>

增长第一步:如何选择数据指标,建立数据监控体系?

GIO 增长团队 2019-08-28
812

 

作者:李泽明,GrowingIO 解决方案顾问。

来源:GrowingIO 增长沙龙分享内容


大家好,我是李泽明,来自 GrowingIO,主要为客户提供增长咨询服务。

GrowingIO 将「数据驱动增长」方法论分为三步走:


  • 第一步,采+看,即数据监控。也就是将用户行为数据以及业务数据采集过来,用可视化的图表呈现。

  • 第二步,想,即数据分析。结合各类数据分析方法,对上面的数据进行分析、产出洞察。

  • 第三步,做,即业务增长。基于商业目标进行业务决策、采取行动,驱动业务增长。



在我服务过的一百多家客户当中,我发现:很多企业在「数据监控」这一步做了很多探索和实践;但是他们更关注结果性数据,而中间的过程性数据往往被忽略了。所以,他们在实践和落地增长的过程中会遇到很多的问题,包括方法、执行甚至战略。

当我们的业务出现数据异常时,因为数据很多,往往会一遍遍的从这些数据中去寻找可以定位原因的相关指标,这不仅会浪费很多时间,还会使人心疲力竭。

大部分成长型公司缺少体系化的监控,每天看数据的有多少?在你的日常工作中需要监控多少个运营指标?

解决上述问题的思路是给公司搭建一套基于业务的数据监控体系,数据监控环节离不开一个核心概念——指标。

「指标」是一种度量,它用于追踪和评估商业进程的状态,确保商务在正确的轨道上运营,同时验证方法论,不断地学习。

指标监控体系最大的价值就是帮助大家高效利用时间,把时间花在解决问题上,而不是寻找问题上,从而提高团队整体的人效。

所以今天,我主要会和大家分享:如何选择数据指标、如何搭建增长数据指标体系。

1.如何选择数据指标

对一个具体的业务场景,我们如何去选择正确的指标?这里我们推荐 OSM 模型,它可以提供一套系统的思路;即便是新人,也能够很快上手。

1.1 OSM 模型

什么是 OSM 模型?

  • O 代表业务目标(Object)

如果你是公司的负责人,想一想公司的核心目标是什么,可能是公司今年的利润额。如果你是产品部门负责人,那你需要思考未来几年的产品规划。

  • S 代表业务策略(Strategy)

为了达成这个目标,我们所要采取的策略。

  • M 代表业务度量(Measure)

它用于衡量我们的策略是否有效,反映目标的达成情况。「业务度量」涉及到以下两个概念:

  • 一个是 KPI ,用来直接衡量策略的有效性。

  • 一个是 Target,是预先给出的值,用来判断是否达到预期。

指标的选取是很核心的一步。如果我们选择了正确的指标,它就像一个晴雨表,能很好地衡量业务的健康状况。如果我们选择了一个错误的或者是虚荣的指标,它可能会把我们引导到一个错误的路径上去,这是一个很大的陷阱。

1.2 选择数据指标的四个思考

下面我以「非标住宿」平台为例分享一下,如何去选取正确的指标;或者说,负责搜索功能的产品经理如何利用 OSM 模型搭建数据监控指标体系。

非标住宿有个特点,就是产品个性化。比如说我们住宿的时候选择情侣房等个性化住房,其数量是有限的,同一个风格的房源一般不会超过 5 间。



从发起搜索到搜索结果页,再到产品详情页,最后填写订单、预订成功,这是该非标住宿搜索预订的完整路径。在这整个业务流程中,我们该如何搭建数据监控体系,通过数据分析指导业务增长呢?


1.2.1 指标衡量的是什么?

在这个例子中,选定目标运用了 2 种视角:

  • 第一种,用户视角,让用户通过搜索高效地找到心仪的住宿产品。

  • 第二种,业务视角,提高从搜索到最后成功下单的转化率。

为了提高这个转化率,我们会采取什么样的策略呢?

  • 第一,返回与用户搜索值相匹配的搜索结果。

  • 第二,提供有效的搜索结果排序。对于非标类产品,我们需要思考怎样把用户感兴趣的产品放在第一屏或者前三位,能够让用户一眼就看到他想搜索的产品。

  • 第三,当搜索没有结果或者结果不足时,我们就要做有效的推荐。


1.2.2 如何有效衡量“什么”?

第一步,选择合适的 OSM 指标度量。

针对从搜索到下单的整个流程,我拆解了 2 个 KPI 指标。

KPI 1 是搜索到详情页的转化率,我们设置的 Target 是 30%。在这一步,用户通过搜索得出想要的结果,才会点击产品的详情页。

KPI 2 是详情页到下单的转化率,Target 也是 30%。在这一步,如果用户看的产品详情页是符合心意的,才可能会产生订购,达到最后的预定成功。

第二步,注意结果性指标和过程性指标。

结果性指标,就比如电商场景下的 GMV 或订单量,它通常是业务漏斗的底部,是一个不可更改的、后验性的指标。

过程性指标,可以简单理解为我到达这个结果之前经过的路径,以及通过这个路径去衡量转化好坏的过程,它是可干预的,而且通常是“用户行为”。


1.2.3 如何衡量指标的好坏?

