在日常产品的迭代和运营的过程中，我们会接触不同的数据、不同的指标，很多数据指标独立存在的，每个指标都能表示出一些问题，但是最终显示出来的数据比较零散，没有办法串联起来，也没有办法发现全局问题，因此要做指标体系化，将零散的数据串联起来，通过单点看到全体，通过全局解决单点问题，达到“牵一发而动全身”的目的，通过相关的指标变化看到整体业务场景下的变化，从而快速发现问题或者是监控相应运营策略的效果情况。
一. 拆解方法
第一步：找到北极星指标
北极星指标就像北极星一样，指引全公司（部门）的努力方向，那么北极星指标为什么如此重要？
北极星指标可以为公司指明方向：当公司或者组织达到一定规模后，如果没有一个明确的数据指标指引，可能会出现目标不统一，缺少了统一的目标，无法保证不同团队劲往一块使
明确任务优先级：没有统一指标作指引，可能会出现胡子眉毛一起抓，无法集中力量，抓住重点
提高行动力：设定一个关键指标，能够大幅度提高行动力，调动全员的积极性，努力达到那个目标
指导实验，监测进度：通过这个目标，可以指导公司的现状，有针对性的上线各种策略，然后进行复盘
既然北极星指标如此重要，那么定义北极星的标准有哪些呢？
这个指标可以让你知道你的用户体验了产品的核心价值：所谓核心价值是指产品为用户解决的痛点和满足用户的需求是什么？如电商产品的核心价值是购买商品，对于一个社交产品，其核心价值就是社交
这个指标能够反映用户的活跃度：定义用户的活跃度，要深入思考，不能仅仅以登录或者启动作为用户活跃的判断标准，还要看用户是否完成了产品的“关键行为”
如果这个指标变好了，说明整个公司是在向好的方向发展：北极星指标能从宏观上反映出公司的经营状况，只看一眼北极星指标就能大体上知道公司的发展趋势
这个指标容易被理解：一般选择绝对数据作为北极星指标，而不是比例或者百分比，便于各个团队之间协作和交流
选先导指标作为北极星指标：避免选择滞后指标，防止误导决策
指标是可操作的：如果对于一个指标什么也做不了，那相当于这个指标不存在，这个指标一定是要可以操作的
在了解了北极星指标以后，需要在不断的实验中找到适合的北极星指标，找到一个最适合业务的北极星指标
第二步：构建指标模型
再定义了北极星指标以后，下一步就是构建指标模型，指标模型的精髓是将商业模式总结成一个数学公式，从而帮助企业用全面、简单和结构化的方式去思考，打造一个指标模型需要有三个元素，即：
定义输出变量：即公司或者部门的北极星指标
定义输入变量：找到哪些指标可以影响北极星指标
方程：即找到这些变量之间的关系
定义了三个元素以后，要创建一个指标模型，主要有三步：
第一步：定义北极星指标
第二步：绘制用户旅程
第三步：组件指标模型
1.定义北极星指标
选择北极星指标的方法见 → 第一步：找到北极星指标
2.绘制用户旅程
绘制用户旅程，就是要以北极星指标所代表的用户状态为目标，一步一步的把用户旅程绘制出来
举例：
以一款听歌App为例，我们把“总听歌时间”作为该App的北极星指标，那么用户需要经历以下步骤才能到达听歌的状态：
1）下载App
2）注册
3）浏览歌曲
4）首次听歌
5）持续登陆
6）持续听歌
3.组装指标模型
所谓绘制用户旅程，就是要记录一个用户从初次接触产品到体验产品的核心价值要经历的步骤，绘制完用户旅程以后，就找到了指标模型的框架
接下来需要对指标进行分解，分解出指标模型，如以下模型，拆解的方法是：
第一步：横向拆解，将总活跃数按照“加法”的方式，拆解成新增活跃用户数和已有活跃用户数，拆分的方式可以按照团队设置来进行拆分，也可以按照来源拆分，依据实际情况进行操作即可，即：
总活跃用户数 = 新增活跃用户数 + 已有活跃用户数
第二步：纵向分解，按照用户的生命旅程，通过“乘法”的方式将字母表拆解为更细的漏斗，也就是找到可操作性的输入变量，对新增活跃用户数和已有活跃用户数进行拆解后，就得到如下公式：
