. 为什么要规划指标体系?
相信每个公司都希望能够建立“数据驱动增长”的企业文化,但是千里之行始于足下,“数据驱动的业务增长”的企业文化应该是从建立一套指标体系开始的。
我们 GrowingIO 将数据驱动分为一个金字塔的四个阶段,分别是“采、看、想、做”。
“采”和“看”两个阶段即数据规划和数据监控,而只有正确地规划数据、监控数据、理解数据背后对应的业务进程,我们才能够从数据中实现正确洞察,从而实现数据驱动业务增长。
GrowingIO 的分析师团队在跟我们的上千家客户一起构建指标体系的过程中,发现了这一过程存在着常见的两大痛点,或者说两大阻碍:
- 采:采集数据阶段没有体系
这一问题会有哪些体现呢?首先是目标没有对齐,即公司的战略目标与业务部门的目标以及各个业务线之间的目标没有对齐。
其次是数据没有采全,之后就会经历一个“数到用时方恨少”的非常痛苦的过程,久而久之,进行数据采集工作的同事就会觉得这项工作毫无价值,致使数据驱动处于停滞状态。
- 看:监控、分析数据阶段没有治理
没有治理的表现就是表多、数多、数据乱、报表看不懂,造成整个业务团队效率非常低下。
我们发现,这两个问题 80% 的企业在指标体系搭建过程中都会遇到,可以说是指标体系搭建过程中的两道门槛,但是如果能够跨过这两道门槛,我们就会进入到“想”和“做”这两个能够产生 80% 商业价值的阶段。
但是“采”和“看”两个阶段是整个指标体系搭建过程中的一个基石,如果没有这块基石,我们空谈策略也只能是纸上谈兵,所以接下来会着重跟大家介绍如何做好“采”和“看”这两个阶段,进而实现指标体系的科学搭建。
完成这样一套科学的指标体系搭建之后,我们就能得到以下:
▪ 1 套指标体系:一套层级分明的、能够回答业务问题的指标体系;
▪ 1 套业务看板:通过 GrowingIO 的指标体系的数据可视化看板,能够帮助我们进行日常的监控和分析;
▪ 1 套数据字典:数据字典能够帮助我们实现企业内部的高效协作,使全公司能够统一数据口径,回答数据问题。
- 如何搭建业务、数据一体化的指标体系?
首先通过 OSM(Objective-Strategy-Measurement)使业务目标结构化,然后融合 UJM(User-Journey-Map)使用户体验流程化,并用之反哺、校准业务目标,最后通过将业务场景模块化,使整个指标体系快速落地。
下面我就来给大家介绍一下这三个框架的定义、如何产生以及三个框架之间的关联。
2.1 OSM 模型:
业务目标下沉式实现数据驱动的最核心逻辑
▪ O(Objective):是指我们的业务目标。在这个环节我们需要思考或者回答的问题是,我们的业务、产品,甚至是其中的一个小的功能,它存在的目的是什么、能够解决用户什么问题、满足用户的什么需求?
▪ S(Strategy):是指清楚业务目标之后,为了达成上述目标,我们应当采取的业务策略。
▪ M(Measurement):是用来反映业务策略有效性、反映策略执行是否能达成业务目标的度量指标。
以上就是 OSM 的基本的框架。之后我会给分享一个电商经典的 OSM 模型,来帮助大家更好的理解它。
2.2 UJM 作用:
梳理用户生命旅程,与业务目标耦合
UJM 就是我们在设计一款产品的过程中,必须要去梳理的用户生命旅程。
为什么我们会在搭建指标体系这个过程中引入用户生命旅程的思路呢?
