如何理解业务指标

指标的计算口径

也就是指标是怎么算出来的？

• 用代码写是怎样的(技术口径)
• 用业务描述是怎样的(业务口径)

e.g. 设商品信息有cat_id(品类编号)、sku_id(商品编号)

一般来说，上面的表格会被整理为指标字典，一般需要登记的字段包括：

• 指标中文名称：需要和业务保持统一口径；

• 指标英文名称：主要是在中间表或者代码中统一；

• 业务口径：文字描述指标的统计逻辑，哪些情况的数据要算进来，要排除的情形是哪些；

• 技术口径：包括指标计算引用的源表、字段、计算规则，通常要附上SQL代码；

• 业务说明：这个指标一般是什么业务人员关注、指标高低的一般解释等；

• 其他备注：比如指标计算可能出现的坑；
  

除此之外，还要注意：

• 限定条件，相当于用SQL指标计算代码中的where字句，一般有空间和时间两种限定条件，e.g. 活跃用户数，要限定用户行为类型及阈值(比如访问时长)以及统计的时间周期(包括选择的时间字段和时间颗粒度等，比如首次or最后访问时间)；
• 隐含前提，e.g. 退货率，区分上月订单的退货率，以及，因为可能有上个月订单，下个月退货的情况，所以集合A不是完全包含于B的，在转化率关系上不是匹配的，此外，对于“转化率”类的指标，都有类似的逻辑。

指标的关联因素

指标的关联因素主要考虑：

• 哪些因素会影响该指标？该指标发生波动可能是哪些因素造成的？

• 指标和另外的哪些指标会共变？当前指标的变化会引起其他哪些指标变化？

指标的影响因素

对“影响因素”的认识，常见的场景就是波动或者差异归因。

e.g. 某app最近几天日活跃用户数(DAU)有下降，如何排查原因？

e.g. 最近客单价下降，可能原因有哪些？

对指标背后的影响因素的理解可以考虑如下几方面：

• 哪些因素会影响该指标，或者哪些业务活动会影响指标的变化；
• e.g. 2015年统计的平均身高，2020年统计的平均身高，人群成分(e.g.年龄结构)
• 什么情况下该指标会上升？
• e.g. 业务处于快速成长中，新客占比高
• 什么情况下该指标会下降？
• e.g. 什么情况下会拉低支付成功率？
• 哪些影响因素在业务情景下是可控的(通常是业务活动)，反之，哪些不可控(外部因素)？

其他共变的指标

常见的情况有两种：

1. AB两个指标都受到同一业务操作或其他因素影响，e.g.某个页面有问题无法跳转支付，那么转化率和投诉量可能都会变化；
2. A指标可能是B指标的组成部分，比如是其中的分母分子或者细分成分；e.g. 新客DAU大幅增加，新客的客单价低、付费转化率低，那么可能把整体的客单价和付费转化率都拉低(参考糖水不等式的逻辑)。

指标的业务含义

理解指标背后的业务含义，可以从如下几方面入手：

• 指标所描述的对象或场景，e.g.同样是付费，为什么有的业务看重付费率、有的则看重客单价？

• 指标在业务场景下的特点：

• 有没有周期性变化？e.g.PC端流量在周末会大幅下降；
• 在不同业务生命周期下指标会如何变化？e.g.处于更新状态和完结状态下的某在线课程页面访问的DAU；
• 在不同用户生命周期下指标会如何变化？e.g.新客和老客的转化率、使用时长、回访周期等指标；
• 同样的指标，在不同业务场景下的表现如何，比在游戏、内容平台(e.g.知乎、快手)、课程平台上——使用时长、时间段、每个月活跃天数等都会有差异，这种差异既和业务形态相关，也和用户的需求特点有关。

• 判断业务好坏对应的指标参照基线，这个基线除了用于判断业务表现外，还可以看业务的成长空间。常见的参考值：

• 行业参考值(TOP值、均值)
• 竞品或者成熟的业务线
• 不同细分业务组、整体表现值(表现优异还是“拖后退”)
• 上一时间周期(是否在“增长”)

• 数值的高低说明什么问题？

• e.g. 商品深度大，表示商品库存充足不易缺货，反之也可能潜藏高库存的风险；
• e.g. 留存率，既体现了用户的黏度，也体现了产品对用户需求的匹配程度；

• 数值的变化会是什么原因？同样的变化在不同业务场景下又不一样，好比同样是头疼发热，但是背后的原因是不一样的。

• e.g. 客单价降低，如果是因为扩充了低单价品类商品或者新用户比例增加引起的，那就不用太紧张，但如果是因为缺货、老客客单价下降等，那可能就有比较大的问题；
• 指标的变化也可能是数据变化引起的，比如统计统计有限定订单状态，而订单状态会发生变化；
  

推荐阅读

1. 说说心里话
   

2. 写给所有数据人。

3. 从留存率业务案例谈0-1的数据指标体系

4. NB，真PDF神处理工具！

5. 超级菜鸟如何入门数据分析？
   

欢迎长按扫码关注「数据管道」