Catalogue
摘要
深入了解什么是数据指标？以及数据指标的作用和分类～
什么是好的数据指标？
好的数据指标能带来你所期望的变化。
以下是一些衡量数据指标好坏的重要准则：
- 好的数据指标是有比较性的
- 例如比较某数据指标在不同时间段、用户群体、竞争产品之间的表现，能更好的洞察产品的实际走向
- 好的数据指标是简单易懂的，换言之就是人们比较容易记住以及讨论的某数据指标
- 好的数据指标是一个比率。
- 比率的可操作性强，是行动的导向。例如开车，里程只是距离信息，而速度则告诉你当前行驶状态，以及是否需要进行调整以确保按时抵达
- 比率是天生的比较性指标。
- 比率还适用于比较各种因素间的相生和相克，也就是正相关和负相关。
- 好的数据指标会改变行为。即随着指标的变化，是否会采取相应的措施。
- '试验’指标，如一个测试结果，其作用在于帮助你优化产品、定价以及市场定位。这些数据的变化会极大地影响接下来的行为决策
数据指标的作用
- 一个好的数据指标之所以能改变商业行为，是因为它和你的目标是一致的：保留用户、有效获取新用户、或者创造营收等
- 一个错误数据指标则会极大影响公司的营运。例如某公司将销售员的季度奖金与其正在接洽的订单数据挂钩，而不是与已签订订单数量或订单利润率挂钩，这样会导致业务员为了个人收入制造大量低质量的潜在客户，并将其停在"接洽"状态，而不是促成订单签订。
- 数据指标之间的耦合现象。譬如转换率(访客中真正发生购买行为的比例)通常就是和购买所需时间(客户需要花多长时间才能完成购买)相绑定的。类似的，病毒式传播系数(平均每个用户邀请来的新用户数)和病毒传播周期(用户完成一次邀请需要的时间)共同推动产品的普及率。
数据指标的分类
定性指标与量化指标
定性指标通常是非结构化的、经验性的、揭示性的、难以归类的；量化指标则涉及很多数值和统计数据，提供可靠的量化结果，但一般缺乏直观的洞察。
定量指标
- 概念：定量数据是指我们跟踪和衡量的数字
- 特点：量化数据使用方便，具有科学性，也(假设算得正确)易于归类、外推和置入表格
定性指标
- 概念：定向指标是杂乱的、主观的、不精确的；类似从采访或者辩论中获得的信息，极难量化
- 特点：定性数据吸纳主观因素，且极难量化
虚荣指标与可付诸行动指标
虚荣指标
- 概念：如果你有一个数据，却不知如何根据它采取行动，该数据就仅仅是一个虚荣指标
- 例如：“总注册用户数”，这个数据会随着时间增长，并不能传达关于用户的行为信息
- 举例一些需要提防的虚荣数据指标
- 点击量。相比之下，或许更应该统计点击人数
- 页面浏览量(PV值)。除非商业模式直接与PV值挂钩(类似展示广告)，或许更应该统计访问人数
- 访问量。问题在于100的访问量是一个用户访问了100次还是100个访问了一次的用户，毫无意义
- 独立访客数。只能告诉你有多少人访问了网页，不能反馈出用户在这个页面做了什么，为何停留，是否离开
- 粉丝/好友/赞的数量。统计当你呼吁时，有多少人会响应，这个数据更有意义
- 网站停留时间/浏览页数。用这两个指标来替代客户参与度或活跃度并不一定有说服力。比如，客户在客服或者投诉页面上停留了很长时间
- 收集的用户邮件地址数量。同粉丝/好友那个类似，更好的做法是：向一部分注册用户发送测试邮件，看看是否会按照邮件中的提示去做
- 下载量。尽管会影响应用商店中的排名，但需要重要衡量的是：应用下载后的激活量、帐号创建量等
可付诸行动指标
- 概念：可付诸行动指标可以帮你遴选出一个行动方案，从而指导你的商业行为。且当产品作出调整，这个指标也会相应地变化
