机会点都可以反哺前面 OSM 框架中的 S，就是我们的策略，机会点是否与策略相互吻合。
所以 UJM 的价值就在于，这样梳理了用户旅程之后，将 UJM 和 OSM 进行关联，就可以起到用户旅程与业务目标相互耦合、相互影响的作用，使得我们的业务目标能够满足用户需求，我们策略能够回答业务问题。
3. OSM × UJM：关联业务目标与用户旅程
这里仍然举一个电商经典的案例。
首先 GrowingIO 将电商的一个战略目标（O）——“提升 GMV”根据电商的经典公式进行了拆解，拆解成为三大目标，分别是提升用户基数、提高转化率以及提升客单价。
每个目标下面都会有对应的一个策略（S），而这里的策略其实都来自于刚刚的 UJM 框架梳理出的用户每一阶段的机会点，每个策略也都会有对应的一个度量指标（M）。
也就是说，这里的每一个目标对应的策略、度量指标都是与用户旅程的每一环节对应。这样就有了一个指标体系的大框架。
三，指标分级体系
1.适合分析师的指标分级体系
指标分级体系用到的技能会更高阶一点，更适合 BI 或者分析师，能够帮助公司搭建一套完整的数据指标体系，从而及时发现业绩的升高或降低、以及产生的原因。
数据本身是分层的，我们在思考指标的时候，也应该有一个层级的概念，而不是现阶段关心什么，我们就放什么；指标分级可以帮助我们更高效的去定位问题，去验证我们的方法论，无需每次都要思考要去看哪些指标。
我们可以针对不同的指标，分不同的层级。不一定要拆得太细，否则层级会过深，基本上 3 个层级就能够指导我们一线的业务人员去做一些动作。
1）一级指标
一级指标必须是全公司都认可的、衡量业绩的核心指标。可以直接指引公司的战略目标，衡量公司的业务达成情况，本质上需要管理层和下级员工的双向理解、认同，且要易于沟通传达，比如公司的销售额，或者社交产品的活跃度。
以 GrowingIO 为例，在 GrowingIO 获客的时候，一级指标就是新的注册用户数。当用户创建看板的数量大于 5 个，GrowingIO 会认为这是活跃用户。因为当用户接入 SDK 并且搭建了这个图表的时候，GrowingIO 才认为用户深度体验了产品功能和产品特性。
2）二级指标
二级指标是一级指标的路径指标。一级指标发生变化的时候，我们通过查看二级指标，能够快速定位问题的原因所在。
比如说，我们的一级指标是 GMV 和订单数量上升，那怎样去定二级指标呢？我们在历史经验的基础上去拆解一级指标，而能够影响到 GMV 和订单数量上升的，就是我们的核心二级指标。比如说货品的单价上升，或者最近做的一些活动。
3）三级指标
三级指标是对二级指标的路径的分析。通过三级指标，可以高效定位二级指标波动的原因，这一步也会基于历史经验和拆解。
三级指标能够直接执行一线运营的角色和作用。以一级指标 GMV 提升为例，我们拆解后发现是转化率提升，那么转化率就是二级指标。接着分平台去拆解转化率的时候，我们发现是 IOS 的客户端转化率有所提升。
那为什么安卓没有提升，是不是 iOS 最近做了一些迭代？是不是它的一个转换路径比其他端好？这些思考就能指导业务人员展开行动。
2. 指标体系分级的应用
那么指标体系分级具体是如何应用的？
这里同样以 GrowingIO 为例，GrowingIO 是基于用户行为数据的增长平台，国内领先的数据运营解决方案供应商。为产品、运营、市场、数据团队及管理者提供客户数据平台、获客分析、产品分析、智能运营等产品和咨询服务，帮助企业在数据化升级的路上，提升数据驱动能力，实现更好的增长。
GrowingIO 是如何搭建一套监控体系的呢？
我们设立了增长指标、活跃指标和变现指标，分别对应一级、二级和三级指标。
- 增长指标：新用户的注册量；
- 活跃指标：DAU ，也就是登陆用户数。
