指标体系的搭建想法与思考

关于指标体系的搭建，网上可以找到很多方法论。方法论本身没有什么问题，但很多时候实践出来的结果并没有预想的那么好。主要障碍是当按照指标体系搭建完成报表后，你会发现这些报表实际对业务的帮助非常的小。这就引出了另外一个课题：如何使用指标体系。

什么是指标体系？

指标是一个可以量化目标事物多少的数值，有时候也称为度量，如：DAU、留存率等都是指标。一个指标通常需要从多维度来分析指标构成，这就要求指标与多维度关联支持多维度分析，如DAU就可以按照不同渠道查看各渠道流量大小，也可以按操作系统查看不同操作系统的人数，这里的渠道、操作系统就是维度。将业务单元细分后量化的度量值我们称之为指标，它使得业务目标可描述、可度量、可拆解，它是业务和数据的结合，是统计的基础，也是量化效果的重要依据。

指标又分为结果型指标和过程型指标：

• 结果型指标：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。结果型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。
• 过程型指标：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，过程型指标更加关注用户的需求为什么被满足或没被满足。

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。

指标体系就是是将零散单点的具有相互联系的指标，系统化的组织起来，通过单点看全局，通过全局解决单点的问题。

体系是由不同的维度组成，而维度是指用户观察、思考与表述某事物的“思维角度”，维度是指标体系的核心，没有维度，单纯说指标是没有任何意义的。

• 定性维度：偏文字描述类如城市、性别、职业等。
• 定量维度：是数值类描述如收入、年龄等，对定量维度需要做数值分组处理。

指标体系就是将各个指标按照特定的框架组织起来，从不同维度梳理指标，梳理的过程也是对业务本质进行思考的过程。一个好的指标体系应该有以下两点性质：

• 上能指引高层领导把控业务整体方向，下能指导业务人员落地执行业务目标；
• 指标之间要形成闭环相互作用相互影响产生反馈，才能称之为体系，以数据定位问题，再反向作用运营和产品，最终形成数据驱动产品设计及用户运营的闭环。

数据指标体系的建设是企业实现自身“数据驱动”发展的重要途径，其价值主要体现在：

• 衡量业务质量。指标体系可以反映业务客观事实，看清业务发展现状，通过指标对业务质量进行衡量，把控业务发展情况，针对发现的业务问题聚焦解决，促进业务有序增长。
• 全面支持决策。数据指标极具参考价值，公司的管理层为了更准确进行战略决策，需要搭建完备的数据指标体系，一个相对全面的数据指标体系，可以让管理者对公司的发展从数据层面有一个比较客观的认知，这样在进行战略决策时，可以保持相对理性。

对于新业务的洞察，也可以不断融入新的数据指标，丰富指标体系，灵活且全面地把握业务发展趋势，为未来的决策提供借鉴。

• 建立因果关系：主要明确结果型指标和过程型指标关系，通过结果指标回溯过程指标，找到解决问题的核心原因。
• 指导业务运营。数据指标体系可以反映业务客观事实，看清业务发展现状，通过指标对业务质量进行衡量，把控业务发展情况，针对发现的业务问题聚焦解决，促进业务有序增长。除此以外，还可以建立业务指标因果关系，主要明确结果型指标和过程型指标关系，通过结果字表回溯过程指标，找到解决问题的核心原因。
• 驱动用户增长。数据指标体系中的用户行为数据，可以让产品及运营人员对用户的行为路径和喜好模式有一个比较深入的理解。剖析用户的行为特征，助力用户价值的提升，让产品及运营更聚焦于产品细节的优化，更好地进行监测，提升用户留存及转化。除此以外，在分析和挖掘用户行为的过程中，也许会发现不少新的用户增长点。体系化的指标结合了用户的场景，且多个不同的指标和维度可以串联起来进行全局分析，解决了非体系化指标无法串联的痛点。公司在深入进行数据分析后，可能会在原有业务中发现某个点潜藏着巨大商业价值，从而单独把这块业务重点推进，实现用户增长的二次腾飞。
• 统一统计口径。从技术角度来看，数据中台是为了汇总与融合企业内的全部数据，甚至外部数据，打破数据隔阂，解决数据标准与口径不一致的问题。数据指标体系化有个好处是可以实现指标统一管理，实现统一的统计口径，避免定义模糊和逻辑混乱，影响数据质量。同时，完备的数据指标体系也可减少重复统计的问题，从而避免日志上报产生的数据冗余和重复分析产生的服务器资源浪费。

指标体系常用搭建模型

OSM模型

OSM模型由目标（O，Objective）、策略（S，Strategy）、度量（M，Measurement）组成，通过将宏大的运营目标（O）逐一拆解，对应到可落地的运营策略（S）和可度量（M）的运营动作上，从而确保我们梳理指标时，不会偏离“主航道”。

定义目标（O）

目标（O）可能是整个企业、某条产品线、或者某个运营小组的运营目标。其在不同的行业、不同的领域，以及公司或者产品的不同发展阶段都是不一样的，需要我们结合自身的实际情况，定义目标（O）。