- 例如：活跃用户占总用户数的百分比。这个指标揭示了产品的用户参与度。如果产品的调整思路是正确的，这个占比就应该相应的上升。也意味着这个可付诸行动指标可以指导试验、学习和迭代。
- 重点：可付诸行动的指标，并不会直接告诉你该做什么；而是可以指导后续的商业行为。其重点在于：根据收集到的数据行动
探索性指标与报告性指标
唐纳德理论
世界上的事物可以分为这样几类：我们知道我们知道的，我们知道我们不知道的，我们不知道我们知道的，以及我们不知道我们不知道的
- 我们知道我们知道的：是可能并不为真的事实，须经由数据的检验
- 检验我们手头上的事实和假设(如打开率和转化率)，以确保我们的商业计划是可行的
- 我们知道我们不知道的：是可以通过调研解答的问题，可使之成为我们的行为基准并流程化
- 验证我们的直觉，把假设变成证据
- 我们不知道我们知道的：是直觉，需要我们评估并训练以提高其效能及效率
- 为业务预测表、瀑布式开发流程图和会议提供数据支持
- 我们不知道我们不知道的：是探索，蕴含着我们自身独特的优势，能带来有趣的顿悟
- 帮助我们发现黄金机遇
探索性指标
- 概念：探索性指标是推测性的，提供原本不为所知的洞见，旨于在商业竞争中取得先手优势
- 大致上可以归为上述的我们不知道我们不知道的，极其重要，可以在未来转变成秘密武器
报告性指标
- 概念：报告性指标是让你时刻对公司的日常运营、管理性活动保持信息通畅、步调一致。
- 属于某种度量行为。由于我们不知道这一类指标的具体数值，类似清点用户量，统计销售总额等，所以需要度量它。主要应用于核算或用于衡量实验的结果。
先见性指标与后见性指标
无论先见性数据指标或后见性数据指标都是有意义的，只不过解决的问题不同
先见性指标
- 概念：先见性数据指标用于预言未来
- 例如：透过"销售漏斗"中现有的潜在客户数，可以大致预测将来所能获得的新客户数；所以努力增加潜在客户，将来就可能得到更多的新增客户
- 如若要启用先见性数据指标，需要首先进行同期群分析并比较客户对照在不同时间段的表现
- 用户投诉量例子：可以通过跟踪每日接到的客服电话数；另一方面，可能以90天为期来跟踪用户投诉量。这两者都可以作为用户流失的先见性指示剂：即如果投诉量增加，很多客户可能就会停用你的产品或服务。而作为一个先见性数据指标，客户投诉可以帮你深入了解和服务的真实状况，分析投诉量上升原因，可以变相解决产品或服务中出现的问题。
后见性指标
- 概念：后见性数据指标用于解释过去，即能提示问题的存在
- 例如：用户流失(即某时间段内离开某产品或服务的客户量)，这一数据指标能指出产品或服务存在某些问题。
tips：在一个公司中，某一团队的后见性数据指标有时会是另一个团队的先见性指标。
相关性指标与因果指标
相关性指标
- 概念：如果两个指标总是一同变化，那么说明它们是相关的
因果指标
- 概念：如果一个指标可以导致另一个指标的变化，则它们之间具有因果关系
- 通常，因果关系并不是简单的一对一关系。一些独立的数据指标(分析多个独立的数据指标作为自变量)，其中每一个都能在一定程度上"解释"某个依存的数据指标(也就是因变量)。
- 如何证明一个因果关系：
- 找到一个相关性，进行控制变量试验并测量因变量的变化
- 重点在于满足试验的良好控制条件，而一个足够大的数据样本，最终其他自变量对因变量的影响都会被样本数量拉平，所以在很小的样本容量下进行试验，需要尽可能简化测试
tips：相关性很好，因果性更佳。有时，只能找到一些相关性，但应永不停止的寻找因果性。
总结
以上是在阅读《精益数据分析》一书时，所做的读书笔记，记录下来以便时常翻阅。感谢阅读～
参考文章:
[书籍 - 精益数据分析]