- 变现指标：用户从注册到下单，所完成的订单额或营业额。
如果看到一级指标（新的注册用户数）有增长，我们就要迅速去看一下，是不是有哪些二级指标做了波动，便能快速定位一级指标增长的原因。有了二级指标的增长，再通过三级指标拆解二级指标，以此类推，我们便能够解决日常业务中遇到的 70% 的问题。
以上就是针对该问题的所有回答，希望能对大家有所帮助
知友福利：点击领取 GrowingIO 数据指标体系搭建方案
GrowingIO 数据指标体系搭建方案，提供“埋点+无埋点”双模式高效采集数据，可视化数据看板指导业务增长。我们拥有国内外专业的商务数据分析师团队，帮助客户梳理数据指标体系，提出解决方案，切实找到可落地的数据增长点。
万字长文！理论结合实践！可以说是 最全的数据运营指标体系搭建 文章了
我们的业务增长负责人教你 如何从0到1搭建数据运营体系
随着精细化理念的不断深入人心，“数据运营” 这一概念得到了大家越来越多的重视。但是什么是正确的数据指标，如何正确地采集数据，如何用数据驱动业务增长？这些常见的数据迷思，困扰着大多数的产品、运营、市场甚至管理层。
今天这篇文章，就跟大家分享一下如何搭建一套正确、高效的数据运营体系。
一，数据规划
数据规划是整个数据运营体系的基础，目的是搞清楚「要什么」。只有先搞清楚目的是什么、需要什么样的数据，接下来的数据采集和数据分析才能更有针对性。
数据规划有两个重要概念：指标和维度。
（一）指标
指标（index），也有称度量（measure）。指标用来衡量具体的运营效果，比如 UV、DAU、销售金额、转化率等等。指标的选择来源于具体的业务需求，从需求中归纳事件，从事件对应指标。
指标分为数量型指标和质量型指标，Web 的 pv、uv、访问量，App 的 DAU、NDAU 等等，都是数量型指标；平均访问时长、访问深度、跳出率等等这些是质量型指标。
1.如何选择核心指标
在这里我们引入一个概念——OMTM，OMTM（One Metric That Matters） 唯一重要的指标，也称为北极星指标。
选择 OMTM 的四大标准：
- 和商业目标紧密结合；
- 反映客户的价值需求；
- 指标简单易懂；
- 能够计算汇总 。
这里我们可以引用一个案例，著名的视频社交分享应用 Viddy，授权可以通过登录 Facebook 来创建帐号和分享，就跟国内常见的各种 App 中微信、QQ 等第三方帐号一样。
前期他们以「创建账号的数量」来作为核心指标，我们可以看到在做了授权 Facebook 登录后，2012 年上半年访问量飙升，但是到了 2012 年下半年访问量暴跌。这就是问题所在，Viddy 的员工认为账号创建数量是一个正确的指标，所以他们拼尽全力去提升这个指标。实际上，他们并没有发现业务的重点。
与之相对比的，谷歌+ 用自己的方法把用户提升到 1.7 亿，方法就是把有趣的内容放到邮件中和好友分享。谷歌+ 专注于「前往谷歌+ 并且每周至少分享 2 个更新信息」的用户数量指标，他们专注于向用户传递产品的价值，而不是仅仅提升某一个数字。
2.如何规划核心指标
以我们 GrowingIO 做的电子书下载落地页举例。
指标的选择来源于具体的业务需求，从需求中归纳事件，从事件对应指标。
从落地页的业务需求开始，分析选择指标的过程如下。
- 明确需求：对页面进行数据分析，提高电子书下载量；
- 归纳事件：用户下载电子书是系列事件的最终结果，包括点击推广链接、访问下载页、开始填写信息、填写信息完成下载；
- 对应指标：下载量 = 访问流量 * CTA 点击率 * 注册转化率。
通过上述分析，得出下载量是 OMTM（第一重要指标，One Metric That Metter）的结论。同时，整个指标体系包括访问流量、CTA 点击率、注册转化率三个可操作的指标，基于可操作的指标，才可以更好地优化核心指标。
