原来数据指标体系的构建方法和流程都离不开“模版+案例”这个思维模式,本篇文章带你了解怎么样才能构建好思维体系。同时这篇文章推荐给从事数据运营分析的工作者阅读。
为了提升同学们的职场竞争力,陈老师特别推出一个系列文章。从数据分析的基础方法到具体问题处理,系统讲解一下。
同学们现实的困惑是:你说报表我就见过,我天天都在更新。可这玩意怎么就体系了呢?做了体系又怎么样呢?为啥我不觉得我做的是体系?今天系统解答一下。要讲,就从数据指标讲起。
一、为啥需要数据指标
以下话是不是经常听到:
- “大概有1万多人吧”
- “有很多顾客都不满意”
- “感觉我们门店都没人了”
不确定、不具体、不准确。
我们平时过日子都是这么说话的。没毛病,因为具体的消息是有很大成本的,大部分时候我们就是随口说说而已。但是企业经营要是都靠这个那就死翘翘了,花多少钱赚多少钱都不清楚,老板非气得翘辫子。
数据指标就是对抗这种不确定的。
如果我们把上边的表述改成:
- 4月1日新注册用户9800人,超目标1000人
- 4月1日当日A产品退货100件,累计30天退货率2.5%
- 4月1日全国到店用户30万人,到店率30%,低于32%的期望值
是不是爽快多了。这就是数据指标的直观用途。
二、为啥需要数据指标体系
实际工作中,想要准确说清楚一件事是挺麻烦的,比如我们想说:“2月份A产品卖得非常棒!”如果对方想较真的话,可以挑一堆刺出来(如下图)
一个问题,往往有很多方面,只用一个指标不能充分说明问题。这就需要一组有逻辑的数据指标来描述,这就是数据指标体系。
三、数据指标体系五大件
1、主指标(一级指标)
用来评价这个事到底咋样的最核心的指标。比如说:“产品卖得好”。直观地想到是“销售金额”这个指标,因为这是我们卖货直接收到手里的钱,钱多了当然好。
每个指标得有以下要素:
- 业务含义:在业务上它的意义是……
- 数据来源:哪个系统采集原始数据
- 统计时间:在XX时间内产生的该数据
- 计算公式:如果有比例、比率,得说清楚谁除谁;如果是汇总,得说清楚谁加谁。
注意:有可能需要多个主指标,来做综合评价。比如产品卖得好,光看金额还不够,可能还要关注毛利,这才是真正赚到的钱。可能还得看销售数量,因为销售数量和库存直接挂钩,得防止积压太多。这样就至少有了三个主指标:销售金额、销售件数、销售毛利。
2、子指标(二级/三级指标)
主指标可能由几个子部分构成。比如:
销售金额=用户数 * 付费率* 客单价
如果销售金额没达标,我们会很好奇:到底是购买的客户少了,还是卖的人不够多,还是卖得太便宜了,了解细节有利于我们找到真正的问题,这时候就得拆解子指标。
3、过程指标
主指标往往是最终的结果,比如B2B行业的销售金额,是销售线索-售前跟进-需求确认-产品体验-价格谈判-竞标-签约这一系列过程最后的一个结果。光看一个最后结果是无法监督、改进过程的。如果想更进一步管理,就得看得更细一些,从而添加子指标(如下图)
4、分类维度
有可能一件事是很多人、在很长时间内完成的。想知道总销售金额是怎么构成的,每个地区、每个团队分别完成多少,可以增加分类维度。
通过分类维度,把主指标切成若干块,这样能避免平均数陷阱,把整体和局部一起看清楚(如下图)
5、判断标准
即使有了以上四个点,我们还是不能说:A产品卖得好。因为好是个形容词,是和差相对的。因此就需要一个对比的参照物。参照物的选择,本身是个复杂的分析过程,需要做深入的分析。
在构造指标体系的时候,往往这些判断标准是和当前数据一起呈现的。这样在看数据的时候,可以直观地做出判断,使用起来就很方便了。
四、数据指标体系如何发挥作用
小结一下,构成指标体系五部分是:
- 主指标
- 子指标
- 过程指标
- 分类维度
- 判断标准
有了这五部分,诊断起问题来非常轻松。
先看主指标+判断标准,比如主指标是:销售金额,先看本月是否达标了,没达标差多少达标。再看年累计达标没有,有多少亏空/盈余。这样很容易看清楚:问题是什么,有多大。
再看分类维度。哪些区域没有做好,是不是一贯做不好;哪些区域做得好,是勉强完成还是持续上涨。这样谁有能力兜底,谁是拖后腿的一目了然。
再看子指标/过程指标。哪个环节没做好,是线索太少了,得加大推广力度;还是跟进成功率低,得提升销售能力;还是报价总miss,得增加一些折扣。怎么处理问题一目了然。
可以说,做好了数据指标体系,基本上能干60%数据分析师的活。好的数据指标体系,就能让业务人员看一眼就知道该在哪里干,该往什么方向干,非常好用。
注意:基于指标体系的诊断,只解决战术问题,不解决战斗层面的细节问题。
比如这些问题:
- 我没有思路,该怎么设计方法?
