数据产品-指标体系与数据采集

本文章是通过学习GrowingIO所发布的《指标体系与数据采集》方案的一些知识总结，具体方案的详情可以去GrowingIO官网上查看

一、科学规划指标体系

1、指标规划阶段常见问题
数据指标体系建立的第一步，就是要做好数据指标体系的规划，如若不规划则开展，很难实现“数据驱动增长”的快速落地
① 难以快速定位问题原因：因为缺少体系化的数据指标监控，更关注结果性数据，很多过程性数据往往被忽略。结果会导致业务结果异常时无法定位具体原因
② 前期数据未采全，后期反复
③ 上下目标没有对齐：实现没有进行数据指标体系规划，导致战略目标、业务目标到具体业务线目标没有对齐
④ 监控、分析数据解读没有治理：具体表现为表多、数多、数据乱、报表看不懂
2、规划数据指标体系的三种方法
① OSM模型（业务目标Object–业务策略Stategy–业务度量Measure）

案例说明： 提升APP搜索场景的过程转化率，基于OSM建立起一套数据监控指标体系

指标衡量的是什么：
==目标选定O
a、用户视角，用户可以使用搜索功能高效的找到自己心仪的住宿产品
b、业务视角，通过提高搜索成功率，进而提升客户的下单转化率
注意： 目标选取的原则（DUMB）
切实可行-易于理解-可干预可管理-正向的有益的
==为了提高这个转化率，对应需要采取的策略S
a、返回与用户搜索只相匹配的结果
b、提供有效的搜索结果排序
c、当搜索无结果或结果不足时，做有效的推荐
如何有效衡量“什么”：
==选择合适的OSM度量值
KPI1，搜索到详情页的转化率，可以设置为Target是X%，在这一步，用户同个搜索得出想要的结果，才会点击产品的详情页
KPI2，详情页到下单的转化率，Target也是X%，在这一步，用品看到心仪的详情页介绍，才可能实现最终的下单转化
==注意结果性指标和过程性指标
==如何衡量指标的好坏
基于内部的历史数据和行业的benchmark，原则是内部具有一定的挑战性，但又不是遥不可及的目标

==如何改善结果性指标的表现
优化过程性指标便可以改善结果性指标的表现，即关注漏斗的转化

基于上面的分析，基于OSM搭建出的数据监控指标提下如下：

② UJM模型（User Journey Map,用户旅程地图）

案例说明： 以店商产品UJM为例，UJM的过程就包括：拆解用户所处的每一个旅程阶段、了解每个阶段中用户的行为、明确每个阶段中产品的目标、发现各阶段中产品与用户的接触点、最终从接触点里找到产品的痛点和机会点

总结： 通过梳理UJM，可以使得我们定的业务目标能够满足用户的实际需求，我们的策略能够回答业务问题，达成用户旅程与业务目标项目耦合、相互影响的效果
OSM与UJM的结合：
OSM模型会让我们思考不同阶段的目标是什么，哪些业务承载这些目标
UJM模型则能让业务部门明确如何将目标、策略与业务快速耦合在一起，最终形成一个清晰、明确的数据采集体系
案例说明：

③ 场景化
场景化是为了实现在庞大的OSM模型和UJM模型之下，能够模块化、结构化地快速切入落地指标体系，快速推动指标体系的落地，将两个模型拆解后的模块匹配至各个场景，整个指标体系可以从一个非常大的战略目标进行层层拆解至一个个执行人员可落地的场景中
GrowingIO的实践通用场景画像： 基于不同的场景、对应到不同的用户旅程中，来满足不同部门从拉新到转化最终提升客单价等环节、不同层级的需求

案例说明： 基于上面的店商案例，进行应用场景赋能

举例说明： 第一个目标提升用户基数，对应的用户旅程阶段是需要用户从不同渠道、平台了解产品，所以需要对应的就是“找到最优渠道”这一场景，或者考虑是否有线下活动可以导入私域流量，如果有线下活动的渠道，还需要融入“线下导私域流量”的场景

3、指标体系分级
三级指标体系：
一级指标： 能够衡量业绩的核心指标，能够衡量战略目标、业务达成情况，一般数量控制在5-8个，需要从公司和用户两个角度出发去选取
二级指标： 对一级指标路径分析拆解，是流程中的指标，一般一级指标发生变化时，结合历史经验，能够通过二级指标快速定位问题原因所在
三级指标： 针对二级指标的路径拆解，通常以子流程或个体的方式定义、三级指标能够直接指引一线运营的决策