我们需要设定 Target 来衡量指标的好坏,这基于我们内部的历史数据和行业的 benchmark,其设定原则是:要对内部有一定的挑战性,但又不是遥不可及的。



我们在这里给大家展示的是一个历史数据,可以看到,从开始搜索到商品详情页,转化率是 23.2%;从商品详情页到最后预定成功,转化率是 23.8%,两者比较接近。这个时候我们选择 30% 作为 Target 是比较合适的。


1.2.4 如何改善指标的表现?

优化过程指标便可以改善指标的表现。



以刚才的非标住宿为例,结果性目标是提交订单数量,每一步的漏斗就是我们的过程指标。把发起搜索到进入详情的转化率,和商品详情页到下单的转化率目标都设定为 30%,如果都达成的话,我们的总转化率就能够达到 9%,整体的效果比原来的 5.5% 增加了 60%。

1.3 选取业务目标的原则

在衡量刚刚提及的 2 种视角的适用性之前,我们需要知道如何去确定你负责的业务目标。

首先,分享给大家一个很简单的方法,就是去问你的领导,我们今年的目标是什么?我们的产品要达到一个什么样的东西?其次,我们要关注的是长期目标和近期目标,并让其相辅相成。

在选取目标的时候,我们要注意 4 个原则,即 DUMB:

  • 切实可行 (Doable)

  • 易于理解 (Understandable)

  • 可干预可管理 (Manageable)

  • 正向的有益的 (Beneficial)

可以发现,以用户视角和业务视角出发制定的这两个目标,是符合 DUMB 原则的。

但与此同时,我们要避免两个误区:

  • 第一个误区,过于模糊。这个用户视角的目标就过于模糊,就像哈姆雷特一样,每个人都有自己心仪的一个东西,它是不可衡量的。

  • 第二个误区,过于保守和激进。如果你选择 20% 或者 50% 的转化率作为目标,前者很容易达到,而后者是近期不必去关注的。我们选择的业务视角的目标,就避开了这一误区。

1.4  GrowingIO 数据看板

在这里我可以提一下,GrowingIO 有一个看板的功能,我们可以基于 OSM 模型去搭建我们自己想要的数据看板。这个看板基于我们的目标、策略,以及衡量这个策略是否可行的策略的标准,通过它,我们能够快速定位指标,并将其以丰富的图表样式呈现出来。



猎上网是业内领先的网络猎头平台,通过 GrowingIO 增长学院的学习,他们把 OSM 业务度量模型引入到猎上网的数据分析流程中。

所有业务部门向数据中心提交数据报表或分析的需求,都需要利用模板梳理需求,分为目标、策略和衡量指标,并和数据团队的分析师共同 review 需求,达成共识后进行数据分析或开发工作。



OSM 的分析思路贯穿了整个数据流程,连接跨部门的基于业务目标和策略的数据需求交流。结果是,数据部门大幅提升了数据研发质量和效率;业务部门通过 OSM 流程,逐步培养了分析思维,提升了数据的理解和需求提出能力。

2.数据指标分级体系

指标分级体系更适合我们的 BI 或者分析师,这里要用到的技能会更高阶一点。这能够帮助公司搭建一套完整的数据监控指标体系,从而及时发现业绩的升高或降低,以及产生的原因。

数据本身是分层的,我们在思考指标的时候,也应该有一个层级的概念,而不是现阶段关心什么,我们就放什么;指标分级可以帮助我们更高效的去定位问题,去验证你的方法论,无需每次都要思考要去看哪些指标。

我们会针对不同的指标,分不同的层级。不一定要拆得太细,否则层级会过深,基本上 3 个层级就能够指导我们一线的业务人员去做一些动作。

2.1 三个层级

  • 一级指标

一级指标必须是全公司都认可的、衡量业绩的核心指标。它可以直接指引公司的战略目标,衡量公司的业务达成情况,本质上需要管理层和下级员工的双向理解、认同,且要易于沟通传达,比如公司的销售额,或者社交产品的活跃度。

以 GrowingIO 为例,我们获客的时候,一级指标就是新的注册用户数。当他们创建看板的数量大于 5 个,我们会认为这是活跃用户。因为当你接入 SDK 并且搭建了这个图表的时候,我们才认为你深度体验了 GrowingIO 的功能和产品特性。