前面我们通过 OSM 的框架设计好了业务目标、策略和度量指标之后,需要回过头来梳理整个产品的用户生命旅程,以校准我们的业务目标,判断它能否与用户每个阶段的旅程进行吻合。
也就是说,UJM 是用来与我们的业务目标不断进行耦合的,两者相互影响、相互作用,促使业务目标能够更好地贴合用户需求,业务策略能够更好地回答业务问题。
为了方便大家更好的理解,这里简单介绍一下 UJM 的思路。
如上图,一个简化版的电商产品 UJM,它包括:拆解用户所处的每一个旅程阶段,了解每个阶段中用户的行为,明确每个阶段中产品的目标,发现各阶段中产品与用户的接触点,最终从接触点里找到产品的痛点和机会点。
也就是说,用户使用一款电商产品,会经历这六个阶段:
从各个途径了解该电商平台,并进入该产品 → 通过首页、搜索功能乃至商品类目页等其他各个入口“逛”平台 → 对商品产生兴趣,进入到商品详情页 → 进入付费流程,完成一次重要的转化 → 分享、复购阶段。
在整个用户旅程中,用户会反复发生各环节间互相的跳转。
我们需要为每一个阶段都设置对应的一个目标。在这一思路中设置出的目标就可以去反哺我们之前制定出来的 OSM 框架,判断其是否有遗漏。
各阶段目标确定后,我们需要寻找到产品中为了达到这一目标,与用户产生的接触点,例如首页、搜索页面、商品类目页等就是用户逛产品时的接触点。
了解接触点之后,我们紧接着就能够找到每个环节的痛点,而痛点的反面就是我们的机会点。同时,这里每一个机会点都可以反哺前面 OSM 框架中的 S,就是我们的策略,机会点是否与策略相互吻合。
所以 UJM 的价值就在于,这样梳理了用户旅程之后,将 UJM 和 OSM 进行关联,就可以起到用户旅程与业务目标相互耦合、相互影响的作用,使得我们的业务目标能够满足用户需求,我们策略能够回答业务问题。
2.3 OSM × UJM:
关联业务目标与用户旅程
这里仍然举一个电商经典的案例。
首先 GrowingIO 将电商的一个战略目标(O)——“提升 GMV”根据电商的经典公式进行了拆解,拆解成为三大目标,分别是提升用户基数、提高转化率以及提升客单价。
每个目标下面都会有对应的一个策略(S),而这里的策略其实都来自于刚刚的 UJM 框架梳理出的用户每一阶段的机会点,每个策略也都会有对应的一个度量指标(M)。
也就是说,这里的每一个目标对应的策略、度量指标都是与用户旅程的每一环节对应。这样就有了一个指标体系的大框架。
2.4. 围绕业务场景推动指标体系落地
但是有了大框架之后,就能直接开始去落地采集数据、看数据了吗?
我们在与很多客户一起实践探索的过程中发现,光有 OSM 和 UJM 两个大框架,在实际落地过程中还是有一些掣肘,这个框架还是过于庞大,当我们想要快速切入、快速落地的时候,往往可能会找不到明确的切入点。
如何将这些高高在上的战略目标下沉到一线执行人员的具体工作当中?紧接着我们引进了“场景化”这个概念。
场景化其实就是为了帮助我们在庞大的 OSM×UJM 指标体系框架之下,能够模块化、结构化地快速切入落地指标体系。 也就是说,场景化在这里作用是推动指标体系的落地。
以上是 GrowingIO 的分析师团队在与我们的上千家客户一起落地指标实践过程中梳理出来的、能够满足指标体系落地的 20 个通用型场景。
有了一个整体的 OSM×UJM 架构之后,我们就会根据用户的路径,在这 20 个场景中进行对号入座,来满足不同部门从拉新到转化最终到提升管理效率等环节、不同层级的需求。
同样把这 20 个场景带入到我们的电商指标体系中。
在前面 OSM 与 UJM 关联的基础上,我们在每一个环节上又对号入座了各自关键的场景。
举个例子,第一个目标提升用户基数,对应的用户旅程阶段是需要用户从不同的渠道、平台了解产品,所以需要对应的就是“找到最优渠道”这一场景。
