指标向下拆解：增长数据分析的八个维度

作为《增长模型下的产品与运营实战》系统的第一篇文章，我想谈谈整个产品和运营系统最基本的环节——数据系统。就像人们走路时需要看到前面的路一样，产品和操作也需要在做出决定之前睁开“眼睛”。左眼是数据；右眼是研究。（嘿，不要问我为什么我不使用左眼研究，右眼数据……）通过在线数据反馈，我们可以准确地发现问题，找到规则，验证猜测，平息主观纠纷，为产品改进和运营优化的制定和实施提供明确的方向。互联网公司普遍非常重视数据，但数据部门的功能设置却各不相同。大部分都会设立独立的BI部门(如携程、JD.COM)，一些(如亚马逊)也会在各个团队中分散数据人员。常见的数据功能有三个主要角色：a.数据工程师负责构建底层数据架构，定义数据埋点规范，编写埋点代码(有时开发人员会植入埋点代码)、并建立和管理数据库报表。b.BI，负责根据业务需要在数据库中捕获相应的数据项，编写SQL代码，生成各种报告。(注:传统数据库管理员（DBA）数据工程师的功能更像数据工程师 BI–埋点）c.BA，负责分析BI生成的报告，结合业务知识彻底解读数据，输出具有明确指导意义的观察和建议。BA人员通常需要有较强的业务背景知识，能够准确理解数据背后的业务状况和波动原因，并用业务“语言”输出分析结论。我在实践中的经验是，这两种组织结构都有明显的优缺点，优缺点完全相反。当数据人员集中在一个部门时，数据库管理和报告定制非常专业和高效。但由于远离业务部门，业务理解受到影响，数据定义和解读相对薄弱。当数据功能分散在不同的业务线上时，正好相反。并且有更严重的数据重复提取，更不用说人力浪费了，而且由于口径定义的不同，同一数据在不同的部门是不同的。例如，转换率=订单数／对于访客数量，一些部门将“疑似机器人”部分从访客数量中删除，而另一些部门将访客数量统一为“第二跳跃访客”，导致转化率数据存在明显差异。一个更好的方法是将数据工程师和BI集中在数据部门，在每条业务线上设置BA人员，双方对接。2、互联网需要广泛的数据观察领域。每个细分领域都有不同的核心KPI。根据核心目标拆分背后的影响因素，提出有针对性的数据需求，制定数据报表。常规数据报表常规数据报表主要用于需要长期持续观察的核心数据。比如流量漏斗监控可以分为主页跳失率和商详页到达率(分为浏览-商详、搜索-商详两个分支)、核心环节的漏斗数据，如加车率、结算率、结算完成率等。用户渠道来源，如用户数量、新客户数量、订单比例、转换等。类别转化率波动，如流量、订单、SKU销量等。流量分配效率，如各频道／CTR栏目、到达、转换、回访率等。商详页。当常规监控的核心数据项出现超阈值波动或趋势波动时，通常会触发专项分析，并根据分析结果采取相应对策，将数据推回常规范围。常规数据报表建议通过公司BI系统定制在线报表，并根据监控频率进行观察分析。2.专题数据分析通常根据主要影响因素确定数据项，拆分观察维度，掌握多维数据，分析主题目标，找出影响因素的数据维度，得出结论，指导后续行动。例如：对某一重大事件的情况或效果进行分析，如双11大促后的数据总结盘点。分析了Web平台转化率持续提高等核心数据波动较大的原因。如果支付渠道来源的用户数量继续下降，就会出现趋势。95后导购特征和消费特征分析等专题研究。3.AB测试产品经理经常感到困惑，当某个功能或频道上线时，目标数据发生了变化。然而，变化背后有许多影响因素，如时间因素造成的差异（如工作日转化率高于周末）、竞争对手的动作、季节性因素等。核心数据的波动往往是这些影响因素综合作用的结果，很难准确定义功能本身的直接影响。操作通常也有类似的需求。例如，当主页图标变红或引导文案进行一些调整时，数据波动，但很难确定具体操作的效果。在上述情况下，最好的方法是进行AB测试：取两个数据集，均匀随机分布（如区域和用户群特征），并对其中一个数据集实施特定的产品功能或操作动作；同时观察两个测试集中目标数据的差异，准确确定待观察功能／动作的准确效果。