聊聊數據指標體系
如何提升運營/產品的優化效率？或許數據指標體系的搭建可以幫到忙
在<數據化運營中玩過的分析項目>這篇文章中，提到了數據可視化，而在有讚時負責的”小程序增長項目”中，讓一個新的業務”有效率動起來”這件事，在我心中就是要歸功於”數據指標體系”的搭建與可視化，因此這篇文章想聊其中的一些心得。
文章架構：
一、什麼是指標體系
二、搭建的方法：推薦<精益數據分析>（Lean Analytics）這本書
三、最後：其他流程及總結邀請你至Blog閱讀全文：
如何提升運營/產品的優化效率？或許數據指標體系的搭建可以幫到忙如果你喜歡我的文章，也邀請你訂閱『Rock Data』電子報，支持我持續創作
什麼是指標體系
相互之間有邏輯聯繫的指標構成的整體。所以一個指標、幾個毫無關係的指標都不能叫指標體系。
運營和產品的工作中，常常會接觸數據或指標來衡量業務的發展狀況，例如DAU、GMV等都是互聯網常見的指標。然而這些指標都是最終結果，當指標有變動時，運營或產品還是很難確認具體原因。也有一個狀況是數據太零散，數據之間無法串連起來，發現全局問題。
當數據無法反應策略時，容易出現拍腦袋決策、指哪打哪的狀況，公司產生無意義的運營成本；對於數據分析師則是產生大量臨時性需求。
所謂的指標體系，我認為就是：在一個有系統的”框架”上，透過指標從宏觀的、全局的視角來看業務，讓問題可以迅速聚焦。因此除了結果指標指標外，還要加入”過程指標”，並且讓結果指標與過程指標在同一個線上。(將點串聯成”場景”的那根線)
好的指標，理想的狀況是，一看到這個指標，能想到：依據這個指標，我將如何改變我的商業行為。如果一個指標不能達到上述目的，那麼就不算數據驅動業務，而是陷入數據流沙中掙扎。
搭建指標體系的方法
我的想法是，所有業務一定有一條關鍵業務流程，因此只要梳理清楚這條路徑，數據體系就完成了80%。這關鍵流程，就是我搭建指標的框架，也稱為一級指標，並且用“維度”拆解出二級指標及三級指標。
為了實現一級指標，我們會做出一些策略，二級指標通常與這些策略有所關聯。可以理解為一級指標的實現路徑，用於更快定位一級指標的問題。
例如：公司一級指標是付費用戶數，那麼二級指標可以設定為不同銷售渠道付費用戶的佔比。一級指標是GMV，那麼二級指標設定為分不同用戶群的GMV等。這樣當一級指標出現問題的時候，我們可以快速查詢到問題的所在點。
三級指標是對二級指標的路徑拆解，通常是可以指導一線人員開展工作的指標內容。回到上面的例子，如二級指標是不同銷售渠道的用戶購買，那麼三級指標則可以是某渠道的付費週期。
- 一級/二級指標：反應產品當前的運營情況
- 三級指標：幫助一線人員定位問題，指導運營工作
對分析師來說，指標體系搭建要求的能力是業務的了解，包含產品功能、業務流程甚至到整個產業。
至於關鍵路徑流程，不同的產業、不同的業務、不同的組織架構，都有大不相同的路徑，這邊我要推薦<精益數據分析>（Lean Analytics）這本書。
這本書整理了六種不同的商業模式，包含電商、SaaS、App收費、原生廣告、內容平台，可以當作模板參考，再根據公司個別狀況來調整。另外，本書也對”指標”做了許多的探討跟說明。
最後
新業務開始時，就只有GMV這一個數據，解決了業務方提出的大量不知所以的數據需求後，覺得這樣下去不是辦法…逐步搭建與推動數據體系，過程除了上述框架的梳理外，還有跟運營/產品溝通每一個指標對業務的指向性、指標口徑定義一致、跟數倉確認數據源，建中間表等過程。
好的運營和產品總是會通過數據去發現問題，解決問題。而完善的数据体系，可以讓作業變得事半功倍。
邀請你至Blog閱讀全文：
如何提升運營/產品的優化效率？或許數據指標體系的搭建可以幫到忙如果你喜歡我的文章，也邀請你訂閱『Rock Data』電子報，支持我持續創作
