增长第一步：如何选择数据指标，建立数据监控体系？

作者：李泽明，GrowingIO 解决方案顾问。

来源：GrowingIO 增长沙龙分享内容

大家好，我是李泽明，来自 GrowingIO，主要为客户提供增长咨询服务。

GrowingIO 将「数据驱动增长」方法论分为三步走：

第一步，采+看，即数据监控。也就是将用户行为数据以及业务数据采集过来，用可视化的图表呈现。

第二步，想，即数据分析。结合各类数据分析方法，对上面的数据进行分析、产出洞察。

第三步，做，即业务增长。基于商业目标进行业务决策、采取行动，驱动业务增长。

在我服务过的一百多家客户当中，我发现：很多企业在「数据监控」这一步做了很多探索和实践；但是他们更关注结果性数据，而中间的过程性数据往往被忽略了。所以，他们在实践和落地增长的过程中会遇到很多的问题，包括方法、执行甚至战略。

当我们的业务出现数据异常时，因为数据很多，往往会一遍遍的从这些数据中去寻找可以定位原因的相关指标，这不仅会浪费很多时间，还会使人心疲力竭。

大部分成长型公司缺少体系化的监控，每天看数据的有多少？在你的日常工作中需要监控多少个运营指标？

解决上述问题的思路是给公司搭建一套基于业务的数据监控体系，数据监控环节离不开一个核心概念——指标。

「指标」是一种度量，它用于追踪和评估商业进程的状态，确保商务在正确的轨道上运营，同时验证方法论，不断地学习。

指标监控体系最大的价值就是帮助大家高效利用时间，把时间花在解决问题上，而不是寻找问题上，从而提高团队整体的人效。

所以今天，我主要会和大家分享：如何选择数据指标、如何搭建增长数据指标体系。

1.如何选择数据指标

对一个具体的业务场景，我们如何去选择正确的指标？这里我们推荐 OSM 模型，它可以提供一套系统的思路；即便是新人，也能够很快上手。

1.1 OSM 模型

什么是 OSM 模型？

O 代表业务目标（Object）

如果你是公司的负责人，想一想公司的核心目标是什么，可能是公司今年的利润额。如果你是产品部门负责人，那你需要思考未来几年的产品规划。

S 代表业务策略（Strategy）

为了达成这个目标，我们所要采取的策略。

M 代表业务度量（Measure）

它用于衡量我们的策略是否有效，反映目标的达成情况。「业务度量」涉及到以下两个概念：

一个是 KPI ，用来直接衡量策略的有效性。

一个是 Target，是预先给出的值，用来判断是否达到预期。

指标的选取是很核心的一步。如果我们选择了正确的指标，它就像一个晴雨表，能很好地衡量业务的健康状况。如果我们选择了一个错误的或者是虚荣的指标，它可能会把我们引导到一个错误的路径上去，这是一个很大的陷阱。

1.2 选择数据指标的四个思考

下面我以「非标住宿」平台为例分享一下，如何去选取正确的指标；或者说，负责搜索功能的产品经理如何利用 OSM 模型搭建数据监控指标体系。

非标住宿有个特点，就是产品个性化。比如说我们住宿的时候选择情侣房等个性化住房，其数量是有限的，同一个风格的房源一般不会超过 5 间。

从发起搜索到搜索结果页，再到产品详情页，最后填写订单、预订成功，这是该非标住宿搜索预订的完整路径。在这整个业务流程中，我们该如何搭建数据监控体系，通过数据分析指导业务增长呢？

1.2.1 指标衡量的是什么？

在这个例子中，选定目标运用了 2 种视角：

第一种，用户视角，让用户通过搜索高效地找到心仪的住宿产品。

第二种，业务视角，提高从搜索到最后成功下单的转化率。

为了提高这个转化率，我们会采取什么样的策略呢？

第一，返回与用户搜索值相匹配的搜索结果。

第二，提供有效的搜索结果排序。对于非标类产品，我们需要思考怎样把用户感兴趣的产品放在第一屏或者前三位，能够让用户一眼就看到他想搜索的产品。

第三，当搜索没有结果或者结果不足时，我们就要做有效的推荐。

1.2.2 如何有效衡量“什么”？

第一步，选择合适的 OSM 指标度量。

针对从搜索到下单的整个流程，我拆解了 2 个 KPI 指标。

KPI 1 是搜索到详情页的转化率，我们设置的 Target 是 30%。在这一步，用户通过搜索得出想要的结果，才会点击产品的详情页。

KPI 2 是详情页到下单的转化率，Target 也是 30%。在这一步，如果用户看的产品详情页是符合心意的，才可能会产生订购，达到最后的预定成功。

第二步，注意结果性指标和过程性指标。

结果性指标，就比如电商场景下的 GMV 或订单量，它通常是业务漏斗的底部，是一个不可更改的、后验性的指标。

过程性指标，可以简单理解为我到达这个结果之前经过的路径，以及通过这个路径去衡量转化好坏的过程，它是可干预的，而且通常是“用户行为”。

1.2.3 如何衡量指标的好坏？

我们需要设定 Target 来衡量指标的好坏，这基于我们内部的历史数据和行业的 benchmark，其设定原则是：要对内部有一定的挑战性，但又不是遥不可及的。

我们在这里给大家展示的是一个历史数据，可以看到，从开始搜索到商品详情页，转化率是 23.2%；从商品详情页到最后预定成功，转化率是 23.8%，两者比较接近。这个时候我们选择 30% 作为 Target 是比较合适的。

