看了下百度百科,竟然没有数据指标这个词条,看来这个词大家平时还用的不多啊。那只有间接偷懒一下,分别查下指标和数据这两个词条的含义,在组合起来看看。
数据:数据是指对客观事件进行记录并可以鉴别的符号,是对客观事物的性质、状态以及相互关系等进行记载的物理符号或这些物理符号的组合。它是可识别的、抽象的符号。
指标:衡量目标的参数,预期中打算达到的指数、规格、标准,一般用数据表示。
——来源《百度百科》
数据是对事物结果的归纳,指标是衡量目标的方法。
组合一下,数据指标就是可以对结果进行归纳的一种目标衡量方式。
说人话就是可以将某个事物结果量化,形成数值化的度量方式,用来衡量目标。
数据指标就是一种定量思维方式的体现,他至少有两个作用:
1 想不出来数据指标,说明是对这块事(团队要做的事)没有一个清晰的认知
2 想得清楚数据指标,却做不出来,说明对整个团队缺少掌控,不能推动落地
不能建立数据指标,根本没法做数据驱动,所以数据指标其实是想真实反应我们的团队是什么状态,我们做的事是什么状态的一个指向标。
究其原因,组织执行力、产品健康度需要某种程度的量化,数据指标的作用从更宏观的角度看是这样的:
其中牵引指标就对应我们的业务数据指标,牵引指标不健康的时候可以预警是不是团队方向跟目标走偏了,leader要考虑调整目标还是修正团队方向。
结合数据分析来说,数据指标就是将复杂、抽象的业务拆分组合,并找到可以直观明确的衡量这些组合的度量方式,并可用数字来量化。同时他们是相互独立的,可以穷尽的。
但要完整的衡量一个事务或者业务,一个数据指标往往是不够的。如同描述一个人,仅仅描述身高,体重等等单一维度不能反应一个人的全貌一样,单一的某个数据指标是不能反应整体情况的,这时候需要建立指标体系——一系列有逻辑关系的数据指标,通过多维度的数据指标来评估业务状况。
对于一般互联网行业或者产品来说,数据指标体系是用来系统的揭示业务水平状况和用户行为的主要方式。
数据指标本质是用数据说话,对业务进行精准的号脉。
传统企业或者小企业可能不会有数据指标体系的概念,也不会下大工夫来建设数据指标体系,但却并不能完全脱离,或多或少都会涉及数据指标,只是不够全面、不能统一、不成体系。
一般衡量业务好坏主要看财务指标,例如收入、毛利率、净利率等。对于一些创新类、探索类的业务可能会关注用户量、GMV、转化率等。不管业务处在什么阶段,我们都需要一些数据指标能够对其进行衡量。
没有指标对业务进行系统衡量,我们就无法把控业务发展,无法对业务质量进行衡量,无法看清楚业务发展是否到达阶段性目标。而且某些复杂的业务,单一数据指标衡量很可能片面化,需要搭建系统的指标体系,才能全面衡量业务发展情况,促进业务有序增长。
当组织有全面、统一数据指标体系时,可以统一度量衡,减少转化、翻译(口径解释)等工作,降低组织内的沟通成本。
产品的研发和运营其实很依赖数据支持,数据指标不仅仅能帮助大家看到业务发展的结果,还能帮助大家看清产品研发和运营的过程,能够及时调整策略,更万无一失的达到目标。
对于互联网公司,产品的研发和运营等部门是促进公司发展的核心组织,通过完善的数据指标体系和数据分析,来有效聚焦工作目标、指导成员工作。同时对指标体系内的各层级指标间建立起清晰的关系,还能从指标体系出发,明确工作重点。最终做到以数据驱动,找到不足,提升业绩。
数据指标体系是数据分析体系的第一步,数据分析本质就是根据数据指标的变化寻找业务问题、预测业务结果,数据分析工作在数据指标体系的指引下才有意义。
完善的数据指标体系业务可以让数据的采集更有目的性,避免分析时的指标数据遗漏或缺失。虽然有些数据分析软件可以对数据缺失值进行处理,但如果连指标都没有,这种缺失肯定是软件无法处理的。尤其是关键指标的缺失,将会造成分析结果的可信度下降。
数据分析体系的最终目的是帮助组织在内部建设一套可运行的信息反馈机制,能够持续的发现问题、预警风险,帮助决策者能够做到“谋定而后动,知止而有得。
举个例子,我们衡量一个公众号前期的运营情况,可以用一个核心指标——昨日新增用户数。
