分析有道系列：如何搭建指标体系？（转载）

如何快速了解一个新行业，着手进行数据分析，我的方法基本就是在一些数据分析平台（如神策）上看指标。指标都是为业务服务的，当一个行业的指标在脑子里滚瓜烂熟的时候，基本上就能上手业务了，不至于说别人说了一个问题，自己连问题本身都不理解，更别提解决问题了。了解指标体系，就能够更好的拆解一个问题，更加细致的分析问题。从一些公司的面试问题来看，很多时候被面试者都会被问到：

如果你是某某APP的数据分析师，你认为这个APP最重要的指标是什么？原因是什么？

这个问题其实就等同于：

你认为这个APP最重要的事情是什么？怎么衡量业务发展状况？

怎么回答这类问题，有一篇文章讲的很好，这里分享给大家。

1、指标体系是什么？

我们以“APP用户侧指标”为切入口来讲讲，如果要看一个app的用户量级和使用情况，需要多少指标。

可能有同学在想，只要日活就可以啦，微信日活10亿，抖音日活4亿，快手日活3亿，这不就能代表这个app的用户量了么？微信日活最高，堪称国民app。

nonono，我觉得话只说对了一半。其实日活这么一个单独的指标，是不能全面的反应app的用户使用情况的。我还是拿出了我的利器——思维导图（如果有人问的话，它是Xmind），大家可以看到，我把指标拆成了三块：新增、活跃和粘性。

我个人认为，当衡量APP的用户量级情况时，是需要关注新增用户数、活跃用户数和用户留存的。每个指标都很重要。这就是指标体系，是一系列指标的组合。

当我们去看一个app有多少用户在使用时，人们常常用日活（当天活跃设备数，也称dau）作为指标判断，但月活也很重要，如果这个app的用户打开频率很高，那月活基本就代表了这个app的存量用户（毕竟如果30天都不打开，基本也就流失了）。再其次，如果某个产品从某天起停止了拉新，再也没有新增用户，那日活一定会缓慢的下降。

因此，我们需要基于这一系列指标去理解业务，而不是单个指标。指标体系的优势在于——能获得更全面的业务视角。

2、我们为什么需要指标体系？

OK，第一个部分我们通俗易懂的解释了我们说的指标体系是什么意思，接下来要回答一个关键问题：费劲构建指标体系的意义是什么？为什么面试官老是问我这个问题？

让我们进行一下视角切换：
1） 如果你是公司领导，你会关心几个核心的指标：用户量级、成本、收入、利润、等等；
2） 如果你是中层负责人，你会需要对领导作出核心指标的解读：为什么涨、为什么跌、怎么优化；再把每一块具体的业务分配给手下，让他们对你进行汇报；
3） 如果你是底层员工，你会需要知道你负责的某块具体的业务最近表现如何，再对指标进行解读和提出优化，对你的上级负责。

所以公司从上到下，没有不看数据的，而建立指标体系，是帮助我们判断目前发展现状、做下一步决策、寻找业务优化方向的好帮手。

3、如何找最重要的指标？

又到了大家喜闻乐见的“你说的真好，道理我知道了，快教教我怎么面试”的环节。

事实上，面试中被问到“怎么选出最重要的指标”的背后，是在问你：你认为对这个app，最重要的事情是什么？怎么衡量业务发展情况？（看上去在问指标，其实是在问业务哦）

在这里我想说万变不离其宗的一点：如果是toC（to Customer，面向消费者）的产品（比如对于我们手机上安装的各种app来说，我们就是customer），那么：

用户消费指标+供应指标+营收指标一定是重要的！（重要程度排序视情况而定）如果不知道怎么说，那就说这三个吧！

用户消费就不说了，没有用户、消费、粘性，什么都无从谈起；
而营收之所以关键，是因为一款产品可以短期不赚钱，但是长期一定是希望盈利的——这样才可以存活且持续发展——所以搞清楚一个app的盈利模式是至关重要的。（这可能是初入职场的同学容易忽视的地方）

那为什么还需要表示供应情况的指标组呢？别忘了，toC的产品不可能只有消费者，也必须有供应者——供应者的角色和消费者的角色重要程度不相上下（或者说分阶段，前期需要加大供应，后期需要加大消费，最终希望达到供需平衡）。

比如说淘宝，除了买东西的人重要，那供应商品的卖家也重要；比如微博，除了刷微博的人重要，产生微博内容的大V也重要；比如说美团外卖，除了吃外卖的人重要，供应外卖的商家也重要…… 这么举通俗易懂的例子应该能明白吧。

4、怎么建立指标体系？

我个人的想法是，建立指标体系分三步：找核心，向下拆解，横向对比。

我拿一个常用的app举例：微信读书。
第一步，明确我认为的微信读书这个app最重要的核心指标（or核心指标组）：
首先是用户指标组（用户使用情况）
其次是供应端指标组（衡量微信读书app的供应情况，判断目前有多少书在该平台是可看的）
最后是营收指标组（衡量微信读书的营利能力）

第二步，把核心指标向下拆解到二级指标
尽可能解释一级指标产生由什么构成，比如说新增=各个渠道的新增求和；书籍数量=各个品类的书籍的数量；人均书架书籍数量=人均公开书架书籍数量+人均私密书架书籍数量……

简单的对核心指标进行向下一个维度的拆解，可以帮助我们知道，造成核心指标表现的原因是什么。比如说新增降了——具体是哪个渠道新增降了？降幅如何？

第三步，增加指标自带属性，作为画像维度帮助横向对比。

除了向下拆解指标，还可以增加用户固有的属性，帮助我们更全面的看待问题。比如说新增留存是各个渠道新增留存影响的共同结果，很可能某个渠道留存就是很低的，那这个时候我们需要考虑是否优化该渠道、或者把投在该渠道的成本转移到其他渠道是不是更有效果；

再比如说某天观察指标发现人均阅读时长降了，那我们需要考虑：是新用户人均阅读时长降了还是老用户？如果是老用户，那是什么年龄段的老用户？是针对这个年龄段的书籍少了吗？如果没有发现，还要继续拆，这个老用户之前的活跃情况如何？是本身就不够活跃的那批用户吗？等等……

我们会发现，这个拆解的过程更像是扩展思路，维度越多，看待问题的角度越丰富，更容易从某个角度发现问题。

以上就是全部内容。

本文转载自微信公众号“泡泡好胖”，原作者：泡泡好胖，引用过程有修改。