新增活跃用户数 = 下载用户数 x 新用户启动率
已有活跃用户数 = 已有用户数 x 老用户留存率
完成以上两步以后，即得到如下模型：
我们将上述听歌App的举例装入这个模型中：
即：
活跃用户数
=新增活跃用户数 + 已有活跃用户数
=（下载量 x 注册率 x 首次浏览比例 x 首次听歌比例） + （已有用户数 x 持续登陆比例 x 持续听歌比例）
指标定义：
活跃用户：产生过听歌行为的用户
新增活跃用户：首次听歌的用户
经历以上三步，就可以完成一个初步的指标模型，在实际使用的场景中，可以按照实际的需求按照以上步骤进行操作，得到想要的指标模型
二. 指标体系的应用
有了指标模型以后，就要应用指标模型为自己的业务提供增长，这里提供以下几种使用方向：
1. 揭示输入变量对北极星指标的影响
指标模型可以帮助企业把抽象的增长分解为一个个具体的影响增长的输入变量，在把所有的增长变量都列出来以后就能发现增长的驱动力可能的来源
举例：还是以上述的听歌App为例，我们将该听歌App的听歌活跃用户数拆解成如下公式：
活跃用户数
=新增活跃用户数 + 已有活跃用户数
=（下载量 x 注册率 x 首次浏览比例 x 首次听歌比例） + （已有用户数 x 持续登陆比例 x 持续听歌比例）
在分析北极星指标活跃用户数的时候，单独对一个北极星指标进行分析的意义不大，我们要对2级指标，也就是新增活跃用户数和已有活跃用户数进行分析，会出现以下几种情景：
活跃用户数增长，有可能是以下几种情况：
新增活跃用户数增长 且 已有活跃用户数增长，这个时候，需要进一步看3级指标，去监测哪个输入变量产生了增长，确定出是正常波动还是受某一个动作的影响，然后针对该动作进行专项分析，找到引起增长的因素
新增活跃用户数增长 且 已有活跃用户数降低，如果出现这种情况需要分别对两个指标的下级指标进行分析，主要目的是找到影响新增活跃用户数增长的因素和引起活跃用户数降低的因素，然后进行专项分析后，进行优化
新增活跃用户数降低 且 以后活跃用户数增长，出现该类情况后，分析方法同上一种情形的分析方法
活跃用户数降低的分析方法同上
活跃用户数未出现明显变化：对于该类情况需要格外注意，一般数据未出现波动时，可能不会引起重视，但仍然存在以下几种可能的情形：
新增活跃用户数增长 且 已有活跃用户数降低，变化持平，互相抵消
新增活跃用户数降低 且 已有活跃用户数增长，变化持平，互相抵消
新增活跃用户数持平 且 已有活跃用户数持平
通过以上分析，就能得到增长的来源可能来自哪里，为后续的行为提供可参考的依据
2. 拆解大的增长指标，预测增长趋势
无论是汇报还是制定计划，每个公司都需要对未来的趋势进行预测，为了提高预测的准确性，需要把大的指标分解，使计划更加有据可依
举例：
如在上述的听歌App的举例中，我们将数据填充到指标模型中，得到如下公式：
活跃用户数
=新增活跃用户数 + 已有活跃用户数
=（下载量 x 注册率 x 首次浏览比例 x 首次听歌比例） + （已有用户数 x 持续登陆比例 x 持续听歌比例）
=（10000 x 50% x 90% x 30%）+ （200000 x 80% x 85%）
=1350 + 136000
=137350
在以上案例中，如果想把活跃用户数提升至144000，那么根据这个公式我们可以找到以下几个考虑的方向：
增加各个渠道的下载新用户数
提升新用户的注册率
提升新用户首次听歌的比例
提升持续听歌比例
团队可以针对每一个方向进行单独的计划喝改进，通过预测每个可能方向的提升的幅度，来预测活跃用户数可能提升的比例，以及对应要消耗的资源，提升计划的准确性
3. 找到最优的增长杠杆
有了指标模型以后，要想实现北极星指标的增长，团队能干的事情很多，可能不知道从哪下手，所谓找到最优的最优的增长杠杆，就是在确定了增长目标以后，利用指标模型，寻找到优先级最高的策略，从而实现结果的最大化
