文章详情

　　随着公司业务规模扩大，各类相关的数据量增加，大数据指标也越来越多。如果缺乏大数据指标体系和分析方案，就会难以判断整体业务发展状况、难以衡量产品/活动效果、等等。
 

　　如今，各行各业都在说，“我们要数字化管理”，脱离“拍脑袋”时代。但是，到底怎么落地?大数据指标怎么建立合理?不同的公司业务大相径庭，就算是同一个行业，也有不同规模，不同细分客户群，很难一概而论。有时候，看到竞品公司有哪些指标，虽然不知道有没有用，我们也急着“跟风”。

　　什么才是适合自己公司或部门的数据体系?“人、货、场” 理论似乎很有用，但不是每个公司都有实体店，5W2H好像也很有道理，每个步骤都要套用这个理论么?SWOT好像也很有道理……
 

　　今天，我们就来抛开所有这些看起来高大上的理论，从底层逻辑出发，梳理建立大数据指标体系和分析方案的底层逻辑。
 

　　1、首先，我们来了解一下指标是什么?
 

　　百度百科解释指标为：预期中打算达到的指数、规格、标准，一般用数据表示。
 

　　比如，Boss开年会时说：“我们今年新增的几个指标：员工流失率、门店客流量、客单价……成果丰硕，收益明显!”。发言中所提到的“员工流失率”、“门店客流量”、“客单价”，就是指标，是对结果的数据化描述。
 

　　那么，什么是大数据指标体系?
 

　　即将零散的大数据指标串联起来，成为一整套体系使其具备业务参考价值。
 

　　2、在商业中，数据只有一个目的“解决问题，创造价值”。
 

　　但是“解决问题，创造价值”，对不同立场的人来说不一样。对研发部，出多少bug和做多少功能的比例很重要;对于销售，多少订单很重要。要是订单销售数据给研发部，对日常工作并没有参考作用，bug的比例给销售也没用。但是这些数据对总裁部都很有用，可以综合得知成本和利润比例。
 

　　为了解决这个问题，引出第一条底层逻辑：
 

　　逻辑一：多维度视角
 

　　先要确定大数据指标体系的目标受众，“他”看数据的视角和维度：职位侧重点在哪里，业务阶段是初期还是成熟期?越是初期数据越少，越是成熟期数据积累越多，要考虑的点也越多。
 

　　知道“他”的视角之后，去看“他”的业务是什么?对于门店经常提到“人、货、场”：分析哪些人，场地面积，货物种类。对于网页商城经常提到“转化漏斗“：多少个商品点击量，多少个加入购物车，多少个订单，转化率多少。似乎，不同业务要分析的”东西“完全不一样，到底一致性在哪里?
 

　　引出第二条底层逻辑：
 

　　逻辑二：业务场景关键元素分类
 

　　门店经营成交的场景 “ 我在门店付钱给售货员，他收钱给我商品 ”。
 

 

　　网页商城成交场景 “我点击商品，访问页面，(也许会咨询)，点击提交订单”

 

　　虽然各个行业，分析的具体事项不一样，但都是围绕，业务场景关键元素分类，进行的。
 

　　那么问题又来了，这些“元素”怎样更好?例如，我想在门店挣多点钱，我的货怎么分配?客户怎样更多?店员怎样卖得更好?搞个网站，我也知道点击，访问，订单，那怎样更多点击?为什么点击A不点击B? 怎样多点订单?围绕着刚刚的元素问下去，似乎有“十万个为什么”，我们怎么知道这些元素”从哪里来“ ?
 

　　引出第三条底层逻辑：
 

　　逻辑三：追踪业务过程
 

　　门店零售业，客户从哪里出发，什么时段来到商城，进入门店的概率多大……
 

　　网页商城，从哪里点击进来，进来之后浏览过多少页面，有多少链接引导他点击下一个链接……
 

　　但是，这样梳理完成后，围绕关键元素追踪出来的业务过程，似乎不是相互独立的。零售业的逻辑 “人，货，场”，但是“我”这个人，经过门店，会不会进去，和这个门店摆放的“货”关联性很大。网页商城，我访问产品页，遇到问题能找到咨询页会很开心，但是我没想提问咨询的时候咨询按钮主动跳出来挡住视线，我可能会出于厌烦直接离开。
 

　　思考到这里，引申出第四条底层逻辑：
 

　　逻辑四：梳理业务逻辑关系(强关联，弱关联，互斥关系)
 

　　先有访问才会下订单，访问和订单是强关联。网页不需登录可以浏览商品，登录和浏览是弱关联。投诉的次数越多，复购的概率越低，复购量和投诉量是互斥关系。
 

　　这样，我们已经通过梳理业务考虑到很多节点的数据。说到用处，这些数据都有用，但是，全部都关注，看完一遍，都要花很多时间。尤其是忙起来，就只想知道 “一个” 数据结果。
 

　　为了解决这个问题，引出下一条底层逻辑：
 

　　逻辑五：重要性过滤
 

　　我们未必能马上说出a，b，c，d……里面哪个重要，哪个次等重要，梳理思路的时候，可以用一个小工具，对比记分卡。
 

 

　　用每一行和列的项目对比，例如第一个格子，订单数和订单数，自己对比自己，没有可比性，格子放黑色;第二个格子，订单数和线索数，订单数更重要，写1;第三个格子，订单数和客户数，客户数更重要，那么订单数不得分，写0;以此类推，最后得出每一行的总分数。在这个记分卡里，重要指标是订单数和客户数，次要指标是线索数和套餐数
 

　　那么问题又来了，要是“我”也是刚进入这个领域，并不确定，哪些重要哪些不重要，该怎么办?标准是什么?
 