- 我有三种方法,哪种更适合当前问题?
- 我想用方法一,成功几率有多大?
这些用专题分析的方法更容易解决。毕竟报表报表,只是报告状况的表,至于未来怎么干,得有更针对性的分析才行。
五、如何构造数据指标体系
1、明确工作目标,清晰主指标
这是最重要的第一步,先整明白:我做这一堆指标为的是什么。把主指标树清楚,后边判断标准才知道围绕谁做,子指标才知道对应哪些流程。只要是在企业上班的部门,都有各自KPI,因此主指标是肯定能找到的。
2、清晰判断标准
这一步也非常重要,涉及到这是“一个有用的报表”还是“一堆花花绿绿的数字”。什么算“好”是一个非常关键的问题。
既然已经找到了主指标,就得为它建立配套的判断标准。这样才能解读数据含义,才知道怎么看分类维度。常见的有四类标准(如下图)。
当然,立标准本身是个很复杂的分析,也可以做得很复杂。但最后,哪些算好,哪些算不好,得区分得很清晰。
3、了解业务管理方式,找合适的子指标
有了主指标和主指标的判断标准以后,可以进一步梳理子指标。子指标和业务管理方式有直接关系。
比如销售金额,既能以分公司为单位进行指标拆解,也能以用户为单位进行。具体怎么看,要看业务能怎么管这件事。比如销售一般按区域管理,那就按分公司拆。市场一般按用户管,就按用户拆。总之,业务方便最重要。
4、梳理业务流程,设定过程指标
过程指标理论上越多越好,越多过程指标,可以越细地追踪流程,发现问题。但在业务上,不见得每个动作都做了数据采集,因此要结合具体业务流程来,在关键节点加以控制。
5、添加分类维度
有很多维度都能当分类维度,选用哪些,完全看业务上能从什么角度管理问题。把对管理有意义的维度加进来。(如下图)
这样就搞掂了一个数据指标体系,过程一点不复杂。大部分时候,实际问题是:没做过数据采集,没有数据记录可以做指标。这才是最头疼的。然而问题是:为啥看起来简单的过程,做出来却没那个体系化的感觉呢?
六、为什么我做的不是指标体系
1、没有主指标,不知道在干啥
这是最常见的问题。很多同学的报表是从离职同事那里交接来的。为什么做?做了给谁看?看了又怎样?一问三不知。反正每天照猫花虎,定时更新就好了。
有些同学试图搞清楚,但是业务方自己是糊涂蛋。你问他:你们目标是什么啊?他答:提升GMV啊~~亲,GMV这么宏观的东西,他到底管哪一块?提升的话从多少提升到多少?提升到多少算满意?丫自己做方案也是照猫画虎,稀里糊涂,更不要说和数据分析师讲清楚了。
2、没有判断标准,不知道说了啥
这个是另一个常见,且致命的问题。很多同学都是盲目更新报表,数据列了一大堆,到底什么算“好”什么算“不好”,不知道。或者只是天真地认为:涨就是好,跌就是不好。结果引出特别多笑话(如下图)
3、没有拆解子指标,对着主指标发呆
这个问题往往是部门分工问题的后遗症。
4、没有按业务流程构造子指标,单纯堆砌数据
很多同学构建数据指标体系,喜欢堆砌数据。放一堆指标以显得丰富。可实际上如果不按业务流程找子指标,指标之间逻辑性就很差,看起来经常莫名其妙。更不要说,很容易弄出来类似“你幸福吗”这种稀奇古怪的玩意。
5、没有根据业务选分类维度,胡乱拆解
把用户性别、年龄、地域、VIP等级、来源渠道、终端型号等等维度一通丢,显得报表很丰富,实际上业务意义不清楚。
你问他为什么拿男女分类,他答:分出来差异大……至于差异大了还能咋样,业务上有没有能力针对性别做事情,又不知道了。
以上种种问题,本质上都是没有站在对业务有用的角度进行思考。单纯地为了搞指标而搞指标。
这和工作习惯有直接关系。很多同学不是试图自己去理解业务流程,了解业务目标,而是去找一个“权威”“正式”“完美”“通用”版的指标体系。结果就是只会到处抄抄抄,看似做了很多,结果连看数据的人都没几个。
想改变,当然得从基础抓起,不要觉得我有个“数据XX的头衔”,就得看各种高深的算法理论才算有用。搞理论是科学家的事,在企业上班就得干点实际有用的东西。想助力业务,当然得从一线业务认真研究起。
作者 : 接地气的陈老师
来源公众号: 接地气的陈老师 (ID:773891)
本文由@ 接地气的陈老师 原创发布于运营派,未经许可,禁止转载。
题图来自pexels,基于 CC0 协议。
等我一分钟 我去找个夸你的句子
对于一个每天996的运营人来说,简直扎心了。![:x](//image.woshipm.com/s/koubi.gif)
知易行难
很深刻,感谢作者分享
顶!![:cry:](//image.woshipm.com/s/dan.gif)
降低期望,把手机关掉,焦虑就没有了。