1.2.4 如何改善指标的表现？

优化过程指标便可以改善指标的表现。

以刚才的非标住宿为例，结果性目标是提交订单数量，每一步的漏斗就是我们的过程指标。把发起搜索到进入详情的转化率，和商品详情页到下单的转化率目标都设定为 30%，如果都达成的话，我们的总转化率就能够达到 9%，整体的效果比原来的 5.5% 增加了 60%。

1.3 选取业务目标的原则

在衡量刚刚提及的 2 种视角的适用性之前，我们需要知道如何去确定你负责的业务目标。

首先，分享给大家一个很简单的方法，就是去问你的领导，我们今年的目标是什么？我们的产品要达到一个什么样的东西？其次，我们要关注的是长期目标和近期目标，并让其相辅相成。

在选取目标的时候，我们要注意 4 个原则，即 DUMB：

切实可行 （Doable）

易于理解 （Understandable）

可干预可管理 （Manageable）

正向的有益的 （Beneficial）

可以发现，以用户视角和业务视角出发制定的这两个目标，是符合 DUMB 原则的。

但与此同时，我们要避免两个误区：

第一个误区，过于模糊。这个用户视角的目标就过于模糊，就像哈姆雷特一样，每个人都有自己心仪的一个东西，它是不可衡量的。

第二个误区，过于保守和激进。如果你选择 20% 或者 50% 的转化率作为目标，前者很容易达到，而后者是近期不必去关注的。我们选择的业务视角的目标，就避开了这一误区。

1.4 GrowingIO 数据看板

在这里我可以提一下，GrowingIO 有一个看板的功能，我们可以基于 OSM 模型去搭建我们自己想要的数据看板。这个看板基于我们的目标、策略，以及衡量这个策略是否可行的策略的标准，通过它，我们能够快速定位指标，并将其以丰富的图表样式呈现出来。

猎上网是业内领先的网络猎头平台，通过 GrowingIO 增长学院的学习，他们把 OSM 业务度量模型引入到猎上网的数据分析流程中。

所有业务部门向数据中心提交数据报表或分析的需求，都需要利用模板梳理需求，分为目标、策略和衡量指标，并和数据团队的分析师共同 review 需求，达成共识后进行数据分析或开发工作。

OSM 的分析思路贯穿了整个数据流程，连接跨部门的基于业务目标和策略的数据需求交流。结果是，数据部门大幅提升了数据研发质量和效率；业务部门通过 OSM 流程，逐步培养了分析思维，提升了数据的理解和需求提出能力。

2.数据指标分级体系

指标分级体系更适合我们的 BI 或者分析师，这里要用到的技能会更高阶一点。这能够帮助公司搭建一套完整的数据监控指标体系，从而及时发现业绩的升高或降低，以及产生的原因。

数据本身是分层的，我们在思考指标的时候，也应该有一个层级的概念，而不是现阶段关心什么，我们就放什么；指标分级可以帮助我们更高效的去定位问题，去验证你的方法论，无需每次都要思考要去看哪些指标。

我们会针对不同的指标，分不同的层级。不一定要拆得太细，否则层级会过深，基本上 3 个层级就能够指导我们一线的业务人员去做一些动作。

2.1 三个层级

一级指标

一级指标必须是全公司都认可的、衡量业绩的核心指标。它可以直接指引公司的战略目标，衡量公司的业务达成情况，本质上需要管理层和下级员工的双向理解、认同，且要易于沟通传达，比如公司的销售额，或者社交产品的活跃度。

以 GrowingIO 为例，我们获客的时候，一级指标就是新的注册用户数。当他们创建看板的数量大于 5 个，我们会认为这是活跃用户。因为当你接入 SDK 并且搭建了这个图表的时候，我们才认为你深度体验了 GrowingIO 的功能和产品特性。

二级指标

二级指标是一级指标的路径指标。一级指标发生变化的时候，我们通过查看二级指标，能够快速定位问题的原因所在。

比如说，我们的一级指标是 GMV 和订单数量上升，那怎样去定二级指标呢？我们在历史经验的基础上去拆解一级指标，而能够影响到 GMV 和订单数量上升的，就是我们的核心二级指标。比如说货品的单价上升，或者最近做的一些活动。

