玩转数据，从指标体系开始

　　01前言
　　你对越刷越上瘾的抖音又爱又恨。
　　对千人千面淘宝智能推荐的心仪商品满心欢喜。
　　对踏足一个陌生城市因为有了地图、共享出行以及众多 App 的攻略而不再感到未知和害怕,互联网和城市数字化带来的变革,不仅仅是更便捷,还有人与人之间边界的拉近。
　　这一切,依赖于海量数据的线上化,基于大数据和人工智能技术的价值挖掘。正如王坚博士的《在线》书中所言: 数据量大不重要,让数据在线才重要。
　　无论是企业还是个体,我们都在逐渐成为这规模不可及数据富矿的一份子。不管是原生互联网企业,还是不断进化中的传统企业,今天的企业正在逐步进化成数据企业。＂数据是核心竞争力＂成为了主流观点,而数字化转型的本质是为了提高生产力,将数据变为生产资料。
　　这一切, 都是为了实现精细化运营从而达到降本增效的目的。正所谓: 数据最了不起的地方,就是靠最小的成本撬动更大的价值。
　　02数据与中台
　　互联网最典型的特征是将用户行为和触点线上化,积累着海量级别数据。
　　行为分析、运营触达、用户画像、智能推荐、千人千面。一个个看似简单的词语,背后是海量数据驱动的结果。首先需要对用户的行为进行量化并收集,用户行为数据、交易数据又或者产品数据,都是企业数字资产极其核心的内容。而这些数据,往往会散落在企业的不同业务线,不同数据库,被分为若干个数据集合单元,无法形成数据闭环。
　　＂如果无法衡量,那么就无法管理＂。
　　为了连接这些信息孤岛的数据,可以借助中台的理念,即沉淀和去重业务线的数据,将不同系统中的数据进行全面汇集和管理,提高信息传递效率。中台的输出形式为标准化的 API,数据中台可以简单理解为包含数仓体系和数据应用集的结合。
　　数据的利用可以分为四个阶段: 采集、存储、分析、展示。 ,也对应着以上为数仓体系不同模块。包含了数据底层(采集和存储)、数据分析和数据展示。
　　数据底层主要负责管理数据,包括数据采集、数据 ETL、数据仓库构建等环节,提供数据基础;数据分析主要是利用SQL查询、OLAP 分析、数据挖掘以及可视化等方法抽取数据仓库中的数据,形成数据价值。
　　其中,数据分析和展示是堪比砂砾淘金的壮举,将数据转化为有价值的信息,减少主观决策。然而口号容易,落地难。
　　无论是营销活动,还是产品迭代,又或者是商业智能,做到数据决策的第一步,是搭建一套符合业务事实的指标体系。
　　03
　　指标与指标体系
　　指标是什么呢?我们为什么又需要指标体系。
　　无论是公司,还是产品又或者是服务,最终都会有使用对象。＂自嗨＂是大忌,＂反馈＂是必然,根据使用者的声音和行为数据不段地调整产品迭代方向,才是一个良性循环。
　　指标的作用,则是将业务变的可描述、可度量、可拆解,通过将业务单元细分量化后,形成一个个统计的标准。而指标体系,则是将互相关联而又相对独立的指标组织分类,更好的以全局视野＂以面看点＂,分层次管理单个业务单元。
　　按照百度百科的介绍:＂在统计研究中,如果要说明总体全貌,那么只使用一个指标往往是不够的,因为它只能反映总体某一方面的数量特征。＂
　　通过指标体系,我们可以通过客观数据衡量业务发展质量,厘清业务发展阶段和现状,发现关键的＂北极星指标＂和＂转化率＂指标,还能用作为产品迭代和活动评估的有力支撑。
　　总的来说,指标可以分为两大类:过程类和结果类。  过程类指标:用来衡量事件的过程变化,该类指标可以用来关注用户的需求为什么被满足或没被满足。如转化率、流失率等。  结果类指标:用于衡量用户发生某个动作后所产生的结果,通常是延后知道的,很难进行干预,主要用来监控数据是否异常和业务事实。如 UV/PV、用户注册数等等。
　　04指标的生产
　　无论是过程类还是结果类指标,要想保证各方的理解无歧义,除了保证数据输入口径统一,还需要保证指标定义的统一,而定义的统一,可以借助 MECE分析法(相互独立,完全穷尽),最终将指标拆解为一个个原子指标。
　　其拆解过程如下:
　　以上每个过程,都对应着一个具体的分析方法,下面以一个具体案例阐述每个环节的含义。  业务线:即产品线,如阿里的手淘线。  数据域:来源数仓概念,指面向业务分析,将业务过程或者维度进行抽象的集合。如淘宝的手淘线商品域、用户域、交易域等。  业务过程:相关业务事件组成的业务流程,如手淘用户域的注册、注销等。  修饰类型:对修饰词的抽象分类,如手淘的支付方式、用户来源等。  派生指标:派生指标=时间周期+修饰词+原子指标,可以选择多个修饰词,由具体的派生指标语义决定。如客单价(支付金额除以买家数)为派生指标。  修饰词:继承修饰类型的数据域,除了维度外的修辞词语,如手淘的终端类型、用户性别等。  时间周期:统计的时间范围,如近 30 天访问手淘的用户终端类型等  原子指标:原子指标 = 业务过程+度量。其中度量是基于某一业务事件(支付、成单、退款)行为下的度量(份额、次数、频率、金额),是明确的统计口径,不可拆分指标,如支付金额,支付频率等。  维度:是事物或现象的某种特征,指度量单位,具备唯一性,如地理维度、时间维度等。  属性:隶属于维度,有定量和定性的区分,如省份名称、邮政编码等。  定性:文字可维度如省份城市、性别、职业等。  定量:数值类维度如收入、年龄等。
