從0開始建立數據指標體系

3 評論 14218 瀏覽 206 收藏 16 分鐘

互聯網人在工作中和數據打交道的場景非常多,然而普通的數據工作與形成體系的數據工作有什么不同呢?怎樣讓數據分析工作形成體系,大大提高數據分析的效率?一起來看看這篇文章,作者從數據指標體系講起,希望能給你的數據分析工作帶來啟發。

最近求職課的很多同學都找到了滿意的工作,進入大廠。為了提升同學們的職場競爭力,陳老師特別推出一個系列文章。從數據分析的基礎方法到具體問題處理,系統講解一下。第一期,當然得從數據指標體系講起。因為幾乎所有數據分析工作都會提“建立數據指標體系”。

同學們現實的困惑是:你說報表我就見過,我天天都在更新??蛇@玩意怎么就體系了呢?做了體系又怎么樣呢?為啥我不覺得我做的是體系?今天系統解答一下。要講,就從數據指標講起。

一、為啥需要數據指標

以下話是不是經常聽到:

“大概有1萬多人吧”

“有很多顧客都不滿意”

“感覺我們門店都沒人了”

不確定、不具體、不準確。

我們平時過日子都是這么說話的。沒毛病,因為具體的消息是有很大成本的,大部分時候我們就是隨口說說而已。但是企業經營要是都靠這個那就死翹翹了,花多少錢賺多少錢都不清楚,老板非氣得翹辮子。

數據指標就是對抗這種不確定的。

如果我們把上邊的表述改成:

4月1日新注冊用戶9800人,超目標1000人

4月1日當日A產品退貨100件,累計30天退貨率2.5%

4月1日全國到店用戶30萬人,到店率30%,低于32%的期望值

是不是爽快多了。這就是數據指標的直觀用途。

二、為啥需要數據指標體系

實際工作中,想要準確說清楚一件事是挺麻煩的,比如我們想說:“2月份A產品賣得非常棒!”如果對方想較真的話,可以挑一堆刺出來(如下圖)

一個問題,往往有很多方面,只用一個指標不能充分說明問題。這就需要一組有邏輯的數據指標來描述,這就是數據指標體系。

三、數據指標體系五大件

1. 第一要素:主指標(一級指標)

用來評價這個事到底咋樣的最核心的指標。比如說:“產品賣得好”。直觀地想到是“銷售金額”這個指標,因為這是我們賣貨直接收到手里的錢,錢多了當然好。

每個指標得有以下要素:

  • 業務含義:在業務上它的意義是……
  • 數據來源:哪個系統采集原始數據
  • 統計時間:在XX時間內產生的該數據
  • 計算公式:如果有比例、比率,得說清楚誰除誰;如果是匯總,得說清楚誰加誰。

注意:有可能需要多個主指標,來做綜合評價。比如產品賣得好,光看金額還不夠,可能還要關注毛利,這才是真正賺到的錢。可能還得看銷售數量,因為銷售數量和庫存直接掛鉤,得防止積壓太多。這樣就至少有了三個主指標:銷售金額、銷售件數、銷售毛利。

2. 第二要素:子指標(二級/三級指標)

主指標可能由幾個子部分構成。比如:

銷售金額=用戶數 * 付費率* 客單價

如果銷售金額沒達標,我們會很好奇:到底是購買的客戶少了,還是賣的人不夠多,還是賣得太便宜了,了解細節有利于我們找到真正的問題,這時候就得拆解子指標。

從0開始建立數據指標體系

3. 第三要素:過程指標

主指標往往是最終的結果,比如B2B行業的銷售金額,是銷售線索-售前跟進-需求確認-產品體驗-價格談判-競標-簽約這一系列過程最后的一個結果。光看一個最后結果是無法監督、改進過程的。如果想更進一步管理,就得看得更細一些,從而添加子指標(如下圖)

