从0到1，聊聊如何搭建数据指标体系

小提示：您能找到这篇{从0到1，聊聊如何搭建数据指标体系}绝对不是偶然，我们能帮您找到潜在客户，解决您的困扰。如果您对本页介绍的从0到1，聊聊如何搭建数据指标体系内容感兴趣，有相关需求意向欢迎拨打我们的服务热线，或留言咨询，我们将第一时间联系您！

很多人都用数据指标来统计项目效果，但是做出来的数据往往零散，看不出关键信息。那么如何才能将指标体系化，通过单点数据看全局问题呢。让我们来看看笔者是怎么说的？

一、什么是指标体系

在产品和运营的工作中，我们会接触不同的数据、不同的指标。很多时候我们做的数据，都是针对单个点的层面去做，而最终显示出来的数据往往比较零散，无法串联起来，发现全局的问题。

而指标体系化，则是将零散的数据串联起来，让你通过单点看到全局，通过全局解决单点的问题。

用一个词来形容，就是“引一发而动全身”，通过相关的指标变化看到整体业务场景下的变化，从而快速发现问题或者是监控相应运营策略的效果情况。

二、指标体系有什么好处

相信看完前面的解释，你会发现，体系化的指标和零散的指标，最大的区别是——是否能更加快速地发现一些问题。

如果还是有点晕，咱们就以转化率和留存率来看看下面这个案例：

说干就干，可7天后。

在单点数据分析时，我们经常会遇到此类问题——就是出现什么问题，就分析这个问题，没有全局考虑用户的整个场景。

那么我们换个角度，来看看会有什么不同？

从上面两个例子中，我们可以看到：非体系化的指标往往是单点分析，分析不出来之后需要重新分析另外一个点，而无法串联进行全局分析。

而体系化的指标往往是结合用户的场景来进行分析，并且多个不同的指标和维度是可以串联起来进行综合分析。就像排序（如价格）因素里面的某个维度，可以分析页面转化率，也可以分析商品的售出率等。通过相同维度的分析可以更快地找到问题的原因。

说了这么多，如何去搭建指标体系呢？

下面，就是很精华的实操内容啦：

三、如何搭建指标体系

在如何搭建指标体系之前，我们先简单说下，什么是指标？

指标，实际上就是一种度量。大到用于监控和评估商业进程的状态，小到衡量某个功能模块的情况，或者是自己的活动效果。

从运营角度来看，一个好的指标，需要具备四个特点：业务层面是有价值；可衡量业务真实情况；简单可执行；大家都共同认可。

从技术层面来看，一个好的指标，统一具备四个特点：容易收集快速衡量；准确度高；可被多维度分解；单一数据源。就像我们经常使用的衡量APP产品启动人数，使用UUID或者是COOKIE往往比使广告投放主体用IP更加准确。

但很多时候，因为技术或者是业务自身的原因，我们往往很难找到很完美的指标。那么这个时候我们最重要的就是统一口径进行分析，更多地观察数据的波动情况。

1. 选什么样的指标

选指标有两个方法：指标分级，OSM模型。

（1）指标分级：通常是分成三级。

一级指标：公司战略层面指标。

用于衡量公司整体目标达成情况，通常设定在5-8个指标。这类指标是与业务紧密结合，按照行业标准进行制定，有可参考的行业标准指标，且这类指标针对全公司所有员工均具有核心的指导意义。

比如某游戏公司的一级指标：新增账号、留存率、DAU/MAU、付费人数（率）、收入金额等。

二级指标：业务策略层面指标。

为了实现一级指标，企业会做出一些策略，二级指标通常与这些策略有所关联。可以简单理解为一级指标的实现路径，用于更快定位一级指标的问题。

例如：某游戏公司一级指标是游戏收入，那么二级指标可以设定为不同游戏物品的收入。一级指标是DAU，那么二级指标设定为分服务器的DAU等。这样当一级指标出现问题的时候，我们可以快速查询到问题的所在点。

三级指标：业务执行层面指标。

三级指标是对二级指标的路径拆解，用于定位二级指标的问题。三级指标的使用通常是可以指导一线人员开展工作的指标内容。三级指标的要求是：一线人员看到指标后，可以快速做出相应的动作。

如游戏公司的二级指标是XX区服的DAU，那么三级指标则可以设定为游戏时长、游戏频次、游戏等级分布、游戏关卡流失情况等。通过观察这些数据，可以去针对性地做调整，如某个关卡流失的用户特别高，那么尝试降低难度。