（二）维度
1.什么是维度？
维度是用来对指标进行细分的属性，比如广告来源、浏览器类型、访问地区等等。
2.多维度分析
举个例子，我们在每天观察数据的时候，突然某天下午 5 点流量暴增，我们想查找出原因。
首先从访问来源维度拆解，我们发现从 5 点开始，主要是微信的流量突然上涨。
然后我们从落地页面维度拆解，就可以发现流量主要落地页是 E 和 G 两个页面。
最后我们就可以得出结论：下午 5 点从微信突然涌进大量流量到 E 和 G 页面，与内容的同学同步了一下，是他们在微信上推了一个落地到 E 和 G 页面的活动。
从案例可以看出， 多维度分析能够让我们更清晰的挖掘出数据表象背后的真实原因。
3.如何选择分析维度？
选择维度的原则是：记录那些对指标可能产生影响的维度，以及尽量记录全面的、多维度的数据。
磨刀不误砍柴工。数据运营需要和业务部门（市场、销售、运营、产品等等）不断沟通，只有做好数据规划，接下来的数据采集和数据分析才能更加高效。
二、数据采集
数据采集是数据分析的基础，传统的数据采集是一件非常花时间、精力、人力的事情，对于很多企业来说是一个巨大的门槛。过去数据分析整个流程经常是 80% 的时间在数据采集上，只有不到 20% 的时间是用于数据分析的。
（一）采集什么数据
从流量为王的互联网上半场，到流量越来越贵的互联网下半场，获取用户的成本越来越高， 2013、2014 年左右，工具类 App 激活一个用户的成本才几毛钱，两年不到，获取一个下载的成本就到了几块钱。金融类 App 一个激活用户的成本可以达到上百元。
所以企业开始从粗放式运营向精细化运营转变，关注的数据也从单纯的渠道流量数据，增加了更多对用户行为数据的分析。
目前来看，对用户行为数据的采集成为了数据运营较为看重的部分。
（二）如何采集数据
1.数据采集
目前有三种常见的数据采集方案，分别是埋点、可视化埋点和无埋点。
埋点，也称打点，通过在产品（网页、APP等）中手动添加统计代码收集需要的数据。打点又可以细化出前端打点与服务器打点。假如要收集用户注册数，就需要在注册按钮处加载相应的统计代码。Google Analytics（谷歌统计）、百度统计等工具采用的就是这一方法。
但因为埋点的工程量大、周期长，而且容易发生漏埋、错埋的情况，所以成为了数据从业者的一大痛点。
可视化埋点是埋点的延伸，通过可视化交互的方式来代替手动埋点。这种方式降低了用户使用的门槛，提升了效率。
但无论是埋点还是可视化埋点，数据运营都需要起到承前启后的作用：收集业务部门数据需求，撰写需求文档，向工程部门提交埋点需求，本质上还是一种埋点方案。
无埋点颠覆了传统的「先定义再采集」的流程，只需要加载一个 SDK 就可以采集全量的用户行为数据，然后可以灵活自定义分析所有行为数据。我们的用户行为数据分析产品采取的就是无埋点的技术方案。前段时间，国外的 Mixpanel 也推出了无埋点解决方案。
相比于埋点，无埋点成本低、速度快，不会发生错埋、漏埋情况。无埋点正在成为市场的新宠，越来越多的企业采用了无埋点方案。在无埋点情景下，数据运营可以摆脱埋点需求的桎梏，将更多时间放在业务分析上。
比如使用 GrowingIO 的圈选工具， 需要哪里的数据，圈选一下就可以立即获取，省去了手动埋点等待发版的漫长流程，同时不会发生错埋、漏埋的情况。
2.数据可视化
数据经过收集处理后，下一步就需要可视化，数据可视化在运营应用中的主要形式包括：图表、图形、数据看板，
搭建数据看板（ Dashboard ）是除了数据报表之后又一项工作，是指将关键业务指标（KPI）和相关数据指标显示在一个面板中，以可视化图形的方式展现出来。数据看板往往和企业的 BI 系统连在一起，属于数据可视化的部分。