三级指标

三级指标是对二级指标的路径的分析。通过三级指标，可以高效定位二级指标波动的原因，这一步也会基于历史经验和拆解。

三级指标能够直接执行一线运营的角色和作用。以一级指标 GMV 提升为例，我们拆解后发现是转化率提升，那么转化率就是二级指标。接着分平台去拆解转化率的时候，我们发现是 IOS 的客户端转化率有所提升。

那为什么安卓没有提升，是不是 IOS 最近做了一些迭代？是不是它的一个转换路径比其他端好？这些思考就能指导业务人员展开行动。

2.2 GrowingIO 指标体系实践

GrowingIO 是一家做数据分析的平台，是基于用户行为的数据分析产品。我们帮助企业高效获取并分析全面的实时的用户行为数据，去优化我们的产品体验、实现精细化运营、用数据驱动用户和运营的增长。

那我们是如何搭建起自己的一套监控体系的呢？

我们设立了增长指标、活跃指标和变现指标，分别对应一级、二级和三级指标。

增长指标：新用户的注册量；

活跃指标：DAU ，也就是登陆用户数。

变现指标：用户从注册到下单，所完成的订单额或营业额。

如果看到一级指标（新的注册用户数）有增长，我们就要迅速去看一下，是不是有哪些二级指标做了波动，便能快速定位一级指标增长的原因。有了二级指标的增长，再通过三级指标拆解二级指标，以此类推，我们便能够解决日常业务中遇到的 70% 的问题。

3.增长场景及实践

对于一家公司而言，不同的部门有不同的分析需求，如何能够从零开始快速地搭建一套公司自己的分析体系呢？或者说，在公司没有这种思维的情况下，我们怎样开始做这件事情？

3.1 数据规划

我们 GrowingIO 针对来自不同行业的近 7000 家客户，总结出来了如下所示的场景总览，包括电商行业、广告平台、社群运营和品类运营等等。

以电商场景为例，提高转化率要看什么？看商品购买转化流程的监控和优化，这一部分我们要看什么东西？

购买转化漏斗。如果与 GrowingIO 合作的话，我们会把需要核心关注的指标都列出来，以一个成型的模板供大家参考，帮助客户快速上手，搭建基础的数据体系。

3.2 数据采集

这是我们 GrowingIO 总结出来的双模型分析方法：

首先我们看一下模式 2 ，它叫【迭代分析】，基于无埋点的全量数据和智能工具，可以敏捷快速地支持创新迭代。尤其是当我们发布新产品的时候，我们需要针对产品快速迭代，这个时候就会产生大量的数据需求。

验证产品的好坏，需要通过指标去衡量。在传统方式中，我们需要将数据指标的需求提供给工程或者数据部门，让他们通过埋点的方式获取数据，就会带来 2 个问题：

资源浪费。因为产品的迭代非常之快，这些指标其实都是一次性的，但工程部门要投入很多的资源去研发、去做埋点工作。

增加沟通成本。研发人员可能会很不理解，为什么要埋这么多点？埋这么多点，你有增长吗？

这个时候如果通过轻量级的无埋点方式，全量地抓取用户行为数据，就不需要太多的工程投入。当我们要去做一个注册转化图的时候，只需要把鼠标移放到我们想看的指标处，去做一个指标定义，就能够完成所有的步骤。

举个例子，一个 O2O 平台，在全国将近一百个城市里都有业务覆盖，不同的城市由不同的同事去负责运营。一般来说，一个城市做活动是以一个星期为单位去做参照对比的，需要快速拿到数据去验证不同活动的优劣，他们的数据部门往往很难支撑如此庞大的数据需求。

通过 GrowingIO 全量采集想要监控的数据，运营的同事不需要数据部门或者工程部门去跑数，他们自己就可以分析数据。因为这个产品是使用分析的方法去构造的，在使用过程中你会自然而然地形成分析思维。

模式 1 是【监控管理】，监控的是偏业务的数据，比如订单量、每天完成的金额，这些指标都是可以一直复用的，而且对准确性的要求非常高。需要我们用「埋点」的方式去做，并进行长期监控。

模式 1 和模式 2 之间是流动的，采用无埋点和埋点结合的方式，可以节省研发投入，帮助我们快速地获取想要的数据，去做监控。

当我们的产品不断迭代开发，达到一个稳定阶段的时候，就可以用埋点方式获取一些相对固定的指标，通过这种不断的循环去做接下来的迭代和开发。

我今天就分享到这里，谢谢大家！

关于 GrowingIO

GrowingIO 是基于用户行为的新一代数据分析产品。首推国内领先的“分析工具 + 运营咨询 + 持续增长”数据服务体系，帮助企业构建数据运营闭环。依托于快速部署无埋点技术，实时采集全量行为数据，搭建完整的数据监控体系，高效管控与运营核心业务指标，帮助企业挖掘更多商业价值。