用户行为数据分析——如何搭建数据指标体系篇

全文4624字，预计阅读所需15分钟

原文地址： https://mp.weixin.qq.com/s/xxgpzXf11BiC7AU_SPp25g

上一篇文章我介绍了数据埋点的相关定义、使用场景等，然后就有一些朋友就跟我说文章过于学术，不易观览、不易消化、甚至看不懂等等，总之是批评语多过褒奖啦，这篇文章乃是上一篇文章的前作，即当我们需要得到一批数据的时候，我们该如何进行埋点？如何制定埋点方案？以及需要多少个埋点等等。因此这篇文章我将和大家聊一下具体的相关数据指标体系建设，在何处何时引入埋点，以及通过第三方等特殊手段获取的数据我又该如何着手处理等，吸取上一篇的写文不足的教训，这篇文章我将通过近期所负责的实际案例来叙说如何搭建数据指标体系，欢迎朋友们一起讨论！

百因必有果，你的报应就是我......呸！跑题了~~~当我们拿到相关的数据之后我们会发现，数据何其庞大？许多互联网公司我想多少会有通过数据爬虫方式去获得一些数据，不管是组内数据还是组外，而这些获得的数据往往会变得零散，首尾不呼应，往往会一遍遍地从这些数据中去寻找可以定位原因的指标，这样一来会耽搁不少时间，使人心疲力竭，互联网向来以高效著称，如此做法，也太不Internet了！

成长型企业往往会缺少体系化的监控，每天看数据的有多少？在日常工作中需要监控多少个运营指标？那么解决这些问题的思路便是给公司搭建一套基于业务的数据监控体系，也就是我们今天的主人公—— 指标

指标 ，你可以理解为一个度量工具，它的度量在于追踪和评估商业进程的状态，来确保我们所做的项目务必是在正确的轨道上运营，同时验证方法论，不断的学习。试想一下，倘若我们一开始所关注的指标便已跑偏，那最终获得的数据进行相关的数据分析，那么这将会是场灾难！所以 指标的选取是很核心的一步。如果我们选择了正确的指标，它颇像一个晴雨表，能很好地衡量业务的健康状况。如果我们选择了一个错误的或者是虚荣的指标，它可能会把我们引导到一个错误的路径上去，这是一个很大的陷阱！当然指标并非产品定义，产品定义的场景更适合那句鸡汤文“不忘初心、方得始终”；而指标呢，它的最大价值则在于帮助大家高效利用时间，把时间花在解决问题上，而不是去寻找问题或寻找问题的路上，从而提高团队整体的人效！

同众多理论一样，数据指标也有一套模型理论，坊间有一套被企业所熟知的模型即OSM模型：

O（Object）    代表业务目标

S（Strategy）  代表业务策略

M（Measure） 代表业务度量

相关的理论知识我就不多说了，有兴趣的朋友可以去网上自行搜索了解，上面说了，今天不讲学术性的东西。

下面，我以近期策划的一个相关活动为原型，来举例说明 如何利用 OSM 模型搭建数据监控指标体系，该活动极为简单，由于活动还未上线还只是个Demo，所以该原型且真的只是个原型！但不影响我们拿来分析，也希望通过简单的例子，更加通俗易懂的说明数据指标体系，以便PM们在实际运用中更加的灵活运用，游刃有余。

这个活动的特点在于周期较短，十天半个月为一周期，适用于各种主题/节日活动，活动所参与的商品（图像）不会太多，这使得不会占予用户过多时间。我们从图中的几个流程，从活动展示到完成活动参与排名抽奖，在这个流程转化当中，如果我们需要进行数据监控体系，那么该如何通过数据分析来指导业务增长呢？

在这个例子中，选定目标采取了两种视角：

为了促成这个转化率，我们该如何选择策略方向呢？

第一步：选择合适的OSM指标度量。

针对从活动曝光到最终完成活动整个流程，可以拆解为两个KPI指标，KPI 1是从了解活动到参与活动，或参与活动的进度（因为图关卡有多个），在这一步，用户了解运营活动之后了解参与后获得奖励过后，参与进来完成转化的有多少，假设 我们设定的Target是30%（含AU、DAU及日增）；KPI 2是最终完成全部关卡的用户，我们设定的Target同样也是30%，在这一步，原则上圆满完成KPI 1的用户基本能够顺利进展下去，所以KPI 1的作用尤为重要，只有当用户在这一步产生心理愉悦过后方才有可能继续完成活动，最终完成KPI 2。

第二步：注意成果性指标及过程性指标。

成果性指标，这个很好理解，它的场景经常出现为转化漏斗的底部，是一个不可更改及后验性指标，比如电商场景下的GMV流水或订单量。而过程性指标，闻如其名，指的是到达这个结果之前所经过的路径，以及通过这个路径去衡量好坏的过程，它是可干预的，不可控因素较多，通常为“用户行为”。

在第二项当中，我引入了一个词叫“Target”，这算是我们前期的一个小抓手，我们需要设定Target值去衡量指标的好坏，这基于企业内部的历史数据及行业的Benchmark，其设定原则时：要对内部有一定的挑战性，但又不是遥不可及的，毕竟这只是阶段性目标。