  • 二级指标

二级指标是一级指标的路径指标。一级指标发生变化的时候,我们通过查看二级指标,能够快速定位问题的原因所在。



比如说,我们的一级指标是 GMV 和订单数量上升,那怎样去定二级指标呢?我们在历史经验的基础上去拆解一级指标,而能够影响到 GMV 和订单数量上升的,就是我们的核心二级指标。比如说货品的单价上升,或者最近做的一些活动。

  • 三级指标

三级指标是对二级指标的路径的分析。通过三级指标,可以高效定位二级指标波动的原因,这一步也会基于历史经验和拆解。



三级指标能够直接执行一线运营的角色和作用。以一级指标 GMV 提升为例,我们拆解后发现是转化率提升,那么转化率就是二级指标。接着分平台去拆解转化率的时候,我们发现是 IOS 的客户端转化率有所提升。

那为什么安卓没有提升,是不是 IOS 最近做了一些迭代?是不是它的一个转换路径比其他端好?这些思考就能指导业务人员展开行动。

2.2 GrowingIO 指标体系实践

GrowingIO 是一家做数据分析的平台,是基于用户行为的数据分析产品。我们帮助企业高效获取并分析全面的实时的用户行为数据,去优化我们的产品体验、实现精细化运营、用数据驱动用户和运营的增长。

那我们是如何搭建起自己的一套监控体系的呢?



我们设立了增长指标、活跃指标和变现指标,分别对应一级、二级和三级指标。

  • 增长指标:新用户的注册量;

  • 活跃指标:DAU ,也就是登陆用户数。

  • 变现指标:用户从注册到下单,所完成的订单额或营业额。

如果看到一级指标(新的注册用户数)有增长,我们就要迅速去看一下,是不是有哪些二级指标做了波动,便能快速定位一级指标增长的原因。有了二级指标的增长,再通过三级指标拆解二级指标,以此类推,我们便能够解决日常业务中遇到的 70% 的问题。

3.增长场景及实践

对于一家公司而言,不同的部门有不同的分析需求,如何能够从零开始快速地搭建一套公司自己的分析体系呢?或者说,在公司没有这种思维的情况下,我们怎样开始做这件事情?

3.1 数据规划

我们 GrowingIO 针对来自不同行业的上千家客户,总结出来了如下所示的场景总览,包括电商行业、广告平台、社群运营和品类运营等等。



以电商场景为例,提高转化率要看什么?看商品购买转化流程的监控和优化,这一部分我们要看什么东西?



购买转化漏斗。如果与 GrowingIO 合作的话,我们会把需要核心关注的指标都列出来,以一个成型的模板供大家参考,帮助客户快速上手,搭建基础的数据体系。

3.2 数据采集

这是我们 GrowingIO 总结出来的双模型分析方法:



首先我们看一下模式 2 ,它叫【迭代分析】,基于无埋点的全量数据和智能工具,可以敏捷快速地支持创新迭代。尤其是当我们发布新产品的时候,我们需要针对产品快速迭代,这个时候就会产生大量的数据需求。

验证产品的好坏,需要通过指标去衡量。在传统方式中,我们需要将数据指标的需求提供给工程或者数据部门,让他们通过埋点的方式获取数据,就会带来 2 个问题:

  • 资源浪费。因为产品的迭代非常之快,这些指标其实都是一次性的,但工程部门要投入很多的资源去研发、去做埋点工作。

  • 增加沟通成本。研发人员可能会很不理解,为什么要埋这么多点?埋这么多点,你有增长吗?

这个时候如果通过轻量级的无埋点方式,全量地抓取用户行为数据,就不需要太多的工程投入。当我们要去做一个注册转化图的时候,只需要把鼠标移放到我们想看的指标处,去做一个指标定义,就能够完成所有的步骤。

举个例子,一个 O2O 平台,在全国将近一百个城市里都有业务覆盖,不同的城市由不同的同事去负责运营。一般来说,一个城市做活动是以一个星期为单位去做参照对比的,需要快速拿到数据去验证不同活动的优劣,他们的数据部门往往很难支撑如此庞大的数据需求。

通过 GrowingIO 全量采集想要监控的数据,运营的同事不需要数据部门或者工程部门去跑数,他们自己就可以分析数据。因为这个产品是使用分析的方法去构造的,在使用过程中你会自然而然地形成分析思维。

模式 1 是【监控管理】,监控的是偏业务的数据,比如订单量、每天完成的金额,这些指标都是可以一直复用的,而且对准确性的要求非常高。需要我们用「埋点」的方式去做,并进行长期监控。

模式 1 和模式 2 之间是流动的,采用无埋点和埋点结合的方式,可以节省研发投入,帮助我们快速地获取想要的数据,去做监控。

当我们的产品不断迭代开发,达到一个稳定阶段的时候,就可以用埋点方式获取一些相对固定的指标,通过这种不断的循环去做接下来的迭代和开发。

我今天就分享到这里,谢谢大家!