1. Hello All：主站遷移至👉https://andyrockdata.com/ ，請改至『ROCK DATA』Blog 閱讀新文章完整內容，如果喜歡我的文章，可以訂閱我的電子報(Medium站仍將張貼新文章訊息)2.立即追蹤👉ROCK DATA臉書粉絲頁跟ROCK DATA IG(@andyrockdata)3.【入門數據分析，掌握HiveSQL取數能力】在hahow上架啦，購買連結👉 http://hahow.in/cr/andyrockhive4. 往期的數據相關文章可以參考以下link
如果你喜歡我的文章，也邀請你訂閱『Rock Data』電子報，支持我持續創作
- 數據分析系列1：談談數據分析的眾多Title
- 數據分析系列2：數據分析的一週工作日程
- 數據分析系列3：身為資料分析師，你該如何展現工作中的價值？
- 數據分析系列4：如何量化職場規劃？我這次的轉職規劃與Offer選擇
- 數據分析系列5：為什麼要關心資料來源？談談埋點數據的陷阱
- 數據分析系列6：精選幾個機器學習的學習資源
- 數據分析系列7：數位化決策轉型與企業文化的一些思考
- 數據分析系列8：中山大學經濟所職涯座談(ㄧ)：”了解自己”的重要＆我怎麼成為數據分析師
- 數據分析系列9：中山大學經濟所職涯座談(二)：想從事資料分析？你需要具備這8個能力
- 數據分析系列10：中山大學經濟所職涯座談(三) ：讓資料變商機 — 資料分析在我們生活中的應用
- 數據分析系列11：面試時，資料分析師該怎麼準備作品集？
- 數據分析系列12：2018年終工作總結(數據分析師)
- 數據分析系列13：數據化運營中玩過的分析項目：一個數據分析師的經驗總結
- 數據分析系列14：如何提升運營/產品的優化效率？或許數據指標體系的搭建可以幫到忙
- 數據分析系列15：用戶畫像很重要，那你知道是怎麼畫出來的嗎？
- 數據分析系列16：給剛入行的數據分析師：想產生價值，在試用期要做的三件事
- 數據分析系列17：2019 數據分析工作總結_關鍵詞：數倉構建、BI可視化看板、用戶畫像(標籤)與精準行銷
- 數據分析系列18：入門數據分析的第一個大門檻：SQL/Hive取數-聊聊自身學習SQL的經歷以及三個自學網站分享
- 數據分析系列19：身為數據分析師，我怎麼看hahow上”R語言和商業分析”這門課
- 數據分析系列20：直接用SQL來分析數據？怎麼沒用python/R？3個面向來考量分析工具的選擇
- 數據分析系列21：數據分析的”橫向”學習之路-珍藏的網上文章重新整理放上github
- 數據分析系列22：透過埋點，讓數據說話：埋點基本知識
- 數據分析系列23：以數據為核心的CRM進化產品：帶你了解CDP(客戶數據平台)開發過程與難點
- 數據分析系列24：SQL不難啊，為什麼不容易精通？自學與實務的4個落差
- 數據分析系列25：數據分析基本-相關分析與可視化(R語言)
- 數據分析系列26：刷完了Leetcode SQL Hard Level的28道題：歡迎領取參考答案
- 數據分析系列27：數據太髒了！3個步驟做好數據質量管理
- 數據分析系列28：跨部門溝通成本太高？數據人實現高效跨部門溝通的4個方式
- 數據分析系列29：數據分析師職場發展的另類出路
- 數據分析系列30：Databrick為何收購BI產品Redash？產品視角來看Redash的功能與價值
- 數據分析系列31：數據分析師要失業了？解讀<2022 Gartner BI魔力象限> BI產品趨勢
- 數據分析系列32：Google Data Catalog如何幫忙管理數據？ 產品介紹與體驗心得
- 數據分析系列33：復盤：數據產品從0到1的建設過程，我的9點感觸
- 數據分析系列34：Shopline-數據分析中心(Shoplytics)產品體驗
- 數據分析系列35：搞數據還是做產品？淺談『數據產品經理』