增长指标、活跃指标和变现指标
增长指标：新用户的注册量
活跃指标：DAU、也就是登录用户数
变现指标：用户从注册到下单，所完成的订单额或营业额

案例说明： 营销活动指标体系搭建方案
“活动迭代数据管理”场景存在活动场景范围内的UJM模型，从引流、承接、渗透、浏览、意向再到最后发生转化。每一个小的用户生命旅程中，每个阶段都有对应的小目标，每个目标对应关键指标，进而进行指标拆解，实现“ OSM模型 + UJM模型 + 场景化 + 指标体系分级 ”

对应指标体系拆解：

二、高效进行数据采集

1、数据采集阶段常见问题
① 前期沟通业务不明确
② 采集时机口径对不齐
③ 采集点没有统一管理
④ 版本更新
2、数据采集方式
埋点和无埋点： 柢固则生长，根深则视，做好数据采集是做好数据驱动的根

客户端埋点和服务端埋点： 客户端埋点适用于用户界面行为的上报，服务端埋点适用于业务操作的上报

3、埋点的团队协作流程

4、埋点方案四要素
四要素： 确认事件与变量、明确事件的触发时机、规范命名、明确优先级
① 确认事件与变量
事件： 指产品中的操作，也继你想分析的关键指标
变量： 指描述事件的属性
在确认事件与变量时，可以按照产品流程（用户旅程）来设计关键事件，如果想要进一步描述时间属性，那么可以将属性作为事件的变量‘

案例： 追踪店商的转化路径，四个产品操作布置：浏览商品详情页、加入购物车、结算、支付成功。这四个指标分类代表四个事件；如果要想要进一步监控不同品类、不同商品的购买转化率，就需要用品类和商品的维度去拆解关键指标，那么“品类”和“商品”就是这四个事件的变量
举例：【加入购物车】这个事件+商品ID以及品类这些变量，就能从商品、品类这些维度分析【加入购物车】这个行为

② 明确事件的触发时机
事件的触发时机影响着数据的准确性，要使用最贴近业务的统计口径，同时产品中可能会有多个入口均可【加入购物车】，要确认触发入口是否已经列举完整。

如上个例子中【加入购物车】的行为触发时机和触发入口

③ 规范命名
对事件进行规范统一的命名，有助于提高数据的实用性及数据管理效率，总的原则就是要确保内部对埋点的命名有统一的认知，使用同一套命名规则
命名方式：【动词+名称】或者【名词+动词】
比如：【加入购物车】事件，可以命名为“addToCart”
④ 明确优先级
埋点技术实现成本以及资源有限性，对埋点事件赋予优先级排布

案例： 以【核心购买转化】的场景为例，梳理出对应的需求文档

5、数据校验
校验重点：
① 是否被正常触发
② 触发的时机是否正确
③ 是否与埋点方案保持一致

三、正确管理数据指标

1、指标管理阶段常见问题
① 指标命名模糊不清晰
② 指标未做描述和解释
③ 指标未做分级和归类
④ 指标未做日常维护和清理
为解决上述的问题，可以从以下四个方面进行指标管理：指标命名、指标字典、指标分类、指标清理
2、指标命名
指标由事件和事件的度量构成，对于指标的命名主要在于命名一个事件的名称
数据管理方式：
①提供一套规范的命名规则，并定时查阅命名是否规范，来保证指标命名的清晰程度和更高的指标使用率
②由数据部门提供数据定义的能力，为业务端提供相关数据指标

3、指标字典
指标不做定义解释，就会出现理解偏差的风险。通过指标字典清晰描述事件的触发规则和典型应用场景

4、指标分类
可以将指标按照级别或者类型分类，一方面能够在分析问题、使用指标时，能够快速找到可能要使用到的指标；另一方面，在定义新的指标时，便于去查找是否已存在指标，避免指标冗余

5、指标清理
指标清理注重指标的长期维护，业务发生变化后，部分指标需要定期清除，尤其是无埋点指标。无埋点指标适合用于探索场景，不适合进行长期监控。对于一些确定没有未来使用场景的指标也可以进行及时清除