前言

在刚迈入数据的大门时，有些伙伴经常对一些数据指标或者数据本身的概念很模糊，尤其是当跟运营、产品、数据分析师了解业务需求的时候，会被这些密密麻麻的指标给弄糊涂。因此，对数据指标的概念进行一次简单的梳理以及思考！希望此模糊的伙伴一次思维的扩展和认知。

数据指标是业务现状的反映，而数据分析也正是基于对业务现状的准确透视才能做出有效决策，可见，数据指标的重要性不言而喻。

为了建立对数据指标的完整认知，我们把数据指标拆成“数据”与“指标”：指标是数据之间的运算，是「衡量」事物发展程度的“模型”。

也就是说“建立指标「评估」业务发展”是一个建模的过程：把业务发展从物理世界映射到数据空间中，只有这样才能使得“万物皆可计算”，这就是数据分析的基础。

1、什么是“数据”？

首先，我们先来了解一下什么是“数据”？

最通用的理解，数据是被存储起来的信息。从应用的角度，数据是把事物做量化处理的工具，万物皆可数据化：数值数字是数据，文本、图像、视频等同样都是数据。

按字段类型划分，可以把数据分为：

文本类：常用于描述性字段，如姓名、地址、备注等

数值类：最为常见，用于描述量化属性，如成交金额、商品数量等

时间类：仅用于描述时间发生的时间，是重要的分析维度（如同比、环比、累计等）

按结构划分，可以把数据分为：

结构化数据：通常指关系数据库方式记录的数据

半结构化数据：如日志、网页数据

非结构化数据：指语音、图片、视频等形式的数据

根据数据连续的属性不同，还可以分为：

连续型数据：在任意区间可以无限取值，比如年龄、身高

离散型数据：常见的分类数据，比如性别、年级

2、如何理解 “指标”

其次，来看看“指标”是什么？

指标的作用是「度量」业务，最终目的是用来衡量业务是否符合预期，并为后续业务优化工作提供思路和方向。从这个角度对它进行拆解：指标 = 维度 + 汇总方式 + 量度

◆ 维度：回答从哪些角度去衡量的问题？

◆ 汇总方式：回答用哪些方法去衡量的问题？

◆ 量度：回答目标是什么的问题？

例如：

①订单数：统计周期内，用户完成支付的订单数量总和；

②复购率：统计周期内，重复消费用户数（消费两次以上的用户）在总消费用户数中的占比；

3、数据指标的分类？

再来梳理一下数据指标有哪些分类呢？如下：

·综合性数据指标

即能体现产品目前综合情况的指标。

比如社交网站，数据指标的用途偏向于了解产品的用户增长或减少等情况。通常有：DAU、留存数、留存率、人均使用时长、PV、UV、GMV、支付UV、人均订单数、人均客单价等。

·流程性数据指标

即指与用户操作行为相关的指标。例如点击率、转换率、流失率、完成率等

·业务性数据指标

即跟产品业务相关的指标。例如视频网站，则可能需要的业务指标有：视频播放数、人均观看时长、人均播放数、播放率等。

4、数据指标如何落地使用？

最后，了解完指标的底层逻辑（理论）后，更重要的是在业务中如何落地？结合数据分析经验，总结了数据指标的落地指引：

1.指标基建——确保数据的完整、准确

为了打下指标模型的稳固基础，需要对数据底层进行检视：

① 检视数据源头——埋点收集的事件数据是否足以支撑所需指标的建模

② 脏数据清洗逻辑，也就是常见的数据仓库中ETL的概念

2.从业务层面理解指标

理解业务是数据分析落地的前提，有效使用指标也同样如此，要求熟悉数据指标背后的业务含义：

如“会员成单数”这个指标本身有很多含义（针对买会员为主的商业模式app）。

◇ 直接含义：整个团队的业务完成能力

◇ 会员成单数+成本：企业的盈利能力

◇ 会员成单数+产品：产品畅销程度

◇ 会员成单数+用户分层：用户的需求

3.从指标的变动中做决策

为了判断业务现状的好坏、趋势，需要建立衡量标准，数据指标的使用同样如此。

通过某个孤立的指标不能反映现实，例如小明165cm的人，我们看不出小明的身高特征，但是当走来另一个身高是180cm的人时，我们就能判断小明相对比较矮，或者当我们拿到全国平均身高水平是167cm时，也能得出同样的结论。这就是利用对比思维建立标准的过程，对比的客体可以是横向与同属性的对象、总体平均，也可以是纵向与历史的自己。