從0開始建立數據指標體系

4. 第四要素:分類維度

有可能一件事是很多人、在很長時間內完成的。想知道總銷售金額是怎么構成的,每個地區、每個團隊分別完成多少,可以增加分類維度。

通過分類維度,把主指標切成若干塊,這樣能避免平均數陷阱,把整體和局部一起看清楚(如下圖)

從0開始建立數據指標體系

5. 第五要素:判斷標準

即使有了以上四個點,我們還是不能說:A產品賣得好。因為好是個形容詞,是和差相對的。因此就需要一個對比的參照物。參照物的選擇,本身是個復雜的分析過程,需要做深入的分析。

在構造指標體系的時候,往往這些判斷標準是和當前數據一起呈現的。這樣在看數據的時候,可以直觀地做出判斷,使用起來就很方便了。

四、數據指標體系如何發揮作用

小結一下,構成指標體系五部分是:

  1. 主指標
  2. 子指標
  3. 過程指標
  4. 分類維度
  5. 判斷標準

有了這五部分,診斷起問題來非常輕松。

先看主指標+判斷標準,比如主指標是:銷售金額,先看本月是否達標了,沒達標差多少達標。再看年累計達標沒有,有多少虧空/盈余。這樣很容易看清楚:問題是什么,有多大。

再看分類維度。哪些區域沒有做好,是不是一貫做不好;哪些區域做得好,是勉強完成還是持續上漲。這樣誰有能力兜底,誰是拖后腿的一目了然。

再看子指標/過程指標。哪個環節沒做好,是線索太少了,得加大推廣力度;還是跟進成功率低,得提升銷售能力;還是報價總miss,得增加一些折扣。怎么處理問題一目了然。

可以說,做好了數據指標體系,基本上能干60%數據分析師的活。好的數據指標體系,就能讓業務人員看一眼就知道該在哪里干,該往什么方向干,非常好用。

注意:基于指標體系的診斷,只解決戰術問題,不解決戰斗層面的細節問題。

比如這些問題:

  • 我沒有思路,該怎么設計方法?
  • 我有三種方法,哪種更適合當前問題?
  • 我想用方法一,成功幾率有多大?

這些用專題分析的方法更容易解決。畢竟報表報表,只是報告狀況的表,至于未來怎么干,得有更針對性的分析才行。

五、如何構造數據指標體系

1. 第一步:明確工作目標,清晰主指標

這是最重要的第一步,先整明白:我做這一堆指標為的是什么。把主指標樹清楚,后邊判斷標準才知道圍繞誰做,子指標才知道對應哪些流程。只要是在企業上班的部門,都有各自KPI,因此主指標是肯定能找到的。

2. 第二步:清晰判斷標準

這一步也非常重要,涉及到這是“一個有用的報表”還是“一堆花花綠綠的數字”。什么算“好”是一個非常關鍵的問題。

既然已經找到了主指標,就得為它建立配套的判斷標準。這樣才能解讀數據含義,才知道怎么看分類維度。常見的有四類標準(如下圖)。

當然,立標準本身是個很復雜的分析,也可以做得很復雜。但最后,哪些算好,哪些算不好,得區分得很清晰。

從0開始建立數據指標體系

3. 第三步:了解業務管理方式,找合適的子指標

有了主指標和主指標的判斷標準以后,可以進一步梳理子指標。子指標和業務管理方式有直接關系。

比如銷售金額,既能以分公司為單位進行指標拆解,也能以用戶為單位進行。具體怎么看,要看業務能怎么管這件事。比如銷售一般按區域管理,那就按分公司拆。市場一般按用戶管,就按用戶拆??傊瑯I務方便最重要。

4. 第四步:梳理業務流程,設定過程指標

過程指標理論上越多越好,越多過程指標,可以越細地追蹤流程,發現問題。但在業務上,不見得每個動作都做了數據采集,因此要結合具體業務流程來,在關鍵節點加以控制。

從0開始建立數據指標體系

5. 第五步:添加分類維度

有很多維度都能當分類維度,選用哪些,完全看業務上能從什么角度管理問題。把對管理有意義的維度加進來。(如下圖)

從0開始建立數據指標體系

這樣就搞掂了一個數據指標體系,過程一點不復雜。大部分時候,實際問題是:沒做過數據采集,沒有數據記錄可以做指標。這才是最頭疼的。然而問題是:為啥看起來簡單的過程,做出來卻沒那個體系化的感覺呢?