　　最终,根据以上拆解过程,我们得到了一个指标实例: 最近 30 天 IOS 的各省份的注册数。
　　另外需要说明的是,上述案例得到的指标(最近 30 天 IOS 的各省份的注册数)属于结果类指标。实际上,结果类指标都是虚荣指标,即无法直接促进交易额增长,只能度量业务。常见的虚荣指标还有 PV/UV/总用户量等。
　　05搭建指标体系
　　讲了这么多,终于开始步入正戏。
　　搭建指标体系需要贴合实际的业务场景,可以根据不同的分析方法和抽象模型自上而下的驱动指标体系建设。常用的指标搭建方法有  OSM 模型和指标分级。
　　指标分级比较简单,即将公司的北极星指标拆解成业务线指标,到最后执行侧的指标。体现了金字塔式的结构化思维。而OSM模型(Obejective,Strategy,Measurement)分别对应目标、策略、度量。一句话概括为了目标采取了哪些策略,如果度量这些策略的效果。  O:目标——用户使用产品的目标是什么?产品满足了用户的什么需求?  S:策略——为了达成上述目标我采取的策略是什么?  M:度量——这些策略随之带来的数据指标变化有哪些?
　　以笔者在云计算行业的为例,从该视角来看如何用 OSM 定义指标体系:
　　当然,以上仅是指标搭建方法。好比于我们做菜,有时候会需要菜谱,因为需要将顺序的放入食材和适当的火候才能烹饪成一道美味。
　　搭建指标体系可以借助一些抽象模型,比如,交易类平台最经典的＂人货场＂模型,用户、商品、场景以不同的方式组合在一起,往往也意味着不同的交易模式,但是核心还是一句话: 谁在什么「场景」下「买」了什么「商品」。
　　以电商公司为例:用户(企业/个人)在场景(平台)购买了哪些资源(商品)。通过对三者的分析,覆盖到了产品线的方方面面,从定目标到完成,也借此来调整运营的策略以及功能迭代的侧重点。
　　＂用户＂的视角,主要是识别用户从哪里来(渠道)、用户有哪些特征(画像)、可以分成哪些层次(RFM模型)以及用户的消费质量等等。
　　＂场景＂的视角,主要识别平台的有多少流量,这些流量的转化率,购买了多少金额,购买了多少商品等等。
　　＂商品＂的视角,主要分析售前时客户需要哪些品类、这些品类如何定义,售中时是否需要优惠券,以及用售后时用户对于商品的使用情况及反馈建议等。
　　其实,作为一种抽象模型,起源于传统零售行业的＂人货场＂理论,在电商行业发扬光大。在如今不仅可以运用电商和零售,还可以应用内容、社交等一系列场景。
　　比如,可以＂人货场＂的角度来剖析 B 站作为内容社区的发展。  人——如何 看待 B 站的用户及创作者?用户从二次元 Z世代 Z+时代。创作者实现正向循环,PUGV内容占比越来越高。  货——如何理解B站内容与创作者生态?从二次元到番剧,再到多元化发展。PUGV和 OGV 两头抓。  场——B站平台社区环境如何建立?相对公平的流量分配机制,双列视频展示形式 + 单列沉浸式小视频,并承袭二次元弹幕的社区＂梗文化＂。
　　当然,除了在经典的＂人货场＂模型,还有被称为＂海盗模型＂的AARRR模型,分别对应了用户生命周期中的五个阶段:Acquisition [获取] 、Activation [激活] 、Retention [存留] 、Revenue [收益] 和Referral [推荐] 。
　　当用户处于不同的用户生命周期不同阶段时,也需要使用不同的指标去定义。根据海盗模型 AARRR 产品增长模型,可以将指标分为五大类: 拉新指标、活跃指标、留存指标、转化指标、传播指标。
　　06
　　结语
　　数据是杠杆,借助数据能撬动更大的价值。但是玩转数据的前提,首先是存储和利用数据。很多时候,企业已经不满足分析 T+1 周期的离线数据,正如抖音的实时推荐解决了人与信息匹配的匹配,淘宝的千人千面解决了人货匹配。这不仅要求数据在线,更对数据的实时性也有着越来越高的要求。
　　指标体系的生产和建立,依赖于数据的准确性、时效性和完整性。无论是数仓还是数据中台,都只是一种手段,更重要的是借助数据去实现量化业务态势,找到当前的症结,最终实现业务升值。
　　作者：进击的零度