给大家展示一张来自神策数据的某电商产品的订单转化率，可以看到，平均商品的转化率基本都是保持在10%~20%区间，单款商品的波动也在5%左右，两者较为接近，这个时候设定Target值为30%是较为合适的。

优化过程性指标可以改善指标的转化，还是以上面的流程为例，成果性指标为用户完成所有关卡，而每一步的转化漏斗则成为了我们关注的过程指标，把进入活动详情页到参与关卡1再到关卡2及最后的关卡设定为30%，倘若都达成的话，我们的总转化率就能够达到12%，那么整体效果则会增加60%。具体的做法千层百变，这就需要考究一个产品经理的产品设计能力了，比如说在实例图中我所在某一关键位置加上的提示语提醒，这都是能够对用户造成心理冲击的作用点（ 对应图中的界面名称“刺激参与”、“及时反馈”、“活动唤醒” ）。

成果性指标之所以为最终完成转化，在衡量这一指标单一视角之前，我们要考量它的适用性和唯一性，我们需要知道如何去确定所负责的业务目标可否带来一定的商业价值，或是否具有商业潜力。当然，作为产品经理的我们本是需要具备对产品有着长远规划的眼力，假设自己真的不确定的话，分享一个很简单的方法，就是直接去问你的领导上司，我们今年的目标是什么？我们的产品需要达到一个什么样的层次？还是那句话，产品经理作为产品的唯一负责人，必须学会自己关注产品的长期目标和近期目标，让其相辅相成。选取目标的时候，我们需要注意以下4点：

不难察觉，我上面所使用的以用户视角和业务视角出发制定的两个抓手，是符合这一规律的，但与此同时，我们还要避免两个雷区：

OSM的分析思路贯穿了整个数据流程，连接跨部门的基于业务目标和策略的数据需求交流，目的是提升数据研发质量和效率，业务相关部门通过OSM流程，逐步培养了分析思维，提升数据的理解和需求提出能力。

数据指标分级体系更适合我们的 BI 或者分析师，这里要用到的技能会更高阶一 点，适用于中等规模企业。但这能够帮助公司搭建一套完整的数据指标监控体系，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，去验证你的方法论，无需每次都要思考要去看哪些指标。

我们会针对不同的指标，分不同的层级。但不一定要拆得太细，否则层级会过 深会有无限发散的可能性，基本上 3 个层级就能够指导产品或运营或分析师人员去做一些动作。

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。它可以直接指引公 司的战略目标，管控产品的走向，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，比如公司的利润、销售额，游戏产品的LTV、ARPPU值等（没错，是ARPPU值而非ARPU值）。举个例子，发生在我们公司内部的一段小插曲，我们在产品处于iDear阶段时，在种子期的时候，我们当时定义的PMF，是用一个新的产品去满足一个已经存在但部分需求仍未被满足的市场（这句话来自于《增长八卦模型》一书），俗称细分领域、细分市场，而正当我们着手去做时，由于种种原因，发现这种做法是不正确的，我们当即启动了另一种PMF，而后续所做的所有事情，都是围绕着这一PMF展开实行，那么这个时候我们的一级指标就是在指定时间内完成这一PMF。

② 二级指标

二级指标算是一级指标的灯塔、指南针，当一级指标发生变化的时候，及时调解，及时定位，通过查看二级指标，快速定位问题所在。 比如说，我们的一级指标是 ARPPU值得到提升，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 ARPPU上升的，就是核心二级指标。比如说在商品做一些运营活动，做一些产品的爆款吸引用户参与进来，通过ARPU值的提升从而带动ARPPU。

③ 三级指标

三级指标，这又是一座灯塔指南针，是二级指标的指南针，当二级指标发送错位时，三级指标即高效定位二级指标的波动情况，当然，这也同时需要依据历史经验或数据理论去拆解问题。与二级指标不同的是， 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 ARPPU值提升为例，我们拆解后发现是需要通过ARPU值的转化率带动提升，那么ARPU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？是不是它的一个转化路径比其他端好？这些思考点就能指导业务人员展开行动。

写在最后

搭建数据指标体系的目的便是为了更好的便于分析产品数据，利用数据驱动产品增长，大致架构是 通过设立OSM模型，继而再确立增长指标、活跃指标和变现指标，分别对应一级、二级和三级指标。增长指标比如说是新用户的注册量；而活跃指标则为AU、DAU。变现指标如用户从注册到下单，所完成的产品营收的转化等等。如果看到一级指标（新的注册用户数）有增长，那么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之后，再通过三级指标拆解二级指标......以此类推，反复推导，我们便能够解决日常业务中遇到的 70% 的问题。

当然了，这些只是我个人所梳理总结出来的框架结构，可能不一定适用于所有企业所遇到的问题，但值得借鉴，具体情况且视状况而为之； 搭建数据指标体系需要该负责人清晰的了解产品当前现状，运营现状、增长现状等，对业务模式有着充分了解，业务运营的类型和产品流程均能熟练操盘，因此搭建这套体系的时或许会牵动众多项目组人员，这需要产品经理需要有一个很好的操盘能力，衔接能力。

感谢你的观看，产品小七，入坑3年，与你共同探讨互联网产品中的术与道！