三、数据分析
数据分析是数据运营的重点工作，前面的数据规划和数据采集都是为数据分析服务的。最终目的是通过数据分析的方法定位问题，提出解决方案，促进业务增长。
所以这也是为什么我们要推荐无埋点的原因，因为我们希望改变以前「80% 的时间用于采集和清洗数据，不到 20% 的时间用于数据分析」的情况，变成「80% 的时间用于数据分析」，把时间花在更有价值的事情上。
选择什么样的数据分析方法要和业务场景相结合，上面这个表格汇总了目前常见的运营数据分析方法及运用场景，比如我们投放广告、追踪渠道用的 utm，分析转化的漏斗等等。
不同于数据分析师，数据运营岗位弱化了对编程统计的要求，更加强调在现有工具基础上灵活使用分析方法。下面我们列举一下常见的数据分析方法。
（一）数据分析方法
1、维度细分
孤零零的一个数据指标，是很难发现问题的。我们需要从多个维度出发，比如地区、平台、浏览器、访问来源等等，拆解指标，定位问题。
2、漏斗分析
用户在使用产品的过程中，天然存在着系列转化路径，例如注册、下单、下载等等。运营需要各个路径的转化率，包括总转化率及每一步的转化率。
转化漏斗工具以可视化的方式将转化路径的每一个步骤都展示出来。运营人员可以重点关注流失最大的环节，因为这往往是优化工作 ROI 最高的地方。
除了横向拆解每一步的转化率，我们还可以从时间维度观察每一步转化率的变化趋势。
比如，通过上图不难发现，某日注册环节第一步转化率大幅度下降，从而影响到整体的转化率。
3、热图
热图是很常见的一种数据分析图表，也称热力图，是以特殊高亮的形式显示用户页面点击位置或用户所在页面位置的图示。借助热图，可以直观地观察到用户的总体访问情况和点击偏好。
目前常见的热图有 3 种：基于鼠标点击位置的热图、基于鼠标移动轨迹的热图和基于内容点击的热图，三种热图的原理、外观、适用的场景各有不同。
上图是基于内容点击的热图，如数据分析产品 GrowingIO 热图，记录用户在网页内容上的点击，自动过滤掉页面空白处（没有内容和链接）的点击。基于内容点击的热图，追踪内容变化而变化，记录相对时间内用户对内容的点击偏好。
从热图中，我们会很容易看到哪些位置流量高，用户的注意力高等等。
（二）数据驱动流程
很多明星公司都在数据驱动中发明了很棒的技巧，但是任何技巧都有自己的生命周期。往往当你发现一种技巧的时候，它已经沦为行业标配了，而且也不一定和你的业务相匹配。所以与其依赖技巧，不如依赖流程，这样团队才可以像机器一样高效运作。
在数据分析中，最重要的一点，就是要建立数据驱动的流程。完善的流程可以帮助你快速定位问题、解决问题。从设立增长指标开始，找到小的聚焦领域，分析数据、提出假设、排优先级、开展实验、分析优化，不断循环，直到找到问题所在，并且推动指标改善。
- 明确目标；
- 根据目标去分析目前的情况以及存在的问题；
- 提出可能解决目前问题或者实现目标的想法；
- 排列一个想法测试的优先级；
- 开始测试，通过试验来验证或者推翻想法。
然后开始新一轮的分析、假设、排优、测试，在不断优化中实现增长。
四、案例分析
下面通过一个实际的案例，来分析在实际业务中，「如何搭建一套正确、高效的数据驱动运营体系」。
我们在内容运营中，做了内容专题落地页，希望能够追踪落地页的效果，并且优化页面。
左边是落地页的全貌，包含落地页必备的三大部分：英雄出击（Hero Shot），用户益处（Benfits） 和用户号召（Call to Action）；右边是落地页首屏。
（一）数据规划
整个内容落地页，最终是希望更多的用户完成下载行为，所以「电子书下载量」是我们的 OMTM，通过对这个指标进行拆解，我们得到了下面这个公式：
下载量 = 访问用户量 * CTR * 注册转化率