或者考虑是否有线下活动可以导入私域流量,如果有线下活动的渠道,还需要融入“线下导私域流量”的场景。
有了 OSM 和 UJM 并匹配到了我们的各个场景后,整个指标体系就可以从一个非常大的战略目标进行层层拆解,拆解到我们一线执行人员可落地的场景中。
这张图就是 GrowingIO 帮助一家客户梳理了整个框架,按照用户生命旅程的每一个节点,结合 OSM+UJM+场景化,真正的实现了战略目标以及用户生命旅程的数据化。
3.场景指标体系实操:
以“活动迭代数据管理”场景为例
系统了解完 OSM、UJM 以及场景化搭建指标体系的核心思路,下面就以“活动迭代数据管理”这个场景为例,为大家分析这一场景中如何落地一套指标体系。
“活动迭代数据管理”场景存在着它自己非常小的 UJM,从引流、承接到最后发生转化。
在这个小的用户生命旅途中,每个阶段都会有它对应的一个目标,每个目标也都需要有关键的指标来衡量它,这就是活动场景中的 OSM 和 UJM 耦合产生的思路。
有了思路之后,就可以设计出针对于活动场景一个指标体系。这个指标体系也可以叫做指标的一个罗列,涵盖了一级、二级、三级、四级指标。
▪ 一级指标是公司战略层指标,一般是公司或者活动团队的一个战略指标,即 KPI 达成率;
▪二级指标是对一级指标的公式拆解,即在确认了活动KPI之后,需要核心关注的是活动产出;
▪三级指标是对二级指标进一步的拆解。一般是部门 Leader 关注的指标;
▪四级指标是基于用户路径为思路对三级指标的进一步的拆解。一般是一线执行人员关注的指标。
我们除了要关注一、二、三级指标,四级指标更是需要高频关注的。
因为如果前面的指标发生波动,只有通过四级指标才能回答为什么发生波动,我们能够做出什么动作。
以上就是基于搭建思路提炼出来的一个指标体系全景,这样的指标体系才能更好地帮助我们回答业务问题。
有了指标全景之后,就需要将指标变成可视化的一个看板,通过看板来指导我们每一场重量级活动的优化过程:
通过 GrowingIO 看板展示的一级、二级指标,用于监控活动整体的营收,活动后评估 KPI 达成率以及整体的 ROI;
进一步分析活动前、中、后各阶段流量趋势以及活动整体的质量;
第四、第五部分对应四级指标,需要通过这两个看板评估不同资源位、不同文案、不同商品在活动中对用户的吸引力和转化率影响。
这是一套迭代「电商类大促活动」的经典看板,每次活动都需要监控,通过这样一个长期有效的看板模式去衡量每一次活动的效果。
这样,我们就可以在活动前吸取之前活动的数据教训、活动中做到实时监管相应数据、活动后根据已有数据进行活动复盘,推动下一次活动更好地实现整体目标。
4.GrowingIO 数据指标体系搭建最佳实践
数据指标体系搭建并不是单个部门能够完成的,应当至少有业务团队、数据团队以及开发团队三个团队进行协作(业务部门包括但不限于市场、运营和产品团队)。
上图是 GrowingIO 总结及建议的,在企业内部搭建数据指标体系的最佳实践流程。分为以下 6 大阶段:
-
需求收集阶段:一般由业务团队提出业务需求,数据团队评估、归纳业务需求。
-
方案规划阶段:需要业务团队和数据团队共同制定、梳理 OSM 和 UJM,并且归纳出每一个环节的场景,设计出一套指标体系。
-
数据采集阶段:指标体系在团队内部达成一致之后,建议由数据团队牵头设计数据采集方案,规范指标命名。命名是非常一件重要的事情,可以说是互联网行业两大痛点之一,下篇文章会为大家分享。
-
采集方案评估:数据方案采集方案设计完成后,需要联合业务、数据、以及开发三大团队一起进行采集方案的评估,评估实现成本以及实践的优先级。这里就可以按照之前说到场景化模块,根据成本和重要性,评估优先去落地实施哪一场景。