• 一般情况下，运营目标与核心KPI息息相关。例如：
• 电商平台的目的是让用户在平台上完成更多交易，那么平台运营负责人的目标（O）就可能是提高GMV；
• ToB企业服务类网站希望可以获得更多的注册线索，那么网站运营的目标（O）就可能是提高注册试用量；
• 银行类APP希望可以让更多用户来购买理财产品，那么APP运营的目标（O）就可能是提高理财产品的购买总金额。

确定策略（S）

通过定义目标（O）了解整个运营的大方向后，我们便可以根据过往的经验、市场调研等制定达成运营目标所需要的策略（S）。

例如，电商平台运营负责人的目标（O）是提高GMV。按照GMV=支付用户数X每笔单价X用户购买频次的计算公式（注：GMV的公式根据行业可能有所不同，需结合自身业务计算），其提升策略（S）可能就会有：

• 针对提升支付用户数的策略（S)：对新注册用户进行9限时特价活动
• 针对提升每笔单价的策略（S)：进行商品组合销售
• 针对提升用户购买频次的的策略（S)：节假日进行优惠券营销

明确度量（M）

策略（S）制定后，如何衡量策略执行的效果、如何反映该策略是否有助于目标（O）达成？这就需要用到度量（M）。

例如，通过商品组合销售策略，需要将每笔单价提升至1000元。这个将每笔单价提升至1000元就是该策略（S）的度量（M）。我们所制定的每一个策略（S），都需要匹配相应的度量指标。

综上，我们便可以根据OSM模型，形成指标体系初步的“骨架”

ARGO模型

ARGO模型为解决用户运营的具体业务挑战而设计，帮助企业围绕用户全生命周期，更系统地制定运营目标（O）及对应的策略（S）。

根据ARGO模型，我们可以分别从用户视角和企业视角，进行运营目标（O）和运营策略（S）的设计，从而避免根据OSM模型梳理指标体系时有所遗漏。

用户视角

当用户从到欢迎页到传播分享，会经历一个完整的用户全生命周期。

虽然我们在运营过程中都希望用户尽可能参与到运营中来，也希望用户尽可能多次回访到产品中去。但并不是所有的用户都会经历完整的用户全生命周期，因为在任意一个环节用户都可能离我们而去。

但无论是什么类型的产品，都有一组典型的用户全生命周期，即从潜在用户（潜客）、新增用户（新客）、活跃用户（活客）、成熟用户（老客）、衰退用户（怨客）、沉默用户（睡客）、流失用户（死客）的全过程。

以新增用户为例，这时的用户基本处在刚与产品接触的阶段。接触指的是从外部的流量渠道到达网站、APP、小程序等的全部用户数量，多用于新用户获取的阶段，表示可以转化成我们用户的最大值。如果是网站就与UV相关，如果是APP就与启动相关。

提升新增用户量，是我们在这个用户生命周期阶段的主要目标。在这个阶段，我们通常需要知道固定时间内到达产品的访客构成。这时候就会涉及到流量渠道，了解不同渠道的用户构成状态有助于我们进行渠道优化、改善访客质量。

企业视角

企业视角对应业务成长的需求，可以分为以下三个阶段：

• 获客转化阶段，需要我们通过不同的渠道和方式获取客户，并引导用户转化。借助该阶段沉淀的用户关键数据，准确定义产品目标人群特征，优化运营的获客转化策略。
• 活客粘客阶段，需要我们让用户形成使用习惯，为不同用户群体提供个性化的最佳体验，并及时定位流失原因，唤醒沉睡用户和召回流失用户，提升用户留存率和忠诚度，促进用户活跃。
• 创造价值阶段，需要我们引导用户进行产品价值的交换，关注不同运营活动、触达策略等与价值交换的关联度，实现用户LTV（Life time value，生命周期总价值）的最大化。

根据用户视角或者企业视角系统梳理运营目标（O）后，就可以开始寻找不同场景下，用户与我们的接触点。然后通过数据分析找到每个接触点上的待优化点。这些待优化点就可以作为我们OSM模型中的策略（S）。

例如，用户进入欢迎页时、进行注册时、开展新手任务时，与我们的接触点分别是产品欢迎页面、产品注册页面、新手任务引导流程页面。通过数据分析发现注册页面的转化率偏低，那么我们就要针对注册转化提升制定相应的策略（S）。

由此，不难发现，ARGO模型是在OSM模型搭建好指标体系初步的“骨架”后，用来填充指标体系的“血肉”的，可以让整个指标体系更丰富。

如下图所示，以企业视角为例，将ARGO模型与OSM模型相结合，就可以帮助我们校准目标（O）是否与用户全生命周期的每个阶段相匹配，以及检验策略（S）是否覆盖了用户全生命周期、有无遗漏。

UJM模型

User Journey Map模型，用户用户旅程地图。是指设计该业务时，必须要梳理的用户的生命周期。换句话说，就是拆解用户所处的每一个旅程阶段、了解每个阶段中用户的用户的行为、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，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。