如果昨天新增用户数是1000,这个猛然一看感觉这个公众号运营的还不错。但是再加个前日新增用户数这个指标呢,如果前日新增用数是2000呢,那么新增用户数直接是下降了50%了。我们加了一个比较的指标,让我们对这个业务的发展认识就完全不一样了。如果我们加入更多的指标,比如阅读量、打开率等等,还会有更多的认识。
上面我们不断增加指标的过程,也就是在梳理业务指标体系的过程,一个数据指标是没有办法衡量业务的发展,但是一个指标体系就能把问题说的清晰明白。
一个好的指标体系对于组织而言,可以是一把统一沟通语言的尺子,可以是一台统一方向的司南,可以是一个持续发现问题、预警风险的智库
数据指标体系的建设是和业务的发展相辅相成的,当数据指标体系比较完善时,我们的业务应该也是比较成熟了。
如果业务才刚刚开始,我们就要建成完善的数据指标体系是很难的,而且是不切实际的。
就算勉强有,这样的数据指标体系也是无根止水,因为业务是不断变化的,运营方式也会不断调整,大部分的数据指标都需要从业务结果和业务运营过程中去提炼总结。
只有当业务比较成熟时,运营方式比较稳定时,我们的数据指标体系才能初见成效,才能有效的运转起来。
但并不是我们在业务不成熟时,就不应该投入,除了一些可能贯穿这个业务阶段的数据指标外,我们在业务的各个不同阶段应该去发掘提炼每个阶段应该关注的数据指标,不断的迭代,随着业务变化而变化。
比如收入、利润率等财务类的指标应该是业务整个发展阶段都应该关注的,除此之外,在业务发展前期我们可能更会关注新增用户量、转化率、拉新成本等指标,而在业务发展后期,我们可能更加关注活跃率、留存率、运营效率等指标。
数据指标体系不是一日建成的罗马,需要持续不断的投入,在业务发展的不同阶段有不同的小目标,当业务稳定时,这些小目标就汇聚成了最终的大目标。
所以我们应该在业务一开始的阶段就要投入,不仅是为业务阶段性的目标提供帮助,也是为最终的数据指标体系添砖加瓦。
数据指标体系看似是个很专业的事情,需要很专业的人来干,其实不完全对。
数据指标体系的建设确实需要一些专业的数据人员,需要依赖一些工具,但这并不是最重要的。
就像上面说的,数据指标的目的是为了衡量业务好坏、帮助业务发展,因此数据指标建设最重要的是要对业务足够熟悉,能够深入业务,对业务的认识和了解甚至要超过业务负责人。
这样看来似乎是老板或者业务负责人应该是数据指标建设的第一负责人,确实如此...
在实际的操作中,数据指标体系一般也都是在老板和业务负责人的要求下去建设的,也只有拿到老板或者业务负责人的授权才好推动下去。
因为数据指标体系的建设涉及产品研发、运营、销售,甚至财务、人力等方方面面,需要很强的协调能力。
因此数据指标体系建设的负责人最好是资深的数据分析人员、产品经理或者运营人员,最好是一直跟随业务发展的同学,这样能极大的减少熟悉业务的成本。
另外最好与老板或者业务负责人有比较好的关系,有稳定的沟通汇报渠道,因为他们才是数据指标体系的最大受益人。这样既能随时沟通,保证信息和认知一致,同时也能给自己提升影响力,更方便的协调各方资源。
其他人力投入还需要一些数据产品经理(也可以是数据分析师)和数据开发同学,他们主要负责执行工作。
数据产品经理或者数据分析师需要定义数据指标的概念、口径等,并整理成册,方便各方查阅,统一认知,在后期还要进行数据指标可视化呈现和分析。数据开发同学需要根据数据指标口径清洗数据,建立好数据模型,方便数据分析同学取用。
当然数据的清洗可能还需要研发、IT、运营、销售、财务、人力的各方配合,因为指标需要的数据不仅来源于业务系统,还可能来源于销售系统、财务系统和人力系统等各个地方。
除了人力投入以外,可能还需要一些数据开发工具和数据分析工具。这些工具可以自建也可以采购,自建的话投入更多的人力即可,但一般中小企业或团队采购的方式可能更划算。
总的说来,要建设一个完善的可投入实际运用的数据指标体系,投入应该是很大的
如上所说,数据指标体系只是整个数据分析体系建设的第一步,数据指标体系之后还有很多数据分析的工作,这才是利用数据指标体系产生更有价值的阶段。
所以我们的组织架构并不仅仅只为数据指标体系的建设去设立,可能需要为整个公司或团队对数据的收集、运用去设立。