落地页的两种类型：点击落地页和线索产生落地页。这个落地页属于点击落地页，它是起流量分发的目的，为线索产生落地页提供流量。
结合我们做内容专题的目的，【下载电子书】点击率，也就是公式中的 CTR。
（二）数据采集
通过无埋点的圈选采集数据，根据指标建立整个落地页的看板。
（三）数据分析
数据分析分为定量分析和定性分析。
1.定量分析
定量分析在增长中很重要，起指导方向的作用。它会告诉你什么地方有机会增长，什么地方可以做测试。其次是衡量结果，帮助你调整方向。
比如我们用热图工具查看整个落地页的点击情况，可以得出数据：
- a.落地页跳出率 0.36
- b.【下载电子书】点击率 0.48
我们做增长很多时候是想影响和改变用户行为，但要记住一点，一个用户永远是一个人，不只是一个数据。有时候需要通过一些数据观察结果，但有时候定性分析也非常重要。
2.定性分析
我们基于定性分析，通过访谈、使用调研，可以得出几个结论：
- a.页面主色调不够鲜艳，文字和背景对比不突出；
- b.文字信息排版太稀疏，一个页面看完需要多次下拉。
3.提出假设
基于以上的定性分析和定量分析，我们提出以下假设：
- a.更换落地页背景色，有助于降低跳出率；
- b.增加更多【下载电子书】按钮，有助于提升点击率；
- c.将电子书图片添加链接，有助于提升转化率；
- d.减少页面空白，增加信息密度，有助于提升转化率。
4.排优先级
如何评估我们的想法是否可行？以及哪个想法应该优先测试？
增长黑客之父 Sean Ellis 总结了一套评估方法–––ICE，分别从 Impact （影响力)、Confidence（自信心）、Ease （难易度）三个角度去打分。
首先是影响力（Impact），这个想法对我们业务增长的作用有多大；如果影响力非常大的话我打10分，如果影响力微弱的话打2-3分。
其次是自信心（Confidence），是否确定这个想法能够有效。同样是从1-10打分，10分表明你有足够自信说明这个想法是有效的。
最后是实施的难易程度（Ease）。
综合以上三个角度，我们可以排出比较合理的优先级。于是我们把「将落地页背景颜色换成主页色调」和「新增2个【下载电子书】的banner」这两条作为高优先级，开始实验。
5.开始实验
1）实验 1- 落地页更换背景色
改版后的数据情况验证了我们的想法，跳出率从 0.36 降低到 0.12，「下载电子书」转化率从 0.48 提升到 0.61。
2）实验 2 - 新增 2 个【下载电子书】的 banner
改版前我们是 2 个 CTA Banner，我们增加到 4 个，保证每一屏浏览后有个 CTA，实验后的数据跳出率从 0.12 到 0.13，这是正常的数据波动，转化率从 0.61 提升到 0.83 。
把两次实验的数据进行分析优化，然后实验验证其他假设，经过其他假设一一反复多次实验，整体转化率提升了 124% 。
由此，我们得出实验和增长的正相关关系。下面也可以举两个国外的例子说明。
Twitter 曾经也获得了非常快的增长，但是中间停滞了。2010年，Twitter 成立了一个新的团队。来了一个新的产品VP，他觉得 Twitter 测试的量不够。『我们几个月了才做几次测试，这太少了，我们必须每周做至少十次测试！』加快测试的频率后，Twitter 的增长就恢复了。
http:// GrowthHackers.com 也有类似的经历，在增长的瓶颈期，创始人发现测试的数量太少。于是 Sean Ellis 告诉团队必须保证每周至少三次测试。做了这个改变之后，他们就容易更快地发现问题、解决问题，增长的速度也更快了。
最后，给所有未来的数据分析大咖们，送上我们 GrowingIO 所有产品的 15 天使用特权