这里要特别注意两点:1。为了保证统计效果的准确性，需要有较大的样本量和统计时间(结果量=用户量*统计时间，或者用户量足够大，统计周期可以略短；如果用户数量小，需要较长的统计周期)。2.如果某个样本中有少数对平均值有很大影响的样本(如大量订单)，则需要排除，以减少意外带来的偏差。4.个性化是一个大数据时代。面对大量的商品和选择，差异巨大的用户群体不再适用于“千人一面”带来的不良体验。每个用户都会在系统中留下自己的线索和脚印，反映自己在商品类别、价格段、品牌偏好等方面的阶段性需求。该系统可以通过数据有效地找到当前用户的当前需求，并进行有效的推荐，用户也会感觉到该系统“理解我”，产生良好的购物体验。亚马逊早年的“亚马逊”EverythingStore在当今时代，这一概念也逐渐转变为“EveryoneStore也就是我们常说的“千人千面”。数据是成千上万人和成千上万张脸的基础。通过机器学习和算法设计，智能推荐系统，自动组装和匹配当前用户的场景，是数据使用最重要的方式之一。在后续文章中，我将重点*这一部分。为了最好地利用BI资源，突出自己的专注点，在定制常规数据报表时，不要大而全。主要有两点需要充分考虑：北极星指标和指标监控频率。1.为了不断优化和改进北极星指标的任何业务，取得更好的效果，需要正确设置核心指标，持续监控，分析实际数据与阶段性预期进展之间的差距，触发相应的调整行动，使业务发展与计划保持一致。在项目管理理论中，这一思路被总结为PDCA，即计划（Plan）、执行（Do）、校验（Check）、响应（Act），戴明循环也被称为项目管理和持续质量改进。该系统是业务目标管理的核心方法，感兴趣的学生可以查阅项目管理理论，本文不重复。从PDCA的概念可以看出，判断目标的制定、执行效果和纠正行动的效果需要良好的数据指标来衡量，并作为判断最终目标是否实现的依据。该指标与目标直接正相关，称为北极星指标。北极星指标系统通常分为多个层次。各级指标的设置和选择是为了更好地支持上一级指标的实现，最终共同实现公司的顶级战略（公司级北极星指标）。这里举个实际例子。电子商务公司的经营规模通常通过公司的年营业额（GMV）GMV是整个公司的北极星指标之一。营业额有多种拆分计算方法，这里列出了一种常见的简化计算方法：GMV=AC*Freq*Conversion*AOSAC：活跃客户数Freq：客户平均访问频率Conversion：AOS的转化率：以上四个平均单价核心指标为二级核心指标，通常由各部门分别负责。例如，市场部负责流量和用户数量及其活动，产品和运营负责转化率指标，类别线负责单均价指标。因此，这些指标成为各部门的北极星指标。若一个指标的核心影响因素分散在多个部门，也由同一部门牵头。为了达到上述二级指标，可以进一步拆分。以活跃客户数为例：AC=RC NC–ECRC：保留客户数NC：新客数EC：因此，这些指标可以进一步分配给负责创新和保留的职能团队，成为由这些团队牵头的北极星指标。负责拉新的团队可以进一步将拉新指标分为支付渠道、免费渠道等渠道，定义下一级核心指标，制定目标。同样，负责支付渠道的下一级职能团队或人员也可以进一步拆分到网络联盟等具体渠道SEM、应用商店等，进一步制定各渠道的具体目标。这样层层往下，直到最下层直接可控。以此类推，负责产品和运营的转化率指标可以沿转化漏斗分为主页到商业、搜索商业、商业加车率、购物车结算率、支付成功率等。，并通过逐层分解分解到每个团队，成为自己的北极星指标。各职能部门／对于团队来说，本级指标和下一级指标应成为常规数据报表的监控内容，从而制定报表格式，并向BI部门提出数据需求。从宏观角度看，三级指标的实现可以保证二级指标的实现，二级指标的实现可以保证顶级指标的实现，从而为业务目标提供保障。