由于目前网上关于数据体系相关的知识较少,本文尝试从笔者从事过的产品设计与用户运营经验中,结合自己对数据分析的理解,从0开始搭建一个完整的数据体系,从顶至底拆分,将分析模块的不同功能抽象整合成各个子体系,力求梳理清楚其中的脉络关系,全文共分为6部分,以平台型电商为例子,一步步从框架设计拆解到具体的指标设计,可视化设计:
1.基础概念
2.指标体系
3.分析体系
4.报告体系
5.报表体系
6.产品体系
本文是第二篇“指标体系”,阅读本文需要前置知识作为铺垫,如果没有请先阅读前文“数据体系搭建(一)—“基础知识”
先给定指标体系的构成:
指标体系=数据主题+场景专题+指标量化
1.什么是指标体系?
百度百科:评价指标体系是指由表征评价对象各方面特性及其相互联系的多个指标,所构成的具有内在结构的有机整体。
简单来说,就是将统计指标系统性地组织起来,指标体系是由体系与指标两部分组成的。
体系是数据主题+场景专题组成的:
数据主题:渠道、产品、用户、营销、商品、营收、服务、市场等
场景专题:用户规模、用户质量、健康度等;
指标则是依照着数据主题/场景专题进行抽象量化出来的:
用户指标:用户数、次数、人均次数、时长、点击率、渗透率、留存率等
指标是指标体系的砖块,而数据主题是楼层规划图,决定要建几层高,场景专题是室内规划图,每一层里面需要几厅几室几卫,只有先规划好楼高,并依照着室内规划图,才能将一堆毫无组织的砖头搭建成规整的,四平八稳的,有主题有内在逻辑关系的大楼。
2.如何搭建指标体系?
指标体系是一个不断体验、熟悉产品,分析业务然后进行量化修正的过程,需要明确产品在各个阶段的关注重点,并且考虑不同角色的关注偏向,然后按照下方四个步骤来设计指标:
指标设计流程其中第1步跟第2步,是在整个指标体系,甚至整个数据体系的基础框架,需要在前期就制定好大致的内容与方向,后期只是在既定的基础上进行新增与调整,不会大幅变动,所以这两步非常重要。第3、4步主要是对前面定义的场景专题进行抽象,并设计指标进行量化的过程,在这个过程中,需要不断评估指标是否已经完整地描述了所要抽象的业务场景(场景专题),如果不完备,则需要继续设计补充,直到有足够的指标能够很好反映出该业务场景(场景专题)的各种变动情况。
下面从平台型电商的八大主题:渠道、产品、用户、营销、商品、营收、服务、市场,来简单介绍下“如何进行指标量化”
渠道主题
渠道的定义会比较宽泛,并不是只有应用市场,应用商店这种才属于渠道,只要能够有稳定的客流,能持续吸引来用户进入产品的客源入口都可以称为渠道,由此我们得知,渠道的存在目的是为了给产品导入流量,而我们导流都是花了真金白银的,自然我们会希望花出去的钱能够看到效果,以便我们能随时调整投放的比例。
所以我们需要对导入的用户进行监控并分析,判断渠道带来的用户的特性是如何?以及哪些用户质量比较好,哪些用户质量比较差?以这些数据可以对渠道进行评价。
那么我们需要监控的内容就包括:
数据主题 | 场景专题 | 指标量化 |
---|---|---|
渠道 | 用户规模 | 总用户数、新增用户数、注册转化率 |
用户质量 | 浏览量、注册用户数、留存用户数、流失用户数、留存率、活跃率、流失率、在线时长、浏览深度、一次会员用户数 | |
用户价值 | 购买用户数、复购用户数、购买转化率、复购转化率、客单价、购买频率 | |
产品主题
产品是用户产生交互与交易这些行为的场所,所以我们需要从场所本身来监控,也就是产品自身的使用情况,包括产品各个功能的使用率,使用体验,产品主路径的转化情况,不同频道的商品分发情况等
数据主题 | 场景专题 | 指标量化 |
---|---|---|
产品 | 技术监测 | 启动耗时、crash率、页面加载速度、支付成功率、掉单率 |
注册体验 | 下载成功率、安装成功率、验证码接受成功率,验证转化率,注册转化率 | |
主路径转化情况 | 注册转化率、商详转化率、下单转化率、支付转化率、支付时长、加入购物车用户数、加入购物车次数、加入购物车商品数、下单笔数、下单金额、下单用户数、支付金额、支付用户数、支付商品数 | |
