01 数据指标认知
在日常工作中很多时候我们会遇到业务方什么数据都要看，即使看了这些指标之后没有做出任何运营决策，但业务方心里可能在想：看的指标越多，越重视数据，越是在做数据驱动增长的事情，没有功劳也有苦劳。
造成这一现象的主要原因就是业务方没有形成正确的数据指标认知，下面介绍什么是好的数据指标以及如何寻找正确的指标，帮助大家对电商数据指标有初步的认知。
1. 什么是好的数据指标
什么是好的指标？好的指标能带来你所期望的变化，指引大家朝着正确的方向去迭代：每个部门都朝着一个共同的目标协作前进，经过不断迭代优化后，最终实现业务目标。
好的数据指标具有以下四个特点：
（1）具有比较性
好的数据指标具有比较性，可以在指标的不同阶段进行不同用户群体、竞品、不同时间段之间进行对比，以更好的洞察产品的实际走向。例如本周的用户转化率比上周高，就比转化率为 2% 更加有意义。
这意味着数据指标需要有一个基准值用来做对比，单纯的日销售额是没有意义的。比如告诉一个刚入职的运营“公司今天的销售额是 1000 万”，他看到这个数字是没有什么概念的。但如果再告诉他“过去 30 天的日均销售额是 800 万”，这个时候就会觉得今天的销售额还不错，较过去有一个较大的提升。
这就告诉我们，不能只看一个数据指标的具体数值，它只能说明当下的状态。如果没有一个与之对比的基准值，指标就很难成为判断的依据。因此好的数据指标是具有比较性的，设置一个基准值进行比较，才能帮助你更好的做出决策。
（2）简单易懂
一个指标首先需要被人用起来，才能发挥它的价值，否则它就是待下线的数据。如果人们不能很容易地讨论或者记住某个指标，那么想要通过它来改变公司的业务动作就会十分困难。
例如你设计了一个能反映业务本质但定义很复杂的数据指标，即使在指标发布初期你已经确保业务理解它了，但是过一个星期或是一个月，对方很容易就忘记了不愿再回忆，更别提去使用它了。
因此我们需要选择简单易懂的指标作为我们的核心指标。
（3）是一个比率
比率之所以成为一个好的数据指标，原因有以下几点：
① 比率的操作性强，它是行动的向导。比如电商业务的销售额指标，只能透露当下的收入是多少，并不知道这些收入背后是多少成本。但毛利率这种比率指标，则很好的反映公司创造价值的能力，可以依据毛利率调整公司运营策略。
② 比率是天生的比较性指标。比如将日数据与月数据进行比较，你就会知道业务目前到底是一个短期的增长，还是一个长期在慢慢增长的过程。如果把过去 30 天的毛平均毛利率跟当前的毛利率进行比较，就能知道当下公司创造价值的能力是在增长还是在下降的。
（4）能够指引业务做决策
好的数据指标能够指引业务做决策。数据指标在被人记住并使用后，其指标的变化还需要能够指引业务采取对应的措施，才能说这是一个好的数据指标。如果一个指标一段时间内不去看它，业务也没有丝毫的变化。这意味着这个指标对当下的业务并不是关键的，真正关键的指标是它有任何的风吹草动，就会做出与之对应的决策。
2. 如何寻找正确的指标
下面介绍一下如何寻找正确的指标，主要从以下五大类特点进行介绍。
（1）定性指标与量化指标
① 定性指标是非结构化的、经验性的、揭示性的、难以归类的。
业务在上线初期其数据是匮乏的，无法进行量化。此时可以多做一些定性指标，通过问卷调查、圆桌会议等形式收集数据。
② 量化指标涉及很多数值和统计数据，易于操作，提供可靠的量化结果，但缺乏直观的洞察。
（2）虚荣指标与可付诸行动指标
① 虚荣指标看上去很美，却不能为公司带来丝毫改变。
如果你有一个数据，却不知如何根据它进行决策，该数据就是一个虚荣的指标，存在的唯一作用就是让你产生膨胀。比如总活跃数，下载量，粉丝数等，这些指标随着时间的增长是单调递增的，不能传达出用户的任何信息，是没有指导意义的。
② 可付诸行动的指标可以帮你遴选出一个行动方案，从而指导你的商业行为，这也就是前面所说的好的指标应该具有的特点。
比如每日新用户下载量，能够衡量广告拉新效果：第一周投放市场在抖音，第二周在朋友圈，第三周在百度信息流，第四周在华为应用市场。最后可以比较不同周的每日新用户下载量，据此选择后续的投放方案。
（3）探索性指标与报告性指标
① 探索性指标是推测性的，提供原本不为所知的洞见，帮助你在商业竞争中取得先手优势。
即通过分析历史的用户数据，挖掘用户的行为特征，并产出数据分析报告，告诉运营或产品他们当下不知道的一些结论，根据结论去做决策。
