數據本身是無用的，除非你從中獲取到有價值的洞察?！獢祿f·實操季

如今，各行各業都在說，“我們要數字化管理”，脫離“拍腦袋”時代。但是，到底怎么落地？數據指標怎么建立合理？不同的公司業務大相徑庭，就算是同一個行業，也有不同規模，不同細分客戶群，很難一概而論。有時候，看到競品公司有哪些指標，雖然不知道有沒有用，我們也急著“跟風”。

什么才是適合自己公司或部門的數據體系？“人、貨、場” 理論似乎很有用，但不是每個公司都有實體店，5W2H好像也很有道理，每個步驟都要套用這個理論么？SWOT好像也很有道理……

今天，我們就來拋開所有這些看起來高大上的理論，從底層邏輯出發，梳理建立數據指標體系和分析方案的底層邏輯。

01

首先，我們來了解一下指標是什么？

百度百科解釋指標為：預期中打算達到的指數、規格、標準，一般用數據表示。

比如，Boss開年會時說：“我們今年新增的幾個指標：員工流失率、門店客流量、客單價……（balabala）成果豐碩，收益明顯！”。發言中所提到的“員工流失率”、“門店客流量”、“客單價”，就是指標，是對結果的數據化描述。

那么，什么是數據指標體系？即將零散的數據指標串聯起來，成為一整套體系使其具備業務參考價值。

02

在商業中，數據只有一個目的“解決問題，創造價值”。

但是“解決問題，創造價值”，對不同立場的人來說不一樣。對研發部，出多少bug和做多少功能的比例很重要；對于銷售，多少訂單很重要。要是訂單銷售數據給研發部，對日常工作并沒有參考作用，bug的比例給銷售也沒用。但是這些數據對總裁部都很有用，可以綜合得知成本和利潤比例。

為了解決這個問題，引出第一條底層邏輯：

邏輯一：多維度視角

先要確定數據指標體系的目標受眾，“他”看數據的視角和維度：職位側重點在哪里，業務階段是初期還是成熟期？越是初期數據越少，越是成熟期數據積累越多，要考慮的點也越多。

知道“他”的視角之后，去看“他”的業務是什么？對于門店經常提到“人、貨、場”：分析哪些人，場地面積，貨物種類。對于網頁商城經常提到“轉化漏斗“：多少個商品點擊量，多少個加入購物車，多少個訂單，轉化率多少。似乎，不同業務要分析的”東西“完全不一樣，到底一致性在哪里？

引出第二條底層邏輯：

邏輯二：業務場景關鍵元素分類

門店經營成交的場景 “ 我在門店付錢給售貨員，他收錢給我商品 ”。

網頁商城成交場景 “我點擊商品，訪問頁面，（也許會咨詢），點擊提交訂單”

雖然各個行業，分析的具體事項不一樣，但都是圍繞，業務場景關鍵元素分類，進行的。

那么問題又來了，這些“元素”怎樣更好？例如，我想在門店掙多點錢，我的貨怎么分配？客戶怎樣更多？店員怎樣賣得更好？搞個網站，我也知道點擊，訪問，訂單，那怎樣更多點擊？為什么點擊A不點擊B? 怎樣多點訂單？圍繞著剛剛的元素問下去，似乎有“十萬個為什么”，我們怎么知道這些元素”從哪里來“ ？

引出第三條底層邏輯：

邏輯三：追蹤業務過程

門店零售業，客戶從哪里出發，什么時段來到商城，進入門店的概率多大……

網頁商城，從哪里點擊進來，進來之后瀏覽過多少頁面，有多少鏈接引導他點擊下一個鏈接……

但是，這樣梳理完成后，圍繞關鍵元素追蹤出來的業務過程，似乎不是相互獨立的。零售業的邏輯 “人，貨，場”，但是“我”這個人，經過門店，會不會進去，和這個門店擺放的“貨”關聯性很大。網頁商城，我訪問產品頁，遇到問題能找到咨詢頁會很開心，但是我沒想提問咨詢的時候咨詢按鈕主動跳出來擋住視線，我可能會出于厭煩直接離開。

思考到這里，引申出第四條底層邏輯：

邏輯四：梳理業務邏輯關系（強關聯，弱關聯，互斥關系）

先有訪問才會下訂單，訪問和訂單是強關聯。網頁不需登錄可以瀏覽商品，登錄和瀏覽是弱關聯。投訴的次數越多，復購的概率越低，復購量和投訴量是互斥關系。

這樣，我們已經通過梳理業務考慮到很多節點的數據。說到用處，這些數據都有用，但是，全部都關注，看完一遍，都要花很多時間。尤其是忙起來，就只想知道 “一個” 數據結果。

為了解決這個問題，引出下一條底層邏輯：

邏輯五：重要性過濾

我們未必能馬上說出a，b，c，d……里面哪個重要，哪個次等重要，梳理思路的時候，可以用一個小工具，對比記分卡。

用每一行和列的項目對比，例如第一個格子，訂單數和訂單數，自己對比自己，沒有可比性，格子放黑色；第二個格子，訂單數和線索數，訂單數更重要，寫1；第三個格子，訂單數和客戶數，客戶數更重要，那么訂單數不得分，寫0；以此類推，最后得出每一行的總分數。在這個記分卡里，重要指標是訂單數和客戶數，次要指標是線索數和套餐數。

那么問題又來了，要是“我”也是剛進入這個領域，并不確定，哪些重要哪些不重要，該怎么辦？標準是什么？

那 我們引出第六條邏輯：

邏輯六：對比出標準（時間，指標，比率）

重要不重要，參照物，標準，這些都不是“拍腦袋”出來的，都是靠“對比”出來的。怎么對比？這里有三個原則，從時間上對比，從指標上對比，從比率上對比。

從時間上，這個月完成得好不好，要和上個月對比，和去年對比。具體對比什么，要比較同一個指標。但有時候，同一個指標直接對比并不能說明問題，

例如，今年付費用戶90個，去年付費用戶80個，今年一看上去就是更好。

但是去年沒有做推廣，總用戶只有100個，其中付費就有80個。今年花大錢推廣，總用戶有300個，其中付費只有90個。這樣看，推廣費都賠進去了！這里應該用 “付費率” 做對比，去年付費率80/100= 80% ， 今年付費率90/300= 30% ，明顯去年比今年好很多。

不比不知道，一比嚇一跳，通過對比，真相大白。

03

運用以上六條底層邏輯，完成了從0到1梳理和建立數據指標體系。

我們通過“數據”去發現問題，分析問題，并且解決問題。而通過這套搭建基本數據分析指標體系的底層邏輯可以讓這件事情變得事半功倍，從源頭發現問題，借助體系化的工具，在日常工作中可以監控業務，發現問題，科學的制定業務目標，在追蹤業務過程找到改進的切入點。但是，后續的實際工作中，建立數據指標體系需要各部門緊密溝通，還需要對公司業務和各部門職能的深刻理解，更要針對業務痛點，做細分板塊的深入數據分析等等。

工欲善其事，必先利其器！數據分析也好，數據挖掘也好、商業智能也好都需要在學習的時候掌握各種分析手段、技能、底層邏輯，特別是要掌握分析的底層邏輯！

下一篇，我們會根據不同行業的具體業務，逐個推出參考指標和數據分析方案，形成并涉及所有行業的數據指標體系和分析的全系列工具箱，總有一款適合你。