功能使用情况 | 使用率、平均停留时长、跳出率 | |
频道分发效率 | 点击率、浏览人数、浏览次数、下单人数、支付人数、首单完成时长 | |
用户主题
用户是一个产品能否存活的根本所在,所以用户这个主题中,需要深入地去挖掘用户的信息,监控用户的日常变动情况,运用各种分层模型,以尽可能多,可能细的维度,对用户进行刻画。从用户注册到流失的每个阶段,每个周期,都需要有详细的指标在监控着,只有对用户有详尽的了解,再配合上对应的运营工具,才能对对用户进行分层分群的精细化运营,设计对应的运营策略,以达到做大用户盘子、促进用户成长、延长用户生命周期、最大化用户生命周期价值的目的。
用户主题的指标量化也有不少现有的模型可以参考,如AARRR海盗模型、RFM模型、生命周期模型等,都可以拆分出对应的指标来监控与分析。
数据主题 | 场景专题 | 指标量化 |
---|---|---|
用户 | 用户规模与结构 | 留存用户数、活跃用户数、付费用户数等 |
用户质量 | 浏览量、注册用户数、留存用户数、流失用户数、留存率、活跃率、流失率、在线时长、浏览深度、消费频率、最近一次消费时间、复购率、退货率、用户忠诚指数、用户流失指数、用户价值指数、用户生命周期价值(LTV) | |
用户健康度 | 新增用户数、新增付费用户数、首购率、复购率、新增付费用户的活跃留存率、付费用户的活跃留存率、付费用户的付费留存率、新增留存率、每周活跃天数/次数、每月活跃天数/次数等 | |
用户流动情况 | 新生用户数、首购用户数、复购用户数、活跃用户数、忠诚用户数、沉睡用户数、沉默用户数、休眠用户数、流失用户数,流入用户、流出用户数等 | |
用户画像与标签 | 基础数据:id、姓名、生日、年龄、星座、职业、地址、婚否等;行为数据:点击商品数、收藏商品数、下单商品数;兴趣数据:性别偏好、品牌偏好、品类偏好、自营偏好、尺码偏好、颜色偏好、购买力水平、长期兴趣、短期兴趣、实时兴趣等 | |
会员健康度 | 注册会员数、活跃会员数、会员活跃率、会员复购率、会员平均购买次数、会员复购率、会员留存率 | |
传播效率 | K因子、传播周期、用户分享率、分享打开率 | |
用户流动情况是衡量历史到当前用户贡献的收益(生命周期价值是整个周期,包括未来),以及每天的价值流动、变化情况,它是精细化运营的前提,不同价值的用户采取不同策略使其流动以最大化效果。
营销主题
营销是指在基本的市场商品交换行为上,辅以各种有助于销售的思维与行为,因为营销的范畴有点大,包括市场营销、活动营销、网络营销等,限于篇幅,在这边先狭义地理解成各种促销活动,如拼团、秒杀、满减等,这些都是电商常用的一些营销手段,目的是为了在一段时间内,快速促进商品的销售,所以我们需要监控营销活动中,用户的行为状态与交易状态,以便能清晰准确地的掌握促销活动的效果,为下次活动做好经验沉淀。
数据主题 | 场景专题 | 指标量化 |
---|---|---|
营销 | 活动规模 | 触达用户数、点击用户数、参与用户数、 |
活动效果 | 客单价、支付订单数、支付件数、支付金额、连带率、ROI、新用户数支付订单/金额、老用户支付订单/金额 | |
用户流动情况 | 新增用户数、首购用户数、复购用户数、活跃用户数、忠诚用户数、沉默用户数、沉睡用户数、休眠用户数、流失用户数、流入数、流出数 | |
活动持续影响力 | 回头浏览数、回头购买数、留存率 | |
商品主题
商品的整个生命周期第一步是招商的工作人员负责吸引供应商入驻,需要有一套对供应商的严格筛选标准, 能直接决定商品的档次、品质和货源的稳定性等因素(平台型无)。
第二步是商品的选择,呈现给用户的得是有质量的好商品,包括商品的款式、质量、性价比等指标。细节的地方我们会涉及到商品的图片及文案,每个细节对商品的转化率都有比较大的影响,因为用户是否下单是有很多因素的,我们把可控的因素做到最好,那就可以比较好的提高转化率。
第三部是商品的销售环节,我们怎么通过数据挑出好卖的货给到我们的用户的呢?
