建立数据分析指标体系的底层逻辑

建立数据分析指标体系的底层逻辑逻辑一：多维度视角先要确定数据指标体系的目标受众，“他”看数据的视角和维度：职位侧重点在哪里，业务阶段是初期还是成熟期？越是初期数据越少，越是成熟期数据积累越多，要考虑的点也越多。知道“他”的视角之后，去看“他”的业务是什么？对于门店经常提到“人、货、场”：分析哪些人，场地面积，货物种类。对于网页商城经常提到“转化漏斗“：多少个商品点击量，多少个加入购物车，多少个订单，转化率多少。似乎，不同业务要分析的”东西“完全不一样，到底一致性在哪里？引出第二条底层逻辑：逻辑二：业务场景关键元素分类门店经营成交的场景“我在门店付钱给售货员，他收钱给我商品”。网页商城成交场景“我点击商品，访问页面，（也许会咨询），点击提交订单”虽然各个行业，分析的具体事项不一样，但都是围绕，业务场景关键元素分类，进行的。那么问题又来了，这些“元素”怎样更好？例如，我想在门店挣多点钱，我的货怎么分配？客户怎样更多？店员怎样卖得更好？搞个网站，我也知道点击，访问，订单，那怎样更多点击？为什么点击A不点击B?怎样多点订单？围绕着刚刚的元素问下去，似乎有“十万个为什么”，我们怎么知道这些元素”从哪里来“？引出第三条底层逻辑：逻辑三：追踪业务过程门店零售业，客户从哪里出发，什么时段来到商城，进入门店的概率多大……网页商城，从哪里点击进来，进来之后浏览过多少页面，有多少链接引导他点击下一个链接……但是，这样梳理完成后，围绕关键元素追踪出来的业务过程，似乎不是相互独立的。零售业的逻辑“人，货，场”，但是“我”这个人，经过门店，会不会进去，和这个门店摆放的“货”关联性很大。网页商城，我访问产品页，遇到问题能找到咨询页会很开心，但是我没想提问咨询的时候咨询按钮主动跳出来挡住视线，我可能会出于厌烦直接离开。思考到这里，引申出第四条底层逻辑：逻辑四：梳理业务逻辑关系（强关联，弱关联，互斥关系）先有访问才会下订单，访问和订单是强关联。网页不需登录可以浏览商品，登录和浏览是弱关联。投诉的次数越多，复购的概率越低，复购量和投诉量是互斥关系。这样，我们已经通过梳理业务考虑到很多节点的数据。说到用处，这些数据都有用，但是，全部都关注，看完一遍，都要花很多时间。尤其是忙起来，就只想知道“一个”数据结果。为了解决这个问题，引出下一条底层逻辑：逻辑五：重要性过滤我们未必能马上说出a，b，c，d……里面哪个重要，哪个次等重要，梳理思路的时候，可以用一个小工具，对比记分卡。用每一行和列的项目对比，例如第一个格子，订单数和订单数，自己对比自己，没有可比性，格子放黑色；第二个格子，订单数和线索数，订单数更重要，写1；第三个格子，订单数和客户数，客户数更重要，那么订单数不得分，写0；以此类推，最后得出每一行的总分数。在这个记分卡里，重要指标是订单数和客户数，次要指标是线索数和套餐数。那么问题又来了，要是“我”也是刚进入这个领域，并不确定，哪些重要哪些不重要，该怎么办？标准是什么？那我们引出第六条逻辑：逻辑六：对比出标准（时间，指标，比率）重要不重要，参照物，标准，这些都不是“拍脑袋”出来的，都是靠“对比”出来的。怎么对比？这里有三个原则，从时间上对比，从指标上对比，从比率上对比。从时间上，这个月完成得好不好，要和上个月对比，和去年对比。具体对比什么，要比较同一个指标。但有时候，同一个指标直接对比并不能说明问题，例如，今年付费用户90个，去年付费用户80个，今年一看上去就是更好。但是去年没有做推广，总用户只有100个，其中付费就有80个。今年花大钱推广，总用户有300个，其中付费只有90个。这样看，推广费都赔进去了！这里应该用“付费率”做对比，去年付费率80/100=80%，