指标体系搭建
在如何搭建指标体系之前,我们先简单说下,什么是指标?
指标,实际上就是一种度量。大到用于监控和评估商业进程的状态,小到衡量某个功能模块的情况,或者是自己的活动效果。
从运营角度来看,一个好的指标,需要具备四个特点:
业务层面是有价值;
可衡量业务真实情况;
简单可执行;
大家都共同认可。
从技术层面来看,一个好的指标,统一具备四个特点:容易收集快速衡量;准确度高;可被多维度分解;单一数据源。就像我们经常使用的衡量APP产品启动人数,使用UUID或者是COOKIE往往比使用IP更加准确。
但很多时候,因为技术或者是业务自身的原因,我们往往很难找到很完美的指标。那么这个时候我们最重要的就是统一口径进行分析,更多地观察数据的波动情况。
1. 选什么样的指标
选指标有两个方法:指标分级,OSM模型。
(1)指标分级:通常是分成三级。
一级指标:公司战略层面指标。
用于衡量公司整体目标达成情况,通常设定在5-8个指标。这类指标是与业务紧密结合,按照行业标准进行制定,有可参考的行业标准指标,且这类指标针对全公司所有员工均具有核心的指导意义。
比如某游戏公司的一级指标:新增账号、留存率、DAU/MAU、付费人数(率)、收入金额等。
二级指标:业务策略层面指标。
为了实现一级指标,企业会做出一些策略,二级指标通常与这些策略有所关联。可以简单理解为一级指标的实现路径,用于更快定位一级指标的问题。
例如:某游戏公司一级指标是游戏收入,那么二级指标可以设定为不同游戏物品的收入。一级指标是DAU,那么二级指标设定为分服务器的DAU等。这样当一级指标出现问题的时候,我们可以快速查询到问题的所在点。
三级指标:业务执行层面指标。
三级指标是对二级指标的路径拆解,用于定位二级指标的问题。三级指标的使用通常是可以指导一线人员开展工作的指标内容。三级指标的要求是:一线人员看到指标后,可以快速做出相应的动作。
如游戏公司的二级指标是XX区服的DAU,那么三级指标则可以设定为游戏时长、游戏频次、游戏等级分布、游戏关卡流失情况等。通过观察这些数据,可以去针对性地做调整,如某个关卡流失的用户特别高,那么尝试降低难度。
这里有一个注意事项,在进行整个指标分级的时候,我们需要先思考:
一级二级指标,能否反应产品当前的运营情况;
三级四级指标能否帮助一线人员定位问题,指导运营工作。
以上是指标分级纵向的内容。横向思考,如何针对不同级别的指标来选取合适的指标?
这就是指标分级的第二个方法:OSM模型。
2. OSM模型
OSM模型(Obejective,Strategy,Measurement)分别代表业务目标、业务策略、业务度量。
O: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:为了达成上述目标我采取的策略是什么?
M:这些策略随之带来的数据指标变化有哪些?
我们搭建指标体系是为了更好地发现用户的问题,并且去解决。所以我们需要站在用户的场景去考虑整体的内容。
以知乎为例,按照OSM模型,它的指标是什么样的?
O:用户来使用知乎这个产品,目标是什么?
这里涉及两个不同的用户——内容分享者和内容消费者,这里简单介绍内容生产者的分析思路,大家可以自己试着分析下内容消费者。
用户需求:分享知识观点(发布观点),建立行业影响力(内容受到反馈)。
那么,如何让用户感受到自己的需求被满足了呢?
S:知乎做的策略是:内容点赞评论、内容打赏、盐值增加、XX话题优秀回答者。
M:接下来,我们需要针对这些用户动作去做指标,在这里面我们的指标会有两个,分别是结果指标和过程指标。
结果指标: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。
过程指标:用户在做某个动作时候所产生的指标,可以通过某些运营策略来影响这个过程指标,从而影响最终的结果。
还是以内容生产者为例:
结果性指标:发布文章数、发布文章的人数、文章点赞/评论数、被打赏人数、被打赏金额、优秀回答者人数、新增优秀回答者人数等。
过程性指标:使用内容导入人数、内容发布转化率、文章互动率、评论折叠率等。
通常我们会在指定指标的过程中使用OSM的模型,去针对用户在不同场景下产生的动作,以及这个动作可能带来的结果,用户在这个动作中会出现什么样的数据变化。之后再结合数据,针对性地去调整我们的运营策略或者产品功能。
简单理解:结果性指标更多的是监控数据异常,或者是监控某个场景下用户需求是否被满足。而过程性指标则是更加关注用户的需求为什么被满足(没被满足)。
2. 如何搭建
指标选取之后,就要开始搭建指标体系。前面我们说过,指标体系是通过场景流程来综合进行分析,而这里最重要的就是分析维度的选择。
一个好的指标是可以多维度去拆解划分,当好的指标搭上完整的维度,很多问题就可以迎刃而解。如果没有合适的维度,你建立起来的依然只是多个指标,只是指标合理,做不到前后场景化的分析。简单理解,维度是将点串联成场景的那根线。
我自己通常会采用这样的逻辑来进行体系搭建:选指标-针对每个指标做出可能要的维度-将指标和维度重新组合。
通常我们在选取某个指标的时候,想到的维度都比较简单,如:用户进入商品详情页,我可能只想要知道用户进了哪个类目的商品详情页;商品成交的时候,可能关注的是类目和金额;同样地,在商品列表页的时候,我们监测用户搜索,会关心用户搜索了哪些词,搜索频次等。
那么如果我将用户进入商品详情页内,搜索的关键词和成交的指标组合会是什么样的场景呢?
用户搜索了哪个关键词,并且进入了商品详情页,之后这个商品被购买了。
这时候我们分析搜索关键词的时候,效率会非常高。如搜索某个关键词的用户转化率非常高,但是搜索的次数比较少,那么我们将这个关键词置为热搜是否可以提升整体的转化率呢?
指标的维度拆解后,重组我们如何做呢?
我的原则是:在同一个流程,用户动作存在关联的,尽可能多地在多个指标覆盖相同可用的维度。以电商为例,用户的动作是:搜索品类-搜索列表页-点击筛选-商品列表页-提交订单-购买。那么在整个流程中最好可以保留搜索品类的关键词、筛选的条件、商品的信息等内容。
最后,当我们指标和维度都确定之后,剩下的就是去做数据埋点了。什么样的埋点数据不会被开发喷呢?开发拿到不用动脑子的那种。
我之前使用的格式是这样的,大家可以参考下:
最后,就剩下数据可视化的内容了。数据可视化通常根据自己的业务场景去结合,使用自己合适的数据,通常会包含用户数据、渠道数据、业务流程数据等。具体的可视化我就不做过多赘述,百度一下,什么样的场景用什么样的图我想都可以看出来。
重要的是这些流程的组合,就是将不同的指标和维度进行组合,关联分析出来的事件才是最核心的,这是完全可以指导你进行工作的三级指标,并且贯穿全流程。
作者:haidaozheng
链接:https://www.jianshu.com/p/47f701e70fe8
来源:简书
著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。