如果是周期性变化，那很有可能是正常波动，我们初步判做“正常”。如果是突发+下跌，那很有可能是异常且坏的波动，我们可以初步判做“问题”。

4.指标的生命周期——不同阶段使用不同指标

既然指标的作用在于反映业务，而业务的发展存在生命周期，那指标的使用也应存在时效性，即指标的生命周期。

沿着产品的生命周期来看不同阶段使用的指标差异：

① 导入期：业务目标在于建立知名度、通过口碑引流，着重关注新注册人数、分享率指标；

② 成长期：业务目标在于通过不同渠道布局推广最大限度占有市场，着重关注新会员来源渠道占比等指标；

③ 成熟期：业务目标在于将前期流量变现，确保盈利规模，着重关注付费率、毛利率等指标；

④ 衰退期：此时，市场增量收缩，要求对存量人群精细化运营，着重关注复购率、重购金额占比等指标；

总结

在一定程度上，“数据指标”能揭示出产品用户的行为和业务水平状况。当然，我们也不能完全迷失在数据中，注意以下几点：

（01）数据不等同与实际场景，实际场景往往比数据更加复杂，分析时需要了解具象化的场景，而不是抽象的数据；

（02）数据本身没有观点，分析时不能预设观点，只倾向于那些能够支持自己的观点的数据；

（03）数据具备一定的时效性，不同情况下的数据，一些曾经的数据可能不再适用，需要找到新的数据指标。

总之，精确的数据无法替代大方向上的判断，不要过分迷恋数据，要做到具体问题具体分析，形成发现问题、分析问题、总结问题、解决问题的思路闭环。

作者：小飞象木木自由

来源：鸟哥笔记

原文地址：https://www.niaogebiji.com/article-473240-1.html

前言

在刚迈入数据的大门时，有些伙伴经常对一些数据指标或者数据本身的概念很模糊，尤其是当跟运营、产品、数据分析师了解业务需求的时候，会被这些密密麻麻的指标给弄糊涂。因此，对数据指标的概念进行一次简单的梳理以及思考！希望此模糊的伙伴一次思维的扩展和认知。

数据指标是业务现状的反映，而数据分析也正是基于对业务现状的准确透视才能做出有效决策，可见，数据指标的重要性不言而喻。

为了建立对数据指标的完整认知，我们把数据指标拆成“数据”与“指标”：指标是数据之间的运算，是「衡量」事物发展程度的“模型”。

也就是说“建立指标「评估」业务发展”是一个建模的过程：把业务发展从物理世界映射到数据空间中，只有这样才能使得“万物皆可计算”，这就是数据分析的基础。

1、什么是“数据”？

首先，我们先来了解一下什么是“数据”？

最通用的理解，数据是被存储起来的信息。从应用的角度，数据是把事物做量化处理的工具，万物皆可数据化：数值数字是数据，文本、图像、视频等同样都是数据。

按字段类型划分，可以把数据分为：

文本类：常用于描述性字段，如姓名、地址、备注等

数值类：最为常见，用于描述量化属性，如成交金额、商品数量等

时间类：仅用于描述时间发生的时间，是重要的分析维度（如同比、环比、累计等）

按结构划分，可以把数据分为：

结构化数据：通常指关系数据库方式记录的数据

半结构化数据：如日志、网页数据

非结构化数据：指语音、图片、视频等形式的数据

根据数据连续的属性不同，还可以分为：

连续型数据：在任意区间可以无限取值，比如年龄、身高

离散型数据：常见的分类数据，比如性别、年级

2、如何理解 “指标”

