第3問：什么是數據指標？

導讀：了解完數據分析的發展后，本問開始，將從數據分析的核心—“數據指標”切入，建立全面的數據分析底層認知。數據指標是業務現狀的反映，而數據分析也正是基于對業務現狀的準確透視才能做出有效決策，因此，數據指標的重要性不言而喻。

為了建立對數據指標的完整認知，我們把數據指標拆成“數據”與“指標”，指標是數據之間的運算，是“衡量”事物發展程度的“模型”。也就是說通過“建立指標”評估“業務發展”是一個建模的過程，是把業務發展從物理世界映射到數據空間，只有這樣才能使得“萬物皆可計算”，這就是數據分析的基礎。

為了厘清從數據到指標的建模過程，我們需要先對“數據”的概念進行討論。

1．什么是“數據”？

數據是被存儲起來的信息。從應用的角度看，數據是把事物做量化處理的工具。萬物皆可數據化，數值是數據，文本、圖像、視頻等同樣也是數據。

（1）按字段類型劃分，可以把數據分為：

文本類：常見于描述性字段，如姓名、地址、備注等。

數值類：最為常見，用于描述量化屬性，如成交金額、商品數量等。

時間類：僅用于描述事件發生的時間，是重要的分析維度（如同比、環比、累計等）。

（2）按結構劃分，可以把數據分為：

結構化數據：通常指以關系數據庫方式記錄的數據。

半結構化數據：如日志、網頁數據。

非結構化數據：如語音、圖片、視頻等形式的數據。

（3）根據數據連續的屬性不同，可以把數據分為：

連續型數據：在任意區間可以無限取值，例如年齡、身高。

離散型數據：常見于分類數據，例如性別、年級。

2．如何理解“指標”？

指標的作用是“度量”業務，可以從三個角度對指標進行拆解：指標=維度+匯總方式+量度。

維度：從什么角度去衡量問題。

匯總方式：用什么方法去統計問題。

量度：目標是什么。

下面舉兩個例子。

訂單數是指統計周期內，用戶完成支付的訂單數量總和。從維度、匯總方式、量度三個角度將訂單數拆解，如下圖所示。

復購率是指統計周期內，重復消費用戶數（消費兩次以上的用戶）在總消費用戶數中的占比。從維度、匯總方式、量度三個角度將復購率拆解，如下圖所示。

3．數據指標如何落地使用？

了解完指標的底層邏輯（理論）后，更重要的是將指標在業務中落地。筆者團隊結合數據分析經驗，總結了以下數據指標的落地建議：

（1）指標基建—確保數據的完整、準確。

為了打下指標模型的穩固基礎，需要對數據底層進行檢視：

①　檢視數據源頭：埋點收集的事件數據是否足以支撐所需指標的建模。

②　臟數據清洗邏輯，也就是數據倉庫中常見的ETL（Extract-Transform-Load，抽取-轉換-加載）概念。

（2）從業務層面理解指標。

理解業務是數據分析落地的前提，有效地使用指標也同樣如此，要求熟悉數據指標背后的業務含義。例如“會員成單數”這個指標本身有很多含義（針對以購買會員為主要商業模式的App）：

●　直接含義：整個團隊的業務完成能力。

●　會員成單數+成本：企業的盈利能力。

●　會員成單數+產品：產品暢銷程度。

●　會員成單數+用戶分層：用戶的需求。

（3）從指標的變動中做決策。

為了判斷業務現狀的好壞、趨勢，需要建立衡量標準，數據指標的使用同樣如此。

通過某個孤立的指標不能反映現實，例如小明身高165cm，我們看不出小明的身高特征，但是當走來一個身高180cm的人時，我們就能判斷小明相對比較矮，或者當我們拿到全國平均身高水平是167cm時，也能得出同樣的結論。這就是利用對比思維建立標準的過程，對比的客體可以是橫向的同屬性對象、總體平均，也可以是縱向的歷史數據。

如果是周期性變化，那很有可能是正常波動，可以初步判作“正常”。如果是“突發+下跌”，那很有可能是異常的波動，可以初步判作“問題”。

（4）指標的生命周期—不同階段使用不同指標。

既然指標的作用在于反映業務，而業務的發展存在生命周期，那指標的使用也應存在時效性，即指標的生命周期。

沿著產品的生命周期來看，不同階段使用的指標差異如下：

①　導入期：業務目標在于建立知名度，通過口碑引流，著重關注新注冊人數、分享率指標。

②　成長期：業務目標在于通過不同渠道布局推廣最大限度占有市場，著重關注新會員來源渠道占比等指標。

③　成熟期：業務目標在于將前期流量變現，確保盈利規模，著重關注付費率、毛利率等指標。

④　衰退期：此時，市場增量收縮，要求對存量人群精細化運營，著重關注復購率、重購金額占比等指標。

4．小結

在一定程度上，“數據指標”能揭示出產品用戶的行為和業務水平狀況。當然，我們也不能完全迷失在數據中，應注意以下幾點：

●　數據不等同于實際場景，實際場景往往比數據更加復雜，分析時需要了解具象化的場景，而不是抽象的數據。

●　數據本身沒有觀點，分析時不能預設觀點，只傾向于那些能夠支持自己觀點的數據。

●　數據具備一定的時效性，不同情況下，一些曾經的數據可能不再適用，需要找到新的數據指標。

總之，精確的數據無法代替大方向上的判斷，不要過分迷戀數據，要做到具體問題具體分析，形成發現問題、分析問題、總結問題、解決問題的思路閉環。