浅谈数据指标以及指标体系

笔者之前就用户行为数据写过一篇科普文《用户行为数据入门理论与实例》，里面有对用户行为分析的整体介绍，其中包括数据指标以及指标体系搭建这个重要的环节；但是受文章篇幅所限，不能完整、体系化地介绍数据指标、指标体系以及其搭建方法。

于是笔者结合自己工作经验撰写了这篇文章，希望能给各位同学带来启发和思考。至于为何这篇文章被命名为“浅谈”，主要还是受笔者经验所限，文章内容深度还有待锤炼，如有大佬愿意就这个话题进行深度交流分享，笔者不胜感激。

（1）什么是指标

指标，简而言之就是对企业经营效果的客观量化衡量标准，也叫“度量”，例如平时常见的PV、UV、页面浏览时长、跳出率等。

（2）指标的分类

1. 原子指标 - 根据一些聚合逻辑（计数、去重计数、加和、取平均数等）生成的基础指标，例如用户打开app的次数。

2. 派生指标 - 在原子指标的基础上，对其做一些限定/分组下钻，例如新用户打开app的次数，按照省份分组查看的打开app的次数等。

3. 衍生指标 - 在原子指标的基础上，对多个原子指标进行比例等类型的计算，例如购买转化率，就是浏览商品详情页后购买人数/浏览商品详情页的人数（注：分母仅为举例，可按照实际业务场景进行调整）；或者是渠道ROI，也就是某个渠道带来的用户收益除以该渠道的投入，用来反映渠道的质量。

另外，还可以嵌套第二和第三类指标，例如我们可以在购买转化率的基础上对其限定新/老用户或者某一城市。

（3）指标定义和运用时遇到的一些问题

大多数的业务同事对于上述概念并不陌生，但在实际工作场景中，会遇到各种各样的问题。下面笔者就列举出一些常见的问题，或许能产生一些共鸣/帮各位同学避坑：

1. 指标定义不清，口径对不齐：之前有一位业务同学跟笔者提出需求，他想看“新老用户在平台上的活跃情况”，笔者就向这位同学提问，“请问你们是如何定义新、老用户的，是根据是否首次访问？还是首笔订单？”、“活跃的定义是什么？是只要访问了页面就算活跃？”、“想看的时间范围是什么？过去30天？”……

曾听过某位大佬说过这样一句话：“一千家企业就有一千个对于日活的定义”。在实践中，不同的场景下的日活定义是多样的，例如不少企业会把活跃定义成“打开app/小程序”或者是将这个范围缩小至“实名（注册）用户打开app/小程序”，也有一些社区平台把“发帖/浏览/评论/收藏”等帖子互动行为作为“活跃”的标准，亦或是某些电商企业把“活跃”定义为“浏览商品详情页”……

所以，业务同学在提出自己的指标需求时需要明确给出指标内每个名词的定义，例如“新老用户活跃”这个指标，需要明确给出“新老用户”、“活跃”的定义，以及想看的时间范围（时间范围是作为一个默认的看数维度）；数据部门的同学在接到此类模棱两可的指标需求的时候也要提高警惕，问清楚每个指标、每个名词的具体口径是什么，防止后面不必要的麻烦。

另外，如果后续指标越来越多，则需要通过文档，甚至设计指标管理平台上线各类指标及其具体定义，并且及时下线一些不需要的指标。

2. 指标和业务目的不匹配、指标不能真正驱动业务发展。在规划指标之前要先思考我们想达成什么样的业务目标，再由业务目标去拆解我们想看的指标，并且想清楚拿到大盘数据、涨跌趋势之后我们是否能够将其作为“抓手”快速定位并解决问题。

举个例子，如果我们的业务目标是拉新，那么制定的指标就应该偏向拉新，而不是花大力气去研究留存指标。如果想不清楚拿到这个数据后应该怎么分析并帮助业务增长，大概率是因为这个指标并不实用，那就应当及时舍弃。笔者见过不少数据意识不强的同学，不会从业务目标这一“上层建筑”入手去制定指标，而是“脚踩西瓜皮溜哪算哪”，想到一个指标就往上堆，最后等数据真的上线之后也不知道应该从哪里开始分析。

