从0到1建立数据分析指标体系底层逻辑
—▼—
导读：随着公司业务规模扩大，各类相关的数据量增加，数据指标也越来越多。如果缺乏数据指标体系和分析方案，就会难以判断整体业务发展状况、难以衡量产品/活动效果、等等。
如今，各行各业都在说，“我们要数字化管理”，脱离“拍脑袋”时代。但是，到底怎么落地？数据指标怎么建立合理？不同的公司业务大相径庭，就算是同一个行业，也有不同规模，不同细分客户群，很难一概而论。有时候，看到竞品公司有哪些指标，虽然不知道有没有用，我们也急着“跟风”。
什么才是适合自己公司或部门的数据体系？“人、货、场” 理论似乎很有用，但不是每个公司都有实体店，5W2H好像也很有道理，每个步骤都要套用这个理论么？SWOT好像也很有道理……
今天，我们就来抛开所有这些看起来高大上的理论，从底层逻辑出发，梳理建立数据指标体系和分析方案的底层逻辑。
首先，我们来了解一下指标是什么？
百度百科解释指标为：预期中打算达到的指数、规格、标准，一般用数据表示。
比如，Boss开年会时说：“我们今年新增的几个指标：员工流失率、门店客流量、客单价……（balabala）成果丰硕，收益明显！”。发言中所提到的“员工流失率”、“门店客流量”、“客单价”，就是指标，是对结果的数据化描述。
即将零散的数据指标串联起来，成为一整套体系使其具备业务参考价值。
在商业中，数据只有一个目的“解决问题，创造价值”。
但是“解决问题，创造价值”，对不同立场的人来说不一样。对研发部，出多少bug和做多少功能的比例很重要；对于销售，多少订单很重要。要是订单销售数据给研发部，对日常工作并没有参考作用，bug的比例给销售也没用。但是这些数据对总裁部都很有用，可以综合得知成本和利润比例。
为了解决这个问题，引出第一条底层逻辑：
逻辑一：多维度视角
先要确定数据指标体系的目标受众，“他”看数据的视角和维度：职位侧重点在哪里，业务阶段是初期还是成熟期？越是初期数据越少，越是成熟期数据积累越多，要考虑的点也越多。
知道“他”的视角之后，去看“他”的业务是什么？对于门店经常提到“人、货、场”：分析哪些人，场地面积，货物种类。对于网页商城经常提到“转化漏斗“：多少个商品点击量，多少个加入购物车，多少个订单，转化率多少。似乎，不同业务要分析的”东西“完全不一样，到底一致性在哪里？
引出第二条底层逻辑：
逻辑二：业务场景关键元素分类
门店经营成交的场景 “ 我在门店付钱给售货员，他收钱给我商品 ”。
网页商城成交场景 “我点击商品，访问页面，（也许会咨询），点击提交订单”
虽然各个行业，分析的具体事项不一样，但都是围绕，业务场景关键元素分类，进行的。
那么问题又来了，这些“元素”怎样更好？例如，我想在门店挣多点钱，我的货怎么分配？客户怎样更多？店员怎样卖得更好？搞个网站，我也知道点击，访问，订单，那怎样更多点击？为什么点击A不点击B? 怎样多点订单？围绕着刚刚的元素问下去，似乎有“十万个为什么”，我们怎么知道这些元素”从哪里来“ ？
引出第三条底层逻辑：
逻辑三：追踪业务过程
门店零售业，客户从哪里出发，什么时段来到商城，进入门店的概率多大……
网页商城，从哪里点击进来，进来之后浏览过多少页面，有多少链接引导他点击下一个链接……
但是，这样梳理完成后，围绕关键元素追踪出来的业务过程，似乎不是相互独立的。零售业的逻辑 “人，货，场”，但是“我”这个人，经过门店，会不会进去，和这个门店摆放的“货”关联性很大。网页商城，我访问产品页，遇到问题能找到咨询页会很开心，但是我没想提问咨询的时候咨询按钮主动跳出来挡住视线，我可能会出于厌烦直接离开。
思考到这里，引申出第四条底层逻辑：
逻辑四：梳理业务逻辑关系（强关联，弱关联，互斥关系）
先有访问才会下订单，访问和订单是强关联。网页不需登录可以浏览商品，登录和浏览是弱关联。投诉的次数越多，复购的概率越低，复购量和投诉量是互斥关系。
这样，我们已经通过梳理业务考虑到很多节点的数据。说到用处，这些数据都有用，但是，全部都关注，看完一遍，都要花很多时间。尤其是忙起来，就只想知道 “一个” 数据结果。
为了解决这个问题，引出下一条底层逻辑：
逻辑五：重要性过滤
我们未必能马上说出a，b，c，d……里面哪个重要，哪个次等重要，梳理思路的时候，可以用一个小工具，对比记分卡。
用每一行和列的项目对比，例如第一个格子，订单数和订单数，自己对比自己，没有可比性，格子放黑色；第二个格子，订单数和线索数，订单数更重要，写1；第三个格子，订单数和客户数，客户数更重要，那么订单数不得分，写0；以此类推，最后得出每一行的总分数。在这个记分卡里，重要指标是订单数和客户数，次要指标是线索数和套餐数。
那么问题又来了，要是“我”也是刚进入这个领域，并不确定，哪些重要哪些不重要，该怎么办？标准是什么？
那我们引出第六条逻辑：
逻辑六：对比出标准（时间，指标，比率）
重要不重要，参照物，标准，这些都不是“拍脑袋”出来的，都是靠“对比”出来的。怎么对比？这里有三个原则，从时间上对比，从指标上对比，从比率上对比。
从时间上，这个月完成得好不好，要和上个月对比，和去年对比。具体对比什么，要比较同一个指标。但有时候，同一个指标直接对比并不能说明问题，
例如，今年付费用户90个，去年付费用户80个，今年一看上去就是更好。
但是去年没有做推广，总用户只有100个，其中付费就有80个。今年花大钱推广，总用户有300个，其中付费只有90个。这样看，推广费都赔进去了！这里应该用 “付费率” 做对比，去年付费率80/100= 80% ， 今年付费率90/300= 30% ，明显去年比今年好很多。
不比不知道，一比吓一跳，通过对比，真相大白。
运用以上六条底层逻辑，完成了从0到1梳理和建立数据指标体系。
但是，后续的实际工作中，建立数据指标体系需要各部门紧密沟通，还需要对公司业务和各部门职能的深刻理解，更要针对业务痛点，做细分板块的深入数据分析等等。
数据说·实操季
励志笃行
工欲善其事，必先利其器！数据分析也好，数据挖掘也好、商业智能也好都需要在学习的时候掌握各种分析手段、技能、底层逻辑，特别是要掌握分析的底层逻辑！
进群方式：请加微信（微信号：dataclub_bigdata），回复：数据，通过审核会拉你进群。
(备注：行业-职位-城市)
01. 后台回复「数据」,即可领取大数据经典资料。
02. 后台回复「转型」,即可传统数据仓库转型大数据必学资料。
03. 后台回复「加群」,或添加一哥微信ID：dataclub_bigdata 拉您入群（大数据|数仓|分析）或领取资料。
Q: 关于大数据，你还想了解什么？
欢迎大家扫描下方二维码订阅「数据社」内容并推荐给更多数据方向的朋友，希望有更多机会和大家交流。
！关注不迷路~ 各种福利、资源定期分享！
本文分享自微信公众号 - 数据社（DataClub）。
如有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一起分享。