　　那我们引出第六条逻辑：
 

　　逻辑六：对比出标准(时间，指标，比率)
 

　　重要不重要，参照物，标准，这些都不是“拍脑袋”出来的，都是靠“对比”出来的。怎么对比?这里有三个原则，从时间上对比，从指标上对比，从比率上对比。
 

　　从时间上，这个月完成得好不好，要和上个月对比，和去年对比。具体对比什么，要比较同一个指标。但有时候，同一个指标直接对比并不能说明问题，
 

　　例如，今年付费用户90个，去年付费用户80个，今年一看上去就是更好。
 

　　但是去年没有做推广，总用户只有100个，其中付费就有80个。今年花大钱推广，总用户有300个，其中付费只有90个。这样看，推广费都赔进去了!这里应该用 “付费率” 做对比，去年付费率80/100= 80% ， 今年付费率90/300= 30% ，明显去年比今年好很多。
 

　　不比不知道，一比吓一跳，通过对比，真相大白。
 

　　3、运用以上六条底层逻辑，完成了从0到1梳理和建立大数据指标体系。
 

　　我们通过“数据”去发现问题，分析问题，并且解决问题。而通过这套搭建基本数据分析指标体系的底层逻辑可以让这件事情变得事半功倍，从源头发现

　　随着公司业务规模扩大，各类相关的数据量增加，大数据指标也越来越多。如果缺乏大数据指标体系和分析方案，就会难以判断整体业务发展状况、难以衡量产品/活动效果、等等。
 

　　如今，各行各业都在说，“我们要数字化管理”，脱离“拍脑袋”时代。但是，到底怎么落地?大数据指标怎么建立合理?不同的公司业务大相径庭，就算是同一个行业，也有不同规模，不同细分客户群，很难一概而论。有时候，看到竞品公司有哪些指标，虽然不知道有没有用，我们也急着“跟风”。

　　什么才是适合自己公司或部门的数据体系?“人、货、场” 理论似乎很有用，但不是每个公司都有实体店，5W2H好像也很有道理，每个步骤都要套用这个理论么?SWOT好像也很有道理……
 

　　今天，我们就来抛开所有这些看起来高大上的理论，从底层逻辑出发，梳理建立大数据指标体系和分析方案的底层逻辑。
 

　　1、首先，我们来了解一下指标是什么?
 

　　百度百科解释指标为：预期中打算达到的指数、规格、标准，一般用数据表示。
 

　　比如，Boss开年会时说：“我们今年新增的几个指标：员工流失率、门店客流量、客单价……成果丰硕，收益明显!”。发言中所提到的“员工流失率”、“门店客流量”、“客单价”，就是指标，是对结果的数据化描述。
 

　　那么，什么是大数据指标体系?
 

　　即将零散的大数据指标串联起来，成为一整套体系使其具备业务参考价值。
 

　　2、在商业中，数据只有一个目的“解决问题，创造价值”。
 

　　但是“解决问题，创造价值”，对不同立场的人来说不一样。对研发部，出多少bug和做多少功能的比例很重要;对于销售，多少订单很重要。要是订单销售数据给研发部，对日常工作并没有参考作用，bug的比例给销售也没用。但是这些数据对总裁部都很有用，可以综合得知成本和利润比例。
 

　　为了解决这个问题，引出第一条底层逻辑：
 

　　逻辑一：多维度视角
 

　　先要确定大数据指标体系的目标受众，“他”看数据的视角和维度：职位侧重点在哪里，业务阶段是初期还是成熟期?越是初期数据越少，越是成熟期数据积累越多，要考虑的点也越多。
 

　　知道“他”的视角之后，去看“他”的业务是什么?对于门店经常提到“人、货、场”：分析哪些人，场地面积，货物种类。对于网页商城经常提到“转化漏斗“：多少个商品点击量，多少个加入购物车，多少个订单，转化率多少。似乎，不同业务要分析的”东西“完全不一样，到底一致性在哪里?
 

　　引出第二条底层逻辑：
 

　　逻辑二：业务场景关键元素分类
 

　　门店经营成交的场景 “ 我在门店付钱给售货员，他收钱给我商品 ”。
 

 

　　网页商城成交场景 “我点击商品，访问页面，(也许会咨询)，点击提交订单”

 

　　虽然各个行业，分析的具体事项不一样，但都是围绕，业务场景关键元素分类，进行的。
 

　　那么问题又来了，这些“元素”怎样更好?例如，我想在门店挣多点钱，我的货怎么分配?客户怎样更多?店员怎样卖得更好?搞个网站，我也知道点击，访问，订单，那怎样更多点击?为什么点击A不点击B? 怎样多点订单?围绕着刚刚的元素问下去，似乎有“十万个为什么”，我们怎么知道这些元素”从哪里来“ ?
 