举例：
以上述听歌App为例，我们已经找到几个可能的努力方向，即：
增加各个渠道的下载新用户数
提升新用户的注册率
提升新用户首次听歌的比例
提升持续听歌比例
将以上可能的方向进行量化，得到以下可能的增长项目：
项目1：通过市场渠道的筛选，加大在优质渠道（有增长空间且该渠道用户首次听歌转化比率高）上的投入，将下载量提升至60000，提升数量为50000
项目2：将新用户的注册转化率提升至60%，提升数量为10%，同时将下载量提升至50000，提升数量为40000
项目3：将新用户首次听歌的比例提升至60%，提升数量为30%，同时将下载量提升至30000，提升数量为20000
项目4：将持续听歌比例提升至90%，提升数量为5%
如果没有指标模型，就不可能得出上述数据，因此指标模型是找到增长杠杆的前提
对以上增长项目，进行汇总对比：
持续听歌比例提升5%
对于产品的用户增长来说，虽然提升下载量能短时间内提升DAU，但是成本会成线性增长，且要想维持DAU长时间内保持在该水平，需要持续的付出相应成本，基于此，将项目1排除；在项目2、项目3、项目4之间进行对比，项目4的收益从长期看高于项目2和项目3，因为项目4提升的幅度较小，且影响的用户数远远高于项目2和项目3，因此对剩下的项目进行优先级排序：
项目4 > 项目3 > 项目2
综上，项目4是杠杆最大的项目，团队接下来的方向就相对比较明确了
4. KPI的拆解
增长模型是有效的管理决策沟通的工具，避免不同团队之间的意见之争，同一团队方向，当所有人都使用统一的北极星指标时，可以有效的保证团队之间的努力朝着同一个方向。而指标模型不管做到了方向的统一，同时也协助了思维方式和决策的统一
举例：
在上述听歌App产品的指标模型中，我们最终选定了项目4作为接下来的动作，即提升持续听歌的比例，那么负责该项工作的产品团队和运营团队的KPI就非常明显了，即将持续听歌比例提升5%，不需要在进行无休止的争辩，同时保证团队对结果的专注。
三. 指标应用案例之新注册用户数指标说明
针对新注册用户的拆解有几点说明：
因不同渠道的注册转化率不同，因此首次横向拆解时使用不同渠道作为输入变量
在纵向拆解的时候，按照用户不同行为进行拆解
所有拆解出来的指标需要能提取到对应的数据，且能进行干预
指标拆解
案例描述：某App的新用户来源有三个分别是电信渠道/互联网渠道/自然新增，为提升新注册用户数，对新注册用户数进行拆解：
对新注册用户数指标的拆解，首先以新注册用户数作为北极星指标，先按照不同渠道进行横向拆解，即：
新注册用户数 = 电信新注册用户数 + 互联网新注册用户数 + 自然新增用户数
以电信新注册用户数为例，继续进行向下纵向拆解，即：
电信新注册用户数 = 电信渠道发起注册的用户数 x 电信渠道注册转化率
= （电信渠道新启动用户数 x 电信渠道发起注册比率）x（电信渠道完成手机号验证的比率 x 电信渠道完成输入密码的比率 x 电信渠道完成设置支付密码的比率 x 电信渠道完成身份认证的比率 ）
之后对每个比率进行纵向拆解，拆解至用户行为一级，即：
电信新注册用户数 = 电信渠道发起注册的用户数 x 电信渠道注册转化率
= （电信渠道新启动用户数 x 电信渠道发起注册比率）x（电信渠道完成手机号验证的比率 x 电信渠道完成输入密码的比率 x 电信渠道完成设置支付密码的比率 x 电信渠道完成身份认证的比率 ）
将每个比率继续拆解到用户行为层级，可以得到如下模型：
其他两个渠道按照以上拆解方法进行拆解，即可得到新注册用户数的完整指标模型
寻找增长杠杆
完成指标模型拆解以后，需要寻找到一个杠杆比较大的增长方式需要经历以下两个步骤：
第一步：将以上数据全部填充到该模型中
第二步：对两个关键漏斗进行分析，找到流失严重的环节，提出增长方案（具体方法不在这里描述，会在后续文章中详细介绍）
网友评论