3. 指标不成体系。接着问题2，没有“上层建筑”与“结构”意识，指标就会变成一团乱麻；老板给了一个命题让你去分析，面对这“一团散沙”的指标体系也是无从下手。下面一部分咱们就讲一下指标体系的定义和搭建方法。

（1）什么是指标体系

单个指标的高低或者波动往往不能全面反映问题所在，所以在实际工作中，我们会结合多个指标并搭建指标体系来进行多维分析。在上面一节中提到，我们需要结合业务目标规划指标，同样的，由于同一家企业所属的生命周期阶段的不同，指标体系也会有所变化。

（2）指标体系的重要性

在本文开头提到的文章里已经简单说明了为何需要指标体系。为了本文的完整性，下面再列举一次～

1. 统一的指标体系能避免数据指标定义模糊和逻辑混乱，减少数据解释成本。

2. 好的指标体系能在某一核心指标出现问题的时候迅速向下进行维度拆分，从而定位问题所在，帮助产品/运营不断改良，甚至发现一个新的业务增长点。

3. 领导层通常会关注指标体系，尤其是其中的核心业务指标，通过指标体系能够帮助领导层从大局上制定战略目标。

（3）指标体系的搭建方法

本文主要介绍海盗模型（AARRR）这个指标搭建方法，这个方法对应用户与平台互动的五个阶段：

• Acquire（拉新）- 企业从各个渠道/触手将潜在用户吸引到自己的平台上，此时企业会比较关注渠道的质量，例如渠道曝光、点击数量、渗透率，渠道落地页的浏览次数、人数、跳出率（该指标计算方式请见笔者之前写的《Session分析的妙用》）以及渠道ROI、单位获客成本等。通过这些指标，企业能够看到哪些投放渠道性价比最高，从而加大这一渠道的投放力度；发现某一渠道带来的用户质量较差、投入大量成本仍不能够带来很多收益时，可以通过观察渠道相关的数据，并且与自然流量的相关数据进行比较得出结论，到底是渠道带来的用户质量太差还是落地页的设计不够吸引用户继续与平台互动。

• Activation（激活）- 新用户被吸引进来后会在平台上进行一系列操作，例如浏览、点击等，对这个平台有了初步的认知。在这个阶段，企业可以关注用户在平台上的操作行为相关指标，例如浏览页面次数/用户数/深度/时长，注册转化率，收藏、搜索相关指标等。

• Retention（留存）- 对这个平台有强需求的用户会持续不断地进入平台进行操作，此时企业可以看平台留存率，功能留存率，复购率等指标。功能/平台留存率更偏向于产品的优化与迭代，复购率则是运营同事会去关注的指标。

• Revenue（转化）- 用户在平台上作出进一步转化的行为，例如电商场景中的购买，社区平台上的发帖，直播平台里的开播/打赏等，不同行业看的指标不同，但是大体可以分为转化次数/人数/转化率/客单价等。

• Referral（分享/传播）- 忠实用户（类似于KOL）不仅自己会经常使用某个平台，还会将其分享/推荐给其他的用户。此时企业可以看活动/页面分享人数、分享率，还可以看裂变k系数（平均一个活跃用户会分享给多少个潜在用户）。

以某电商平台为例，根据海盗模型搭建的指标体系如下图：

（勘误：由于条件限制思维导图无法修改，“留存”部分应该在“转化”上面）

此外，之前在文章中还介绍过“北极星指标拆解法”，详情也可以看笔者在本文开头提到的文章。除了合理的拆解方式，该方法另一关键点在于如何选取合适的“北极星指标”。有几个选取标准可以供大家参考：

1. 这个指标是否可被操作？如果这个指标有所波动，能不能找到相应的措施提升效益/降低损失？

2. 这个指标是清晰明了的，还是容易让人产生误解、模棱两可的？是易于在团队间交流和理解的，还是需要花大量时间学习的？

3. 这个指标能否反映用户在平台上是否活跃以及用户是否真的感知到了平台的价值？

4. 这个指标能不能反映公司整体的发展趋势？假如这个指标提升了，是不是代表整个团队/企业在朝好的方向发展？

5. 这个指标是先导指标还是滞后指标？先导指标指的是在公司/团队整体发展出现顶峰/低谷之前这个指标就能够率先到达顶峰/低谷，从而起到预测/预警的作用，滞后指标则反之。北极星指标一般都会选择先导指标，避免滞后指标。