　　引出第三条底层逻辑：
 

　　逻辑三：追踪业务过程
 

　　门店零售业，客户从哪里出发，什么时段来到商城，进入门店的概率多大……
 

　　网页商城，从哪里点击进来，进来之后浏览过多少页面，有多少链接引导他点击下一个链接……
 

　　但是，这样梳理完成后，围绕关键元素追踪出来的业务过程，似乎不是相互独立的。零售业的逻辑 “人，货，场”，但是“我”这个人，经过门店，会不会进去，和这个门店摆放的“货”关联性很大。网页商城，我访问产品页，遇到问题能找到咨询页会很开心，但是我没想提问咨询的时候咨询按钮主动跳出来挡住视线，我可能会出于厌烦直接离开。
 

　　思考到这里，引申出第四条底层逻辑：
 

　　逻辑四：梳理业务逻辑关系(强关联，弱关联，互斥关系)
 

　　先有访问才会下订单，访问和订单是强关联。网页不需登录可以浏览商品，登录和浏览是弱关联。投诉的次数越多，复购的概率越低，复购量和投诉量是互斥关系。
 

　　这样，我们已经通过梳理业务考虑到很多节点的数据。说到用处，这些数据都有用，但是，全部都关注，看完一遍，都要花很多时间。尤其是忙起来，就只想知道 “一个” 数据结果。
 

　　为了解决这个问题，引出下一条底层逻辑：
 

　　逻辑五：重要性过滤
 

　　我们未必能马上说出a，b，c，d……里面哪个重要，哪个次等重要，梳理思路的时候，可以用一个小工具，对比记分卡。
 

 

　　用每一行和列的项目对比，例如第一个格子，订单数和订单数，自己对比自己，没有可比性，格子放黑色;第二个格子，订单数和线索数，订单数更重要，写1;第三个格子，订单数和客户数，客户数更重要，那么订单数不得分，写0;以此类推，最后得出每一行的总分数。在这个记分卡里，重要指标是订单数和客户数，次要指标是线索数和套餐数
 

　　那么问题又来了，要是“我”也是刚进入这个领域，并不确定，哪些重要哪些不重要，该怎么办?标准是什么?
 

　　那我们引出第六条逻辑：
 

　　逻辑六：对比出标准(时间，指标，比率)
 

　　重要不重要，参照物，标准，这些都不是“拍脑袋”出来的，都是靠“对比”出来的。怎么对比?这里有三个原则，从时间上对比，从指标上对比，从比率上对比。
 

　　从时间上，这个月完成得好不好，要和上个月对比，和去年对比。具体对比什么，要比较同一个指标。但有时候，同一个指标直接对比并不能说明问题，
 

　　例如，今年付费用户90个，去年付费用户80个，今年一看上去就是更好。
 

　　但是去年没有做推广，总用户只有100个，其中付费就有80个。今年花大钱推广，总用户有300个，其中付费只有90个。这样看，推广费都赔进去了!这里应该用 “付费率” 做对比，去年付费率80/100= 80% ， 今年付费率90/300= 30% ，明显去年比今年好很多。
 

　　不比不知道，一比吓一跳，通过对比，真相大白。
 

　　3、运用以上六条底层逻辑，完成了从0到1梳理和建立大数据指标体系。
 

　　我们通过“数据”去发现问题，分析问题，并且解决问题。而通过这套搭建基本数据分析指标体系的底层逻辑可以让这件事情变得事半功倍，从源头发现问题，借助体系化的工具，在日常工作中可以监控业务，发现问题，科学的制定业务目标，在追踪业务过程找到改进的切入点。
 

　　但是，后续的实际工作中，建立大数据指标体系需要各部门紧密沟通，还需要对公司业务和各部门职能的深刻理解，更要针对业务痛点，做细分板块的深入数据分析等等。
 

　　励志笃行
 

　　工欲善其事，必先利其器!数据分析也好，数据挖掘也好、商业智能也好都需要在学习的时候掌握各种分析手段、技能、底层逻辑，特别是要掌握分析的底层逻辑!

问题，借助体系化的工具，在日常工作中可以监控业务，发现问题，科学的制定业务目标，在追踪业务过程找到改进的切入点。
 

　　但是，后续的实际工作中，建立大数据指标体系需要各部门紧密沟通，还需要对公司业务和各部门职能的深刻理解，更要针对业务痛点，做细分板块的深入数据分析等等。
 

　　励志笃行
 

　　工欲善其事，必先利其器!数据分析也好，数据挖掘也好、商业智能也好都需要在学习的时候掌握各种分析手段、技能、底层逻辑，特别是要掌握分析的底层逻辑!