-
数据采集与数据验证上线阶段:这个环节主要需要开发团队来设计一些数据库,按照前端、后端埋点等等数据采集方案进行数据采集;然后进入到一个非常重要的环节——数据校验,这里必须要保证我们的数据校验与指标体系需要的数据口径一致,这样得到的数据才是业务方需要的数据,才能够回答业务问题。
-
效果评估阶段:最后是一个非常有价值的阶段,即效果评估。这个环节中,需要由数据团队牵头,将数据搭建出可视化看板,通过看板指导实现业务迭代效果。
业务迭代肯定会有很多的新功能、新业务线产生,这些新业务线同时也需要反哺指标体系。也就是说,指标体系的搭建不是一蹴而就的,而是要在原有的基础上不断地迭代的。
还有一个重要的环节,是在指标体系看板搭建完成之后,需要输出一个数据字典。数据字典能够协调全公司的一个步调,使大家都在同一个数据口径看待数据,提高公司整体的协同效率。
以上就是整体的一个协作流程。
基于这个流程,GrowingIO 和我们的客户可以高效地实现指标体系的落地。在这个过程中,会由客户的业务方和技术方,以及 GrowingIO 的项目团队和分析师团队一起完成。
在大概在 8 周之内,我们就可以实现一套指标体系的高效落地,帮助客户将“数据增长”融入到企业日常工作流程中,帮助客户理解增长体系、真正地落地增长。
以上就是今天我今天的分享,感谢大家的宝贵时间,希望能对大家有所帮助。
Qustions & Answers
Q1:落地页转化如何提升?
这其实一个是非常深入场景的问题,我先简单分享一下,之后有机会我们可以就具体的落地页或者某一个场景去具体展开。
广告投放之后,用户对我们的第一印象就是我们的落地页,所以落地页一定要做到把流量很好地承接下来,与我们投放的广告有一个呼应,并且落地页应当 3 秒内就能让用户看明白在讲什么、能够让用户感受到价值是什么。
落地的转化环节一般是注册或留资,所以就需要把落地页的整体价值度展现出来,让用户付出的成本不能低于整个落地页带给他的价值感受。
关于落地页转化提升,GrowingIO 有一个场景模型“投放黄金落地页”,会用 6 要素分析整体落地页的优化,今天先简单到这,大家可以持续关注我们的 GrowingIO 增长公开课。
Q2:请问如果不同部门之间指标数据指标有冲突,有什么好的处理建议吗?
现实中确实会有不同部门之间指标冲突的情况。
关键就在于找到为什么指标之间存在冲突,是需要的指标的数据口径存在冲突?还是其他的因素?
根本还是要去分析产生冲突的根本因素,再去一层层拆解,找到他们需要的指标究竟是什么、能不能找到一个他们共同需求的指标。
Q3:用户处于旅程的不同阶段时,对应需要策划什么活动?有什么触点?同一个活动、同一个触点会覆盖到不同旅程阶段的用户吗?
活动需要跟用户所处的生命周期进行耦合。这个问题其实是在指标体系落地之后,需要做的更深层次运营。
例如新用户需要推什么样的活动,类似新人专区或者新手专价这样的活动;如果是首购用户,要促使他复购,需要有什么样的触点、推出什么样的活动,有针对性地覆盖这类用户。
我们认为整体的数据驱动分为两个阶段,今天所讲的指标体系搭建是第一个阶段,需要把整体的用户旅程梳理清楚,把用户旅程每个环节的用户行为、目标和触点梳理清楚,以及搭建每个环节需要的数据体系。
您说的应该已经到了第二个环节,需要完成对于不同生命周期的用户,需要用什么样的触点覆盖,当前的路径是否还有优化空间,或者需要构建一些什么样的新路径等问题。
作者:GrowingIO增长社区
链接:https://www.jianshu.com/p/af09f5d04984
来源:简书
著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。