其次，来看看“指标”是什么？

指标的作用是「度量」业务，最终目的是用来衡量业务是否符合预期，并为后续业务优化工作提供思路和方向。从这个角度对它进行拆解：指标 = 维度 + 汇总方式 + 量度

◆ 维度：回答从哪些角度去衡量的问题？

◆ 汇总方式：回答用哪些方法去衡量的问题？

◆ 量度：回答目标是什么的问题？

例如：

①订单数：统计周期内，用户完成支付的订单数量总和；

②复购率：统计周期内，重复消费用户数（消费两次以上的用户）在总消费用户数中的占比；

3、数据指标的分类？

再来梳理一下数据指标有哪些分类呢？如下：

·综合性数据指标

即能体现产品目前综合情况的指标。

比如社交网站，数据指标的用途偏向于了解产品的用户增长或减少等情况。通常有：DAU、留存数、留存率、人均使用时长、PV、UV、GMV、支付UV、人均订单数、人均客单价等。

·流程性数据指标

即指与用户操作行为相关的指标。例如点击率、转换率、流失率、完成率等

·业务性数据指标

即跟产品业务相关的指标。例如视频网站，则可能需要的业务指标有：视频播放数、人均观看时长、人均播放数、播放率等。

4、数据指标如何落地使用？

最后，了解完指标的底层逻辑（理论）后，更重要的是在业务中如何落地？结合数据分析经验，总结了数据指标的落地指引：

1.指标基建——确保数据的完整、准确

为了打下指标模型的稳固基础，需要对数据底层进行检视：

① 检视数据源头——埋点收集的事件数据是否足以支撑所需指标的建模

② 脏数据清洗逻辑，也就是常见的数据仓库中ETL的概念

2.从业务层面理解指标

理解业务是数据分析落地的前提，有效使用指标也同样如此，要求熟悉数据指标背后的业务含义：

如“会员成单数”这个指标本身有很多含义（针对买会员为主的商业模式app）。

◇ 直接含义：整个团队的业务完成能力

◇ 会员成单数+成本：企业的盈利能力

◇ 会员成单数+产品：产品畅销程度

◇ 会员成单数+用户分层：用户的需求

3.从指标的变动中做决策

为了判断业务现状的好坏、趋势，需要建立衡量标准，数据指标的使用同样如此。

通过某个孤立的指标不能反映现实，例如小明165cm的人，我们看不出小明的身高特征，但是当走来另一个身高是180cm的人时，我们就能判断小明相对比较矮，或者当我们拿到全国平均身高水平是167cm时，也能得出同样的结论。这就是利用对比思维建立标准的过程，对比的客体可以是横向与同属性的对象、总体平均，也可以是纵向与历史的自己。

如果是周期性变化，那很有可能是正常波动，我们初步判做“正常”。如果是突发+下跌，那很有可能是异常且坏的波动，我们可以初步判做“问题”。

4.指标的生命周期——不同阶段使用不同指标

既然指标的作用在于反映业务，而业务的发展存在生命周期，那指标的使用也应存在时效性，即指标的生命周期。

沿着产品的生命周期来看不同阶段使用的指标差异：

① 导入期：业务目标在于建立知名度、通过口碑引流，着重关注新注册人数、分享率指标；

② 成长期：业务目标在于通过不同渠道布局推广最大限度占有市场，着重关注新会员来源渠道占比等指标；

③ 成熟期：业务目标在于将前期流量变现，确保盈利规模，着重关注付费率、毛利率等指标；

④ 衰退期：此时，市场增量收缩，要求对存量人群精细化运营，着重关注复购率、重购金额占比等指标；

总结

在一定程度上，“数据指标”能揭示出产品用户的行为和业务水平状况。当然，我们也不能完全迷失在数据中，注意以下几点：

（01）数据不等同与实际场景，实际场景往往比数据更加复杂，分析时需要了解具象化的场景，而不是抽象的数据；

（02）数据本身没有观点，分析时不能预设观点，只倾向于那些能够支持自己的观点的数据；

（03）数据具备一定的时效性，不同情况下的数据，一些曾经的数据可能不再适用，需要找到新的数据指标。

总之，精确的数据无法替代大方向上的判断，不要过分迷恋数据，要做到具体问题具体分析，形成发现问题、分析问题、总结问题、解决问题的思路闭环。

作者：小飞象木木自由

来源：鸟哥笔记

原文地址：https://www.niaogebiji.com/article-473240-1.html