指标体系常见指标(数据指标体系的4大类型)

指标体系常见指标(数据指标体系的4大类型)(1)

小海按:

网上常见的指标体系分享,大多是互联网的AARRR一类,现实中情况却很复杂。从本质上看,数据指标体系有4大类型,针对四个不同的业务逻辑。

评估型

“这个产品质量咋样?”

“这个活动效果好不好?”

“这个客户群值不值得做?

这种用数据指标,评价一个东西好/不好的指标体系,即为评估型指标体系。

注意,做评价不一定用数据指标体系,比如产品质量咋样,可以简单粗暴看销售数量。但只看一个指标会出问题,比如销量好,但利润低;销量好,但口碑差。

评估型指标体系,主要就是解决单一标准评估有偏差的问题。因此在构建此类指标体系的时候,重点就是考虑:

  • 从多个指标反映质量高低;

  • 各个指标之间尽量不重叠;

  • 区分各个指标重要性;

  • 各个指标的可比较性。

评估型指标体系,指标之间关系常常是并列关系(如下图):

指标体系常见指标(数据指标体系的4大类型)(2)

评估型指标体系的难点,主要是考虑问题的全面性和指标数据采集可行性。这里特别要注意:数据指标可采集性。很多人一提到评估,就会随口说出NPS、用户满意度、用户意向之类的指标。问题是这些指标打算怎么采集?用问卷的话,能覆盖多少真实用户?用其他指标,能否合理评估情况?意向这种预测指标,到底怎么预测?

如果不回答清楚这些数据采集问题,即使指标听起来很好听,也没法落地,还会找挑战。

流程型

“我们的销售情况怎么样?”

“我们的生产进度怎么样?”

“我们的研发情况怎么样?”

这种用数据指标,表示一个流程完成进度、完成结果的,即为流程型指标体系。

这里就包括大家最熟悉的交易流程(漏斗分析)模型。实际上,只要符合有明确的终点、有好几步环节、每一步有滚动投入资源都可以用类似漏斗分析法,构建数据指标体系。

指标体系常见指标(数据指标体系的4大类型)(3)

不仅是交易流程或者用户留存情况,生产、研发、采购都能这么考虑问题。只不过在这些过程里不存在每一步衰减,因此不存在漏斗的逻辑。在这些流程里,考虑的是交付时间、质量、成本(如下图)。

指标体系常见指标(数据指标体系的4大类型)(4)

流程型指标体系是四大类里最简单的。因为流程的环节、终点都很清晰。目标清晰的情况下,指标体系都容易梳理。流程型指标体系,最怕的也是数据采集,特别是过程数据采集。很多toB行业的分析做不下去,就是因为流程指标缺失太多。

指标体系常见指标(数据指标体系的4大类型)(5)

包含型

包含型指标体系,一般是把一个大指标向下拆解成若干子指标/分析维度之和。我们熟悉的杜邦分析法就是这个逻辑,把一个大指标向下拆分。

指标体系常见指标(数据指标体系的4大类型)(6)

包含型指标体系,一般用于诊断问题。因为子指标 分类维度,能把问题具体到某个业务部门和动作,所以能更好地发现问题源头,找到解决对策。

指标体系常见指标(数据指标体系的4大类型)(7)

但是注意,包含型指标体系的诊断能力,是建立在“主指标本身能说明问题”这个基础上的。比如用杜邦分析法的时候,就默认了“利润”是主要问题。如果利润不能说明全部问题,而是还要考虑顾客体验、市场份额等等的时候,就不能指望一套包含式指标体系解决所有问题,需要对每个问题,单独建指标体系,进行解答。

影响型

之所以叫影响型,是因为运营动作一般是叠加在正常流程之上的,产生额外的效果。正常有一个销售节奏,做个活动会额外刺激销售;正常有一个用户留存曲线,做个会员奖励,额外刺激用户多留存一段。影响型数据指标体系,就是要把“叠加、额外”两个点讲清楚。

指标体系常见指标(数据指标体系的4大类型)(8)

此时,要考虑的指标复杂一些:

  • 需要有一套数据指标,反映业务正常节奏;

  • 需要有一套数据指标,描述叠加动作本身;

  • 需要有标准,判断业务本身的表现好坏;

  • 需要有标准,判断额外效果。

因此,影响型的指标体系会格外复杂。比如做一个商品促销活动的指标体系,它需要考虑:

  • 正常销售指标(商品销售数量、购买人数、金额、利润);

  • 活动的运作情况(活动目标人数、达标人数、奖励领取数,活动本身投入);

  • 正常销售走势 VS 活动增量。

这里活动增量可能有好几个算法。比如:

1、从时间上看,可以区分有活动/无活动时间;

2、从商品上看,可以区分有活动/无活动商品;

3、从人群上看,可以区分有活动/无活动人群。

每一种方法仔细推敲,都有不成立的地方。因为即使没有活动,商品也有自己的销售趋势(自然增长率问题),很难找到100%相似的商品和人群。而且商品促销,还可能有透支效应,比如商品的粉丝用户趁便宜提前囤货,导致后续减少等情况。

所以在构建影响型指标体系时,设定合理的判断标准很重要也很难。原则上,符合业务需要的就是好标准,不见得事无巨细考虑每种效应。但需要提醒的是在这一部分工作的时候要格外谨慎,随口说几个指标,会给后续工作带来麻烦。

以上四类区分,能帮我们梳理清楚思路,应对工作中的问题。因为在工作中,提问的人很少会主动区分“到底是啥场景?到底业务是啥逻辑?”而是泛泛地说“我要怎么评价这个XX?我要看哪些指标?”

此时,对于数据分析师来说,就得时刻保持清醒。举个简单的例子:

  • “分析一下我们的产品”

  • “分析一下我们产品的改版计划”

  • “分析一下我们产品的改版效果”

  • “分析一下我们产品改版回馈活动”

以上四个完全不同的场景,需要的配套指标体系完全不同。同时,具体是哪种类型的产品,也得细看:

1、交易型产品:主流程就是交易,促成交易就是最终目标;

2、内容型产品:用户行为散,变现形式多,得多角度观察;

3、工具型产品:功能是固定的,但用户使用广度、深度有差异。

这些都是在构建指标体系的时候需要考虑的要素。正因如此,不要试图“熟读并背诵”某几个数据指标,而是掌握梳理数据指标体系的能力,后续就能以不变应万变了。

指标体系常见指标(数据指标体系的4大类型)(9)

创业政策详情

,

免责声明:本文仅代表文章作者的个人观点,与本站无关。其原创性、真实性以及文中陈述文字和内容未经本站证实,对本文以及其中全部或者部分内容文字的真实性、完整性和原创性本站不作任何保证或承诺,请读者仅作参考,并自行核实相关内容。文章投诉邮箱:anhduc.ph@yahoo.com

    分享
    投诉
    首页