当然，如果想要更细致一点，也可以往下继续拆分，这里就不一一赘述了。

这里有一个注意事项，在进行整个指标分级的时候，我们需要先思考：

1. 一级二级指标，能否反应产品当前的运营情况；
2. 三级四级指标能否帮助一线人员定位问题，指导运营工作。

以上是指标分级纵向的内容。横向思考，如何针对不同级别的指标来选取合适的指标？

这就是指标分级的第二个方法：OSM模型。

2. OSM模型

OSM模型微推宝营销软件下载（Obejective，Strategy，Measurement）分别代表业务目标、业务策略、业务度量。

• O：用户使用产品的目标是什么？产品满足了用户的什么需求？
• S：为了达成上述目标我采取的策略是什么？
• M：这些策略随之带来的数据指标变化有哪些？

我们搭建指标体系是为了更好地发现用户的问题，并且去解决。所以我们需要站在用户的场景去考虑整体的内容。

以知乎为例，按照OSM模型，它的指标是什么样的？

O：用户来使用知乎这个产品，目标是什么？

这里涉及两个不同的用户——内容分享者和内容消费者，这里简单介绍内容生产者的分析思路，大家可以自己试着分析下内容消费者。

用户需求：分享知识观点（发布观点），建立行业影响力（内容受到反馈）。

那么，如何让用户感受到自己的需求被满足了呢？

S：知乎做的策略是：内容点赞评论、内容打赏、盐值增加、XX话题优秀回答者。

M：接下来，我们需要针对这些用户动作去做指标，在这里面我们的指标会有两个，分别是结果指标和过程指标。

• 结果指标：用于衡量用户发生某个动作后所产生的结果，通常是延后知道的，很难进行干预。
• 过程指标：用户在做某个动作时候所产生的指标，可以通过某些运营策略来影响这个过程指标，从而影响最终的结果。

还是以内容生产者为例：

• 结果性指标：发布文章数、发布文章的人数、文章点赞/评论数、被打赏人数、被打赏金额、优秀回答者人数、新增优秀回答者人数等。
• 过程性指标：使用内容导入人数、内容发布转化率、文章互动率、评论折叠率等。

通常我们会在指定指标的过程中使用OSM的模型，去针对用户在不同场景下产生的动作，以及这个动作可能带来的结果，用户在这个动作中会出现什么样的数据变化。之后再结合数据，针对性地去调整我们的运营策略或者产品功能。

简单理解：结果性指标更多的是监控数据异常，或者是监控某个场景下用户需求是否被满足。而过程性指标则是更加关注用户的需求为什么被满足（没被满足）。

2. 如何搭建

指标选取之后，就要开始搭建指标体系。前面我们说过，指标体系是通过场景流程来综合进行分析，而这里最重要的就是分析维度的选择。

一个好的指标是可以多维度去拆解划分，当好的指标搭上完整的维度，很多问题就可以迎刃而解。如果没有合适的维度，你建立起来的依然只是多个指标，只是指标合理，做不到前后场景化的分析。简单理解，维度是将点串联成场景的那根线。

我自己通常会采用这样的逻辑来进行体系搭建：选指标-针对每个指标做出可能要的维度-将指标和维度重新组合。

通常我们在选取某个指标的时候，想到的维度都比较简单，如：用户进入商品详情页，我可能只想要知道用户进了哪个类目的商品详情页；商品成交的时候，可能关注的是类目和金额；同样地，在商品列表页的时候，我们监测用户搜索，会关心用户搜索了哪些词，搜索频次等。

那么如果我将用户进入商品详情页内，搜索的关键词和成交的指标组合会天津重型卡车企业策划如何是什么样的场景呢？

用户搜索了哪个关键词，并且进入了商品详情页，之后这个商品被购买了。

这时候我们分析搜索关键词的时候，效率会非常高。如搜索某个关键词的用户转化率非常高，但是搜索的次数比较少，那么我们将这个关键词置为热搜是否可以提升整体的转化率呢？

指标的维度拆解后，重组我们如何做呢？

我的原则是：在同一个流程，用户动作存在关联的，尽可能多地在多个指标覆盖相同可用的维度。以电商为例，用户的动作是：搜索品类-搜索列表页-点击筛选-商品列表页-提交订单-购买。那么在整个流程中最好可以保留搜索品类的关键词、筛选的条件、商品的信息等内容。

最后，当我们指标和维度都确定之后，剩下的就是去做数据埋点了。什么样的埋点数据不会被开发喷呢？开发拿到不用动脑子的那种。

我之前使用的格式是这样的，大家可以参考下：

最后，就剩下数据可视化的内容了。数据可视化通常根据自己的业务场景去结合，使用自己合适的数据，通常会包含用户数据、渠道数据、业务流程数据等。具体的可视化我就不做过多赘述，百度一下，什么样的场景用什么样的图我想都可以看出来。

重要的是这些流程的组合，就是将不同的指标和维度进行组合，关联分析出来的事件才是最核心的，这是完全可以指导你进行工作的三级指标，并且贯穿全流程。

四、总结

数据分析是产品和运营的一项基本功，好的运营和产品总是会通过数据去发现问题，并且解决问题。而完善的数据体系可以让这件事情变得事半功倍，从源头发现问题，借助体系化的工具，工作也可以很轻松。

最后呢，给大家介绍下现有哪些平台可以辅助做这些数据体系：目前国内做数据服务的几个平台：Growing IO、神策数据、诸葛IO等。

如果自身不具备搭建完备的数据组，建议使用第三方会快速一些。那么剩下的就是使用本文的内容，给到需要的数据指标和维度，去找开发进行埋点就好了。

如果自身有比较完善的数据分析组，甚至是数据挖掘组，你就当没看过这篇文章，让他们去卖力给你结论，让他们去卖力做数据埋点吧，我就不献丑了。

作者：树猫 & 孙小晨，微信公众号：树猫说

本文由 @孙小晨 于，，

题图来自 Unsplash，基于CC0协议