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。

金字塔原则

金字塔原则，源于世界级领先的管理咨询公司麦肯锡，通常被用来结构化写作过程。但其层次性、框架性、系统性的思考方式，也同样可以帮助我们梳理指标体系。

OSM模型确定指标体系「大的框架」，ARGO模型帮助填充指标体系「小的细节」，往往是不够的。还需要用金字塔原则整体梳理，让整个指标体系具有上层概括下层、同层独立穷尽的逻辑自洽性。

上层概括下层

通过OSM模型和ARGO模型搭建的指标体系一般包含第一关键指标、一级指标、二级指标等层级关系。在层级关系上，上一层的指标要能概括下一层级的指标。

第一关键指标

第一关键指标又称北极星指标，当我们开始对一款产品（网站、APP、小程序、智能硬件等）进行运营时，会涉及到很多指标，但只有一个最重要的核心指标，才能被称为第一关键指标。

第一关键指标的特点就是与目标直接相关，我们的工作为围绕着推动第一关键指标的数据变化而展开，这些数据变化也会帮助我们达成目标。例如网站每天的新注册用户数量，是与我们的目标实现新用户获取息息相关的，我们就可以将注册用户数作为其第一关键指标。

需要注意的是，第一关键指标虽然是最重要的，但也并不是唯一的，比如电商网站，我们关注订单量的同时也关注新用户注册量；

而且第一关键指标也不是恒定的，会随着业务变化而改变，比如产品早期最关注的是拉新，当积累了大量用户后会提高对用户留存的关注程度，这时候第一关键指标可能是周用户活跃（WAU）或月用户活跃（MAU）。

如何判断一个指标是不是第一关键指标？有一条判断标准就是：如果我们改善这个指标，产品的长期业绩是否被提高？

一级指标

一级指标指的是对第一关键指标有直接贡献的，且与目标（O）的方向是一致的系列指标。第一关键指标要能概括所有的一级指标。

例如，企业服务网站的第一关键指标是注册数量。那么，一级指标就可能是表单页到访客数量，因为提高表单页访客数量可以直接提高最终的注册数量；一级指标也可能是表单页访客到注册成功的转化率，因为提高表单页访客到注册成功的转化率可以直接提高注册数量。

二级指标

二级指标指的是对一级指标有直接贡献的，且与目标（O）的方向是一致的系列指标。一级指标要能概括属于自己分支的所有二级指标。

例如，企业服务网站的一级指标是表单页访客到注册成功的转化率，二级指标就可能是第一个字段完成验证的次数。因为在同样的访客数量情况下，第一个字段完成得越多，表单页访客到注册成功的转化率就越高。

我们可以制定多层级的指标体系，但最好还是尽可能精简。根据易观数科服务客户的经验，指标体系的层级最好控制在3层左右，最多不要超过5层为宜。

简约可控的指标体系可以让我们聚焦精力在更重要的策略（S）执行上。需要强调的一点是：制定的每一级指标体系都是要对其上一级指标有直接贡献的。

同层独立穷尽

在指标体系中，除了不同层上需要满足上层概括下层外，同层上还需要满足独立穷尽，又称MECE原则。MECE原则要求处在同一层级的指标互相之间完全独立（Mutually Exclusive）且互相穷尽（Collectively Exhaustive）。这是什么意思呢？

以处在同层的二级指标1.1、二级指标1.2、二级指标1.3为例。如下图所示，图左就是符合MECE原则的，图中和图右就不符合，但却是我们在梳理同层指标中比较容易犯的错误。

通过MECE原则梳理过的指标体系，往往能够快速定位运营过程中出现的问题。

指标体系的遇到的问题

当按照上面的模型都模型都搭建完指标体系，并将其报表化以后，遇到的最大的问题是如何驱动业务。特别是当项目处于稳定阶段时，我们发现日常的日常的跟踪的指标基本上都没有什么变化。

个人理解的原因是指标体系依赖人工参与进行拆解，考虑到注意力和精力的影响，不太可能细分的特别细。

当我们把注意力聚焦在海平面时，往往忽略了可能忽视率部分地区存在的强降雨或干旱。

解法：态势感知系统的想法

针对指标体系没有发挥价值的问题，个人提出来的想法是通过态势感知系统取及时发现可能存在异常的指标，从而指导业务。

所谓的态势感知系统，其实就是将指标尽可能的细化，通过分析细化后的指标的变化确定是否存在“异常”，以流量UV为例，我们通常只会关注整体的情况，在态势感知系统中，会细分每个省份、每个城市、每个行政区、每种手机品牌、每种机型、每个渠道…的UV。在配合算法对数据进行检验。对“异常”的数据在进行人工校验，找出机会点的。

大致方案：

• 针对有季节性指标（如业务量、订单、流量），采用时间序列预测数据预T-1的数据进行比较，找出低于/高于一定比例的指标
• 针对无季节性指标（如转化率、点击率），直接采用异常检测算法，通过设定阈值识别异常的指标
• 针对缓慢变化的数据（如缓慢上升或缓慢下降），采用斜率方式检测整体的趋势