六、為什么我做的不是指標體系

常見問題一:沒有主指標,不知道在干啥。

這是最常見的問題。很多同學的報表是從離職同事那里交接來的。為什么做?做了給誰看?看了又怎樣?一問三不知。反正每天照貓花虎,定時更新就好了。

有些同學試圖搞清楚,但是業務方自己是糊涂蛋。你問他:你們目標是什么?。克穑禾嵘鼼MV啊~~親,GMV這么宏觀的東西,他到底管哪一塊?提升的話從多少提升到多少?提升到多少算滿意?丫自己做方案也是照貓畫虎,稀里糊涂,更不要說和數據分析師講清楚了。

常見問題二:沒有判斷標準,不知道說了啥。

這個是另一個常見,且致命的問題。很多同學都是盲目更新報表,數據列了一大堆,到底什么算“好”什么算“不好”,不知道?;蛘咧皇翘煺娴卣J為:漲就是好,跌就是不好。結果引出特別多笑話(如下圖)

常見問題三:沒有拆解子指標,對著主指標發呆。

這個問題往往是部門分工問題的后遺癥。

常見問題四:沒有按業務流程構造子指標,單純堆砌數據。

很多同學構建數據指標體系,喜歡堆砌數據。放一堆指標以顯得豐富??蓪嶋H上如果不按業務流程找子指標,指標之間邏輯性就很差,看起來經常莫名其妙。更不要說,很容易弄出來類似“你幸福嗎”這種稀奇古怪的玩意。

常見問題五:沒有根據業務選分類維度,胡亂拆解。

把用戶性別、年齡、地域、VIP等級、來源渠道、終端型號等等維度一通丟,顯得報表很豐富,實際上業務意義不清楚。

你問他為什么拿男女分類,他答:分出來差異大……至于差異大了還能咋樣,業務上有沒有能力針對性別做事情,又不知道了。

以上種種問題,本質上都是沒有站在對業務有用的角度進行思考。單純地為了搞指標而搞指標。

這和工作習慣有直接關系。很多同學不是試圖自己去理解業務流程,了解業務目標,而是去找一個“權威”“正式”“完美”“通用”版的指標體系。結果就是只會到處抄抄抄,看似做了很多,結果連看數據的人都沒幾個。

想改變,當然得從基礎抓起,不要覺得我有個“數據XX的頭銜”,就得看各種高深的算法理論才算有用。搞理論是科學家的事,在企業上班就得干點實際有用的東西。想助力業務,當然得從一線業務認真研究起。

專欄作家

接地氣的陳老師,微信公眾號:接地氣的陳老師,人人都是產品經理專欄作家。資深咨詢顧問,在互聯網,金融,快消,零售,耐用,美容等15個行業有豐富數據相關經驗。

本文原創發布于人人都是產品經理。未經許可,禁止轉載。

題圖來自Unsplash,基于CC0協議。

該文觀點僅代表作者本人,人人都是產品經理平臺僅提供信息存儲空間服務。

更多精彩內容,請關注人人都是產品經理微信公眾號或下載App
評論
評論請登錄
  1. 陳老師真的很棒,看了您很多篇文章,對我的分析方法論總結起到了很大的幫助,灰常感謝!

    來自上海 回復
  2. 常見問題提煉的到位,非常有切身感受

    來自江蘇 回復
  3. 感謝提供思路

    來自陜西 回復