因此，合理拆分和严格监控和纠正指标体系对实现公司目标至关重要。常规数据报表的周期通常是日报、周报、月报、季报。实时数据监控通常需要紧急响应（如故障停机、紧急处理），而半年度报告和年度报告大多是业务结果的统计数据。周期太长，发现的问题和响应太慢，通常不在传统数据报告的范围内。每个业务单位都有不同的特点，需要设置有针对性的数据统计频率。以产品和运营转化率监控为例：实时监控观察促销活动效果、流量变化、高峰、爆炸库存，数据观察应准确到最小粒度甚至实时监控数据曲线，数据反映问题（如售罄、停机、技术故障、黄金资源单一产品销售、页面显示错误、价格设置错误等）。快速响应，优化促销产品和资源位置，利用赛马机制调整场地流量分配，将大促销效果推到极致。对于日常促销活动，日报可以观察促销类别和促销模式在整体转型漏斗中的表现，定位问题点，快速有针对性地优化；如更改产品、更改促销规则、更新活动页面／为了达到最佳的活动效果，活动栏目、配置促销标签等。在每周报表操作方面，如主页或频道操作，可以每周或每月作为单位，通过每个板块的CTR、停留时间、详细到达率、加车率、转化率、回访频率等维度观察栏目用户兴趣指数，通过数据深入分析薄弱环节(如用户动线跟踪、区域点击热分析、跳失分析等。)，并结合定性定量深入访问，适当优化渠道入口交互设计、页面信息架构设计、渠道子栏铺设、信息展示、营销文案等，达到最佳效果。月／季度报告移动时代受移动终端承包频率的限制（主要是每两周到一个月一次）。高度依赖技术功能的核心指标通常以月或季度为单位进行统计。例如，对于核心转换漏斗模块的功能迭代和新产品模块的效率效果，可以是每月或每季度（与技术发布周期和新专栏用户教育发展周期有关），结合季节因素，纵向比较相应数据的同比波动，找到可以优化和改进的链接。操作动作一般带来快速的数据响应，重点是日报和周报对操作的指导；产品动作一般受技术发布的影响，数据响应周期适中，更注重月或季度报告，但在发现问题后寻求快速响应。运营行动一般带来快速的数据响应，重点是日报和周报对运营的指导；产品行动一般受技术发布的影响，数据响应周期适中，更注重月或季度报告，但发现问题后寻求快速响应。一般来说，年度报告可能更适合公司战略和业务线的财务考虑。除了结果和损益总结外，产品和运营方的使用相对较少。以上是转化率的例子。如果是用户运营和增长，也可以根据频率对用户的渠道来源和激活、沟通效果(短周期，如天或周)进行沟通、活动、品类渗透、交易情况、人均价值(中周期，如月)、保留率、损失回报率、生命周期(长周期，如季节或半年)／制定和监控相应的数据报表，并触发响应的调整动作。最后，在制定报表时，建议不要在同一报表上放置太多级别的数据，导致数据的海洋，表格过于复杂，会失去注意力。一个报表通常包含两级指标。比如一级指标的报表只包含一、二级指标数据，从二级指标观察一级指标的波动，找出波动的原因。若需继续深入，建议定制二级指标报表，包括二、三级指标数据。以此类推。4、在专题分析工作中，经常会遇到一些意想不到的异常情况，如用户转化率在某一阶段波动较大、交易金额飙升或急剧下降、某一栏目CTR暴跌等，或观察到一些趋势变化（如消费者导购偏好的演变和品牌消费趋势的变化）。为了明确下一步解决问题的思路，通常会进行专题分析。 1.专题分析主要由以下情况触发：a.在数据报告中，我们经常看到一些核心数据指标波动。当波动范围超过预定义的警告阈值时，应触发分析（正负波动），了解波动背后的原因，并采取相应的对策。由于指标本身特征对应的业务敏感性，需要触发分析多少波动值。阈值设定没有固定的规则，每个人都可以根据影响力来设定。有一个常见的错误，

以上就是关于指标向下拆解增长数据分析的八个维度的相关介绍，更多指标向下拆解增长数据分析的八个维度相关内容可以咨询我们或者浏览页面上的推荐内容。我们将让你对指标向下拆解增长数据分析的八个维度有更深的了解和认识。