例如一款奶粉在上线初期转化率很差，通过分析目前的忠实用户挖掘他们的特征，发现买过奶粉的人很多在买奶粉之前买过公司的辅食或其他产品。这也就是说购买过公司其他产品的用户对公司的奶粉信任度更高。根据这一特征后续进行了奶粉的精准营销，最终奶粉的销售量就上来了。
② 报告性指标让你时刻对公司的日常运营、管理性活动保持信息通畅、步调一致。
报告性指标其实大部分就是指周报、日报。这种数据看完之后一般不会直接干什么事情，真正的问题会比较滞后地反映在这些数据上。但一旦有发生重大的问题的时候，日报周报的数据会发生一个剧烈的变动。这种指标如果能保持稳中有进，代表着公司是在正常运转。
（4）先见性指标与后见性指标
① 先见性指标预测未来。通过销售漏斗查看有多少潜在的用户，就大致能够了解到未来所获得的新客数有多少。
如果你目前的潜在客户很少，将来也不会增加太多的用户，这个时候你需要努力地去提高潜在用户数量。
② 后见性指标解释过去。
例如用户流失是指一段时间内离开我们的产品或者是功能的用户了，当你意识到用户流失时通常很难挽回这些用户。也就是说后见性指标通常是对已发生现在的解释，能够提示问题的存在，但普遍具有后置性。因此设置后见性指标时可以设置一些相对先见性指标来预见后见性指标的变化趋势。用户投诉数指标在一定程度上能预见用户流失情况。
（5）相关性指标与因果性指标
① 如果两个指标总是一同变化，则说明它们是相关的。
多数探索性指标同时也是相关性指标，在数据分析报告中通常会给出用户的哪些行为之间具有相关性。
② 如果一个指标会导致另一个指标的变化，则它们之间具有因果关系。
通常我们会采用 AB test 去验证指标间的因果关系。
02
如何搭建数据指标体系
1. 为什么要搭建数据指标体系
在讲如何搭建好的数据指标体系之前，我们先讲一下为什么要搭建数据指标体系。
首先指标体系能够衡量业务发展情况，针对发现的问题聚焦解决，促进业务的有效增长。其次它可以起到监控业务迭代过程的作用，监督业务发展情况。同时它可以指引业务优化方向，提升营销效果。通过建立指标因果关系，能够帮助我们采取有针对性的营销策略，实现降本增效。最后它可以明确数据建设中心，帮助我们将杂乱无序的数据建设成可发挥价值的数据资产。
2. OSM 模型
下面介绍一下 OSM 模型，帮助大家理解建设数据指标体系的方法论。
OSM 模型分成三个模块，分别是 O 目标、S 策略、M 度量，下面就从这三个模块展开介绍。
（1）确定核心指标（Object）
核心指标我们又叫做北极星指标，这个指标在当前阶段高于其他一切指标，是需要我们集中全部注意力的一个数字，所有人一起朝着这个指标前进。
寻找北极星指标其实非常困难，它需要数据分析师和业务的负责人共同决定，需要讨论在当前阶段到底什么东西最重要，什么指标可以反映它的本质、帮助业务实现良性发展。
这个看起来其实比较简单，实际操作起来会比较复杂，有时可能未考虑到长远的价值，而被一个类似于虚荣指标的指标所迷惑，走了弯路。
（2）制定策略（Strategy）
策略的制定需要我们拆解目标，看看目标（也就是北极星指标）是由哪些方面构成。
比如销售额可以拆分成曝光人数 * 点击率 * 转化率 * 客单价，为了提高销售额可以去提升每个指标：提高曝光人数，增加点击率，增加转化率，提高客单价。这 4 个目标可以由哪些策略来实现？可以继续再拆解，拆解完成后就形成了整个策略方案。
（3）选择度量（Measure）
基于准备执行的策略，定义用于衡量策略效果、策略对目标达成情况的度量指标。
比如目标是销售额，策略是优化详情页内容。可以将用户停留时长、跳出率、等作为直接衡量策略的效果指标，转化率的提升、销售额的提升等可以作为策略对目标达成情况的度量指标。
03
电商数据指标体系搭建实战
电商行业的数据指标体系可以分成运营、用户、商品、流量、供应链五大类，其中运营相关指标体系又由拉新、复购、活动、召回四大块组成。下面我们以纸尿裤产品为例介绍如何建立拉新指标体系。
（1）选择北极星指标
在纸尿裤拉新场景中，首先确定我们的北极星目标。一开始可能会把拉新人数作为北极星目标，但拉新的长远目标是让拉新来的用户留下来，能够持续复购，从而实现公司销售额的较大增长。
如果选择拉新人数作为北极星目标，就不会考虑用户留存，运营可能会进行很多如 0 元送等这种负毛利的活动进行拉新，导致很多用户来薅羊毛，或拉很多质量差的用户进来。最终拉新人数指标确实很好看，但公司的销售额是不会有提升的。即拉新人数并不能真正体现拉新的本质、帮助业务实现良性发展。