最后商品卖出去后我们的售后怎么样、我们的发货速度怎么样,也是直接影响用户的体验,可以说商品的每个环节都直接决定我们产品给用户的价值。
电商平台的用户,进入产品的核心需求是购物,所有为了满足用户的需求,在商品这个主题下,也需要对商品的整个销售周期(进销存)进行监控,包括售前的商品总数、库存、上架数,售中识别商品的优势,商品销售过程是否健康,哪些畅销?哪些滞销了?以便运营人员可以及时发现并做出调整,售后的退货率,投诉率,满意度等。
数据主题 | 场景专题 | 指标量化 |
---|---|---|
商品 | 商品规模 | SKU数、SPU数、上架SKU数、上架SPU数、品牌数、在线品牌数等 |
商品/品类热度 | 曝光量、浏览量、访客数、加购次数、下单次数、支付次数、爆款率、售罄率、动销率、转化率等 | |
商品健康度 | 首次上架商品数、动销率、动销商品数、首购率、复购率、流量来源、退货率、投诉率、连带率、折扣率等 | |
商品画像与标签 | 跑量款、高利润款、热销款、设计款、大众款、四季款、爆款、旺款、平款、滞销款 | |
价格带规模 | 访问用户数,访问次数、支付件数、支付金额 | |
商品的规模主要是从广度、宽度、深度三方面来描述,采购广度是商品品类,越充足的品类越能满足消费者的消费,采购宽度是SKU占比,代表商品供选择的丰富程度,采购深度是平均每个SKU的商品数量。
营收主题
营收主题是所有主题中跟钱最直接相关的,主要从全平台的角度,对成本与收益等方面内容进行衡量,以便了解整个平台的流水情况
数据主题 | 场景专题 | 指标量化 |
---|---|---|
交易规模 | 总支付订单数、总支付金额、曝光人数、浏览人数、加购人数、下单人数、支付人数 | |
成本指标 | 销售毛利、毛利率、获客成本、用户生命周期价值 | |
交易状态 | 交易成功/失败订单数、交易成功/失败金额、交易成功/失败用户数、交易成功/失败用户数、退款总订单量、退款金额、退款率 | |
服务主题
服务主题在整个业务过程中并没有明确的划分界限,而是分布在整个业务流程中,当用户注册时需要进行风控监测,用户购买时咨询客服,用户下单时需要检测支付风险,账号风险,以后售后相关的服务等等
数据主题 | 场景专题 | 指标量化 |
---|---|---|
服务 | 售后规模 | 申请退款订单数、申请退款人数、成功退款订单数、成功退款人数、成功退款金额等 |
风险控制 | 退款率、发起投诉(申诉)数、投诉率、撤销投诉(申诉)数等 | |
从用户进入页面的的那一刻起,注册、登陆、领券、浏览、购物、仓配、评价到售后,每一个环节每一个步骤都进行统计。当某一个环节出现数据暴增等异常,就可以第一时间进行预警,控制风险的蔓延,并防止次生风险的发生。
市场主题
市场类的数据一般比较难获得,来源渠道也比较多且杂,数据噪音会比较大,一般只是作为参考,但也有另外,如果你是开发平台类产品的话,平台上的商户足够多,这些商户汇总的一些统计性指标是可以当成一个市场类的参考值作为分析与监控的,如所有商户的均值可以作为基准来对比用户的新增、留存;交易的规模;商品的售卖情况等等。
数据主题 | 场景专题 | 指标量化 |
---|---|---|
市场 | 市场份额 | 市场占有率、市场扩大率、用户渗透率、用户份额等 |
市场基准比较 | 市场的留存率均值、新增用户均值、流失率均值、客单价均值、销售额均值、成交人数均值、成交份数均值、商品周转率均值等 | |
3、指标体系的合理性检验
指标体系的搭建必须用以下四个准则来检验合理性:
1.完备性:通过指标体系能够对产品的经营状况一目了然;如产品现在增速如何?现状是否健康等?
2.系统性:通过指标体系能够粗略定位到数据波动的原因;如活动用户下降,通过指标体系能够拆解到大概原因。
3.可执行性:指标体系是可量化并实现的;
4.可解释性:所有指标的统计逻辑都是可解释的,容易被用户理解的。
网友评论