根据之前数据中台的建设经验,这个团队需要具有跨业务部门共享公共数据的能力,能够承担数据中台建设职责,这里面就包含了建设数据指标体系的能力。
为了能够公正公平衡量各个业务好坏,它必须是一个且独立于业务团队的部门,这个团队的负责人应该直接向老板或相关高管汇报。
为了避免与业务脱节,对这个团队的组织定位是懂业务,能够深入业务,扎根业务。在个团队内部,可以由三个小团队构成:
适合的团队构成和组织定位是建设数据指标体系的必备工作,最好是独立的部门,同时要避免与业务脱节,能够深入业务,要与业务目标绑定。
数据指标体系建设的第一个难题就是指标管理的混乱,例如下面这些:
上面这些问题在没有专门的团队来负责数据指标体系这事之前也许可以原谅,但有了专门团队之后,就不应该出现。
所以数据指标体系建设的第一步就是建立好指标管理规范,根据业务需要迭代和更新指标内容,最好是建立一个指标管理系统,能够更加方便的更新和维护我们的指标内容。指标管理也有些技巧可循,例如:
可面向主题域管理,拆分原子指标和派生指标,制定指标命名规范,将指标进行分级管理等。
对于指标分级管理,我们一般将指标分为四级。
第一级是北极星指标,他是公司最重要且唯一的指标,当其他指标与它冲突时,以它为准;
第二级是公司级指标,是公司关注的重要指标,可以有多个;
第三级是部门或者产品线指标,一般是部门或者产品线关注的指标;
第四级一般是业务过程指标,反应的是业务运营过程需要关注的指标。
所谓数据指标体系,肯定是能够用数据衡量的指标才有意义,所以建设数据指标体系的第二步就是需要为给每个数据指标建立数据模型,提供数据支撑。
建立数据模型的关键是数据的收集和清洗,这十分依赖每个公司的信息化建设完善度,对于一般的运营数据还好,数仓团队就可以处理好。
如果涉及销售系统、财务系统、人力系统的数据就会比较麻烦,特别是采购的各个不同的厂商的系统,需要大量的成本来打通各个系统,否则需要大人力来提取和拆分各项数据,这个工作量就极大,而且容易出错、效率低下,最头痛的还是相关的人力协调。
不考虑数据的收集和清洗的话,数据模型建设其实是考验的我们数仓设计能力和模型开发能力,当然现在市面也有一些现成的工具和平台,不需要很强的技术能力就可以搞定。
但是也有一些点需要我们注意,例如尽量避免分散、烟囱式的数仓模型,最好建在一个可复用、可共享的平台上,还可以用完善度、复用度和规范度来评估模型设计的好坏,这些都能够提升我们开发的效率和质量。
最后一步就是指标数据的呈现和数据分析,只有将有数据指标的数据反馈出来,数据指标才有意义。我们一般会为数据指标体系建立一套看板系统或报表系统。
在更高级的使用阶段,可以实现自助取数的功能,让业务人员能够自主获取自己需要的指标相关的数据,打破报表或者看板这种固化的分析思路,不用事事依赖分析师同学。
为了能够进行更加全面的进行数据分析,还需要实现数据的全维度钻取,因为分析师同学一般也只能依靠经验去判断一个指标有哪些可分析维度。
如果我们的指标系统能够提供一个指标的所有的可分析维度,并且能够根据需要呈现指标在各个维度下的取值,甚至能够不同维度组合进行层层下钻,这样就更容易找出指标波动的原因,这就是全维度钻取。
这样就能够实现数据驱动下的精益运营,能够实现从目标量化、持续跟踪、异常诊断到决策反馈的数据驱动业务闭环。
数据指标体系来源于
要解决业务问题,得先搞清楚业务存在哪些问题
所以数据指标体系到底能解决什么业务问题才是最重要的,要能够基于数据指标变化的表象,找到影响业务的原因,并帮助解决这个问题,那老板或业务方才会认可数据指标体系的价值。
同样,数据指标体系的价值最终也是要回到业务价值上来,数据指标体系并不能直接产生业务价值,需要深入业务当中,提炼出有价值的指标,建立数据评价体系,来反馈业务。
但一般来说数分对业务理解不会比业务负责人更多,容易沦为出报表的团队,如何深入业务,如何1+1>2需要更多的思考,至少我现在没有答案...
否则一旦发生裁员,这种说不清楚自己价值的团队会很危险
(本文来源叶小钗)
《数据资产管理白皮书》下载地址:https://www.dtstack.com/resources/1073