为什么选择第三次购买人数作为北极星指标？在经过深入分析后，我们发现不管通过什么渠道、手段或促销力度拉来的用户，一旦他有三次购买行为，基本上就成为公司的忠实用户了，不受渠道的影响。因此第三次购买人数才是我们真正希望去提升的一个指标。
（2）拆解目标
直接提升第三次购买人数是无法做到的，需要进行对其进行拆解。我们可以将第三次购买人数拆解成首次购买人数 ✖️ 第二次购买留存率 ✖️ 第三次购买留存率。
（3）策略方向
对上述给出的三个策略方向进一步拆解。提高首次购买人数的策略有哪些？我们可以进行试用装拉新，新人优惠券拉新，新人红包拉新，或者是 Mini 半价拉新，首单全额返，或者是新人加价等等。
在对第一个子目标首次购买人数进行拆解后，我们再以试用装拉新为例。试用装拉新也可以进行再拆解：0 元试用装，2.99 元试用装，5.99 元试用装。不同的试用装有不同的特点，针对的是不同的人群，拉进来的用户质量也不一样。
（4）衡量指标
以 0 元试用装为例，我们来找其衡量指标。
首先我们需要衡量 0 元试用装对整个拉新活动有多少贡献，那么我们需要知道 0 元试用装拉新的人数占我们整体拉新的占比是多少的，也要知道 0 元试用装占试用装拉新的整体的占比是多少的。
其次我们需要知道 0 元试用装拉进来的用户质量，因此还要看 0 元试用装的第二次和第三次购买留存率。
衡量活动效果之后，还需要知道如何指导运营在活动过程当中如何干活，是否需要做出改变、应该做什么改变能够提升北极星指标。
这里对 0 元试用端的拉新人数进行横向拆解：拉新人数等于曝光人数 ✖️1 个点击率 ✖️1 个转化率。这些是真正能指导运营干活的一个指标。比如曝光人数少了，就要去申请资源进行渠道投放或扩大投放。如果点击率不行了，就需要优化投放的一个图片的 UI、标题、利益点等等。如果是转化率低，我就要去优化一个详情页的 UI，促销方式、卖点、评价等等。
我们还可以进一步对拉新人数进行纵向拆解。因为拉新人数等于曝光人数 ✖️1 个点击率 ✖️1 个转化率，那么曝光人数的来源是哪里？每个渠道到底贡献了多少曝光和贡献，每个渠道的点击率跟转化率怎么样，它贡献了多少拉新人数，用户的留存率是怎么样的。通过对各个渠道的质量评判，帮助我们去找到好的渠道扩大投放，找到一些不好的渠道减少投放。这个就是我们的运营过程。
上述只是拆解目标策略中一小环的说明，整个纸尿裤拉新体系都是一样的方法论：拆解目标，找到衡量目标的评价指标体系。一套流程走下来，就构成了我们母婴电商纸尿裤拉新数据指标体系，它既能衡量业务的发展，又能及时发现问题，帮助我们去迭代优化。
04问答环节
Q1：一般流失用户的定义，有没有行业的标准？
A1：是有相关方法论的。以电商为例，可以看多少天没有来买的人，下一次再来买的概率是多少。画出这条曲线之后，就能快速地找到曲线拐点在哪里。比如 90 天没买过的人，后面只有 5% 的人再来买了，说明基本上是可以流失了。每个公司的情况不太一样，把曲线画出来，找到它的拐点，基本上就能确定多少天没来购买的用户算是流失用户了。
Q2：指标体系怎么保证完整性？
A2：完整性就是我们刚才的拆解，拆解可穷尽就可以了，你只要去穷尽，它就不会有漏。如果有哪一小步有遗漏，没有关系，可以去增加数据。指标体系永远无法一次就做到完整，它一定是随着业务的发展也进行迭代的。
Q3：新老用户如何划分？
A3：看公司。一般是买过和没买过，这是比较粗的划分。或者像我刚才前面讲到的，买过 3 次的人，他后面的复购留存基本一致，这些用户是真正留下来的人。也可以把这个定义作为一个新老用户的划分。具体要看业务的情况，没有固定的标准，看怎么样能帮助业务更好地运营就可以了。Q4：为什么是第三次购买人数而不是第三次购买的 GMV？
A4：纸尿裤是一个复购型的产品，一单买得多，不代表着是一个好事。我们希望用户持续地复购。一次买 4 包，还是一次买 2 包，还是一次买 8 包，其实问题都不大，因为你买 4 包之后，下一次还是要买的。一次买 8 包，只是你下一次购买的时间间隔更长了一点。因此，对于纸尿裤来说，如果第三次购买的 GMV 高，并不意味着第三次购买人数高。但第三次购买的人数多，则未来持续复购所贡献的 GMV 是一定更高的。
今天的分享就到这里，谢谢大家。
分享嘉宾
王向君：数据分析师&数据产品经理，母婴独角兽公司数据分析师兼数据产品经理；负责公司电商业务的数据驱动增长，以及公司的数据产品从0到1的搭建；数据人创作者联盟成员，年度最佳创作者；神策数据驱动先锋人物。
编辑整理｜邓君 赛默飞世尔
出品社区｜DataFun