一提到数据分析，首先联想到的可能就是——庞大、杂乱无章、粗糙的数字和符号，不知道如何着手，不知道分析哪些维度，更不要提搭建数据分析指标体系。

一切数据分析的起源都是明确数据分析目的。

上一篇文章《以抖音为例详解增长黑客流程》介绍了增长流程各环节，确认北极星指标和增长模型、构建开发-测试-学习的闭环，都是帮你形成结构化的工作框架，理清商业模式和发力点、风险点。那么数据分析在其中扮演的角色目的就是衡量这些动作的进展和效果，帮你发现更重要的问题并得出明确答案。

管理学大师彼得.德鲁克曾经说过“你无法衡量的事情，你也无法管理”。

搭建数据分析指标体系就是衡量目标的根基，这些指标代表了管理层对用户价值和公司利益的理解，能够指导员工日常工作中的决策和执行。

01

好的数据指标具备哪些特点

好的数据指标要能够反馈正在发生的变化，并带来未来的指导动作。

第一，好的数据指标应具有比较性。

能够比较不同时间段、不同地域、不同用户群体、与竞品之间的表现。

比如，“北京的新增用户数比成都高”显然要比“新增用户总数为1万”更有实际指导意义。

第二，好的数据指标要简单易懂。

比如“简历投递人数”比“简历投递次数超过5次的投递人数”更容易理解，更易于团队协作中的交流沟通。

第三，好的数据指标应该是一个比率。

比如“点击率CTR”就比“曝光量”“点击量”更有意义。

比率的行动指导性更强，比如CTR=点击量/曝光量，通过相应的动作调控分子、分母即可实现CTR的变化。

比率适宜比较各因素之间的相关性，比如CTR与点击量呈现正相关，当曝光量一定时，点击量越高则CTR越高。

比率更是一个天生的比较性指标。

02

五大类型备选数据指标

类型一：定性指标与定量指标

定量指标是具体、可量化的，回答的是“多少”“什么”。定性指标是非结构化、杂乱、主观的，探究的是“为什么”。定量指标衡量的是用户动作的结果，定性指标探究的是用户动作的动机。

比如通过定量指标发现广告投放带来了更多新增用户，可通过定性指标开展调研探究用户使用产品的目的及反馈。l两者可搭配分析。

类型二：虚荣指标与可付诸行动的指标

虚荣指标是表面指标。它们往往比较大而泛，仅仅是看上去很美好，可以给人留下印象，可以用这些指标来谋求建立合作关系并赢得一些关注。忘记哪位专家说过这么一句话“一切总和指标都是无效的”，只是沉浸在自我膨胀。

可付诸行动的指标是明确指标， 是推动增长的隐形引擎，是可以巩固竞争优势的指标，是可以指导具体动作的指标。

需要提防的8个虚荣指标：点击量、PV、下载量、访问量、独立访客数、粉丝/好友/点赞数、页面停留时间、收集到的用户邮箱地址数量。

类型三：探索性指标与报告性指标

按照知道和不知道的2x2矩阵，信息可以分为4大类。

A类，我们知道我们知道，例如我们常用的内部业务数据，可以为预测、评估其它数据提供输入、依据。

B类，我们不知道我们知道，例如直觉，在设计增长实验前可以帮助我们提出一些实验想法和假设，将直觉进行验证，就能将假设变为依据。

C类，我们不知道我们不知道，需要探索，可能蕴藏有趣的事情，可能会发现一个新的市场机遇。

D类，我们知道我们不知道，比如用户偏好、用户需求，可通过调研解决该类问题。

A类数据就属于报告性指标，能够进行日常监测，让领导层更了解现状。B、C、D类均属于探索性指标。

类型四：先见性指标与滞后性指标

先进性指标可以预测未来

，比如在广告投放中，根据不同渠道的用户转化漏斗，可以预测各渠道投放期间的拉新用户数量，从而在投放之初能够调整各渠道的预算和画面素材等。

滞后性指标可以指出存在的问题

，比如“用户流失率”。通过滞后指标反映的现存问题，可以针对性的设计实验，以使问题得到改善。

先见性指标和滞后性指标不是绝对的，在不同情景、不同角色中会发生转变，比如“用户流失率”对于增长人员是滞后性指标，但是对于预测收入则是先见性指标。

不管先见性指标还是滞后性指标，均可以指导具体的行动计划。

类型五：相关性指标与因果性指标

在数据分析中相关性指标很多，比如简历投递量的升高与毕业季求职相关。

因果关系有一个很明显的感知因素——时间因素，原因的出现早于结果。

原因早于结果，能够让我们预测未来发生的事情，同时时间差能够让我们采取措施干预未来的结果。

通常情况，因果关系的变量也是相关关系，但是相关关系不一定是因果关系。实际上因果关系的变量很难寻找，更多运用的是相关关系。

发现相关性指标可以帮助我们预测未来，而发现因果关系能够帮助我们改变未来。总之，相关性很好，因果性更佳。

通过以上原则判定所选数据指标的好坏，能够让数据分析更聚焦，围绕实际业务问题给出解决答案。