第3问：什么是数据指标？

导读：了解完数据分析的发展后，本问开始，将从数据分析的核心—“数据指标”切入，建立全面的数据分析底层认知。数据指标是业务现状的反映，而数据分析也正是基于对业务现状的准确透视才能做出有效决策，因此，数据指标的重要性不言而喻。

为了建立对数据指标的完整认知，我们把数据指标拆成“数据”与“指标”，指标是数据之间的运算，是“衡量”事物发展程度的“模型”。也就是说通过“建立指标”评估“业务发展”是一个建模的过程，是把业务发展从物理世界映射到数据空间，只有这样才能使得“万物皆可计算”，这就是数据分析的基础。

为了厘清从数据到指标的建模过程，我们需要先对“数据”的概念进行讨论。

1．什么是“数据”？

数据是被存储起来的信息。从应用的角度看，数据是把事物做量化处理的工具。万物皆可数据化，数值是数据，文本、图像、视频等同样也是数据。

（1）按字段类型划分，可以把数据分为：

文本类：常见于描述性字段，如姓名、地址、备注等。

数值类：最为常见，用于描述量化属性，如成交金额、商品数量等。

时间类：仅用于描述事件发生的时间，是重要的分析维度（如同比、环比、累计等）。

（2）按结构划分，可以把数据分为：

结构化数据：通常指以关系数据库方式记录的数据。

半结构化数据：如日志、网页数据。

非结构化数据：如语音、图片、视频等形式的数据。

（3）根据数据连续的属性不同，可以把数据分为：

连续型数据：在任意区间可以无限取值，例如年龄、身高。

离散型数据：常见于分类数据，例如性别、年级。

2．如何理解“指标”？

指标的作用是“度量”业务，可以从三个角度对指标进行拆解：指标=维度+汇总方式+量度。

维度：从什么角度去衡量问题。

汇总方式：用什么方法去统计问题。

量度：目标是什么。

下面举两个例子。

订单数是指统计周期内，用户完成支付的订单数量总和。从维度、汇总方式、量度三个角度将订单数拆解，如下图所示。

复购率是指统计周期内，重复消费用户数（消费两次以上的用户）在总消费用户数中的占比。从维度、汇总方式、量度三个角度将复购率拆解，如下图所示。

3．数据指标如何落地使用？

了解完指标的底层逻辑（理论）后，更重要的是将指标在业务中落地。笔者团队结合数据分析经验，总结了以下数据指标的落地建议：

（1）指标基建—确保数据的完整、准确。

为了打下指标模型的稳固基础，需要对数据底层进行检视：

①　检视数据源头：埋点收集的事件数据是否足以支撑所需指标的建模。

②　脏数据清洗逻辑，也就是数据仓库中常见的ETL（Extract-Transform-Load，抽取-转换-加载）概念。

（2）从业务层面理解指标。

理解业务是数据分析落地的前提，有效地使用指标也同样如此，要求熟悉数据指标背后的业务含义。例如“会员成单数”这个指标本身有很多含义（针对以购买会员为主要商业模式的App）：

●　直接含义：整个团队的业务完成能力。

●　会员成单数+成本：企业的盈利能力。

●　会员成单数+产品：产品畅销程度。

●　会员成单数+用户分层：用户的需求。

（3）从指标的变动中做决策。

为了判断业务现状的好坏、趋势，需要建立衡量标准，数据指标的使用同样如此。

通过某个孤立的指标不能反映现实，例如小明身高165cm，我们看不出小明的身高特征，但是当走来一个身高180cm的人时，我们就能判断小明相对比较矮，或者当我们拿到全国平均身高水平是167cm时，也能得出同样的结论。这就是利用对比思维建立标准的过程，对比的客体可以是横向的同属性对象、总体平均，也可以是纵向的历史数据。

如果是周期性变化，那很有可能是正常波动，可以初步判作“正常”。如果是“突发+下跌”，那很有可能是异常的波动，可以初步判作“问题”。

（4）指标的生命周期—不同阶段使用不同指标。

既然指标的作用在于反映业务，而业务的发展存在生命周期，那指标的使用也应存在时效性，即指标的生命周期。

沿着产品的生命周期来看，不同阶段使用的指标差异如下：

①　导入期：业务目标在于建立知名度，通过口碑引流，着重关注新注册人数、分享率指标。

②　成长期：业务目标在于通过不同渠道布局推广最大限度占有市场，着重关注新会员来源渠道占比等指标。

③　成熟期：业务目标在于将前期流量变现，确保盈利规模，着重关注付费率、毛利率等指标。

④　衰退期：此时，市场增量收缩，要求对存量人群精细化运营，着重关注复购率、重购金额占比等指标。

4．小结

在一定程度上，“数据指标”能揭示出产品用户的行为和业务水平状况。当然，我们也不能完全迷失在数据中，应注意以下几点：

●　数据不等同于实际场景，实际场景往往比数据更加复杂，分析时需要了解具象化的场景，而不是抽象的数据。

●　数据本身没有观点，分析时不能预设观点，只倾向于那些能够支持自己观点的数据。

●　数据具备一定的时效性，不同情况下，一些曾经的数据可能不再适用，需要找到新的数据指标。

总之，精确的数据无法代替大方向上的判断，不要过分迷恋数据，要做到具体问题具体分析，形成发现问题、分析问题、总结问题、解决问题的思路闭环。