5张图搭建数据指标体系

5张图，搭建数据指标体系讲数据指标体系的文章很多，但一堆指标之间的关系到底应该怎么看？本文详细分析了指标分析的常见问题、解题思路、如何认识问题等等，感兴趣的小伙伴快来看看吧！讲数据指标体系的文章很多，经常是开篇一句：互联网指标体系……，下边几百个指标blabla汹涌而出。搞得很多同学很晕菜：这么多指标，实际中到底怎么看？今天系统讲解一下。话不多说，直接上场景。场景：某视频APP内容运营，每天会固定输出游戏主题节目，节目以介绍游戏为主，目前暂无带货环节，也没有其他KPI考核，就这么先做着。每一个视频，有：播放次数、播放人数、人均播放时长、会员观看数、10%/30%/50%/90%播放完成数、单个视频发布后首日至第七日每日播放数据。还能分成：仅PC端播放、仅移动端播放，PC+移动端播放……同时由于是自己的平台播放，所以能统计到每个用户站内其他视频浏览行为。问题是：这一堆指标有啥关系？该咋看？一、常见问题一听指标体系，很多同学会直接把一堆指标铺出来：PC渠道的播放次数、播放人数、人均播放时长……移动端的播放次数、播放人数、人均播放时长……本周的、上周的、上上周的、……本次的、上次的、最近10次的、……一大堆指标摆完，发现个严重的问题：这一堆说了啥呀！因为没有刚性考核的KPI，因此很难讲清楚到底多大算好。你说播放次数越高越好吧，播放次数本身是个经常波动指标，今天高了明天低了，这么分析法得弄死自己，还没分析完为啥不好，丫指标又变好了！而且单看一个指标也显得不科学，比如有的视频就是播放很多但人均时长很短，还有一堆人涌过来看，然后秒退的情况。实际情况千奇百怪，连好/坏都没法评估，咋进一步分析：为啥好/为啥坏呢？二、解题思路会导致晕头转向的核心问题，在于：没有明确目标。如果是销售的业务场景，目标很清晰：销售收入/GMV。但是运营的场景不见得都有如此清晰、刚性的目标。特别是内容运营，本身就有“放水养鱼”的作用，有好的内容积攒粉丝、吸引关注非常重要。无刚性目标，导致建立评价标准很难。如果只看一个指标，比如播放量，似乎有失偏颇。如果看两个、三个、四个指标，比如播放人数、10%跳出人数、人均时长，则指标间相互交叉，情况错综复杂，很难下结论。更不用说，很多新手会习惯性忽略建立标准环节。于是导致了大量铺陈数据，然后不知道下啥结论的晕头鸭子问题。如何在无刚性目标情况下，建立评价标准，读懂数据含义，是搭建体系的关键。三、认识问题，从单指标开始想理清头绪，当然得从一个指标开始。连一个指标的走势都没看清楚，就扯上二三四个，只会越看越晕。选第一个观察指标的时候，尽量选简单、直接、不用计算的指标，这样更容易看清楚情况，避免牵扯太多。因此在众多指标中，可以先看播放次数/播放人数（选一个）。假设先看播放次数，对单指标而言，肯定是越多越好。播放量是内容运营的基础，连看都没人看，其他的更谈不上了。但是这里要注意，观察：播放量指标是否有周/月/日的规律。如果有规律性波动，就不能简单地说：昨天比今天高，所以昨天好（如下图）假设播放量有周波动规律，则可以建立单指标的简单评价标准：以周为单位观察，数值越大越好以日为单位观察，数值越大越好超过自身类型月平均水平，超过越多越好这样就能对播放次数，这样的单个指标讲清楚：好/坏四、从单指标到多指标整明白了一个指标，可以加入其他指标。在加入其他指标的时候，要首先观察：两指标之间关系。有可能两指标相关系数高，有可能相关系数低。这两种情况下处理方法不同。相关系数高：比如播放次数和播放人数，两个指标很有可能高度相关。一个视频玩家短时间内可能只看1次就够了。高度相关的两个指标，在评价好坏时不需要重复评估，看一个就好了。这样能减少数据干扰，更容易得出结论（如下图）。相关系数低：比如播放次数和人均时长，不见得高度相关。很有可能有的视频太过标题党，标题太刺激，配图很色诱，把玩家骗进来结果发现货不对板。如果出现两个指标相关度低，就能用矩阵分析法，把视频分类（如下图）经过这一步梳理以后，就能对两个指标情况做出判断。理论上播放次数越高越好，但人均时长不能低于一定水平，或者10%跳出用户比例不能超过一定水平，这样就能对每一期视频进行评价。有了评价，就能做出进一步分析。五、从多指标到原因解读评价了好/坏，就能进一步分析：为什么好、为什么坏。到这一步，就会发现，现有数据指标的问题：虽然看似一堆指标，可都是结果性指标。并不能直接从指标里推出：到底为啥用户喜欢看。这时优先考虑的是：补充数据，看看添加哪些数据能解释清楚问题。首先想到的是视频本身的数据，视频本身可以有多种标签：视频主题：讲哪一类游戏视频内容：游戏八卦、玩法、比赛……视频讲解：找技术高手还是找个美女亮腿……视频时长：太长的可能中间关掉的多发稿时间：选播放好的时间发做内容运营，首先得对自己做的内容有清晰的了解，打好标签，再做其他工作。有了标签，单纯地结合标签分析结果指标，也可能得出一些有用的结论，比如：5分钟比10分钟效果好美女亮腿比男主持人效果好讲比赛比讲八卦效果好这些已经足够优化运营了。更进一步的还可以结合用户画像来看，比如：观察用户看别的游戏类视频行为，给用户喜欢的游戏类型，游戏内容贴标签观察用户近期关注的热点内容、流行的梗观察用户更喜欢技术宅还是美女有了这些用户标签，可以查看：目前观看视频的用户群体是否是目标群体根据群体规模大的用户，制作新的内容根据用户近期关注的话题、主播喜好，选话题和主持人当然，并不见得投其所好一定有效，更有可能有“标题党蹭热度”的效果——播放次数很多但看一眼就跳出。所以最后还是得结合优化前后效果，做最终定论。六、小结搭建数据分析体系可以很简单（如下图）真正