​如何从0到1建立数据分析指标体系底层逻辑？

如何从0到1建立数据分析指标体系底层逻辑？

随着公司业务规模扩大，各类相关的数据量增加，大数据指标也越来越多。

如果缺乏大数据指标体系和分析方案，就会难以判断整体业务发展状况、难以衡量产品/活动效果、等等。

如今，各行各业都在说，我们要数字化管理，脱离拍脑袋时代。

但是，到底怎么落地?大数据指标怎么建立合理?不同的公司业务大相径庭，就算是同一个行业，也有不同规模，不同细分客户群，很难一概而论。

有时候，看到竞品公司有哪些指标，虽然不知道有没有用，我们也急着跟风。

什么才是适合自己公司或部门的数据体系?人、货、场 理论似乎很有用，但不是每个公司都有实体店，5W2H好像也很有道理，每个步骤都要套用这个理论么?SWOT好像也很有道理……今天，我们就来抛开所有这些看起来高大上的理论，从底层逻辑出发，梳理建立大数据指标体系和分析方案的底层逻辑。

1、首先，我们来了解一下指标是什么?百度百科解释指标为：预期中打算达到的指数、规格、标准，一般用数据表示。

比如，Boss开年会时说：我们今年新增的几个指标：员工流失率、门店客流量、客单价……成果丰硕，收益明显!。

发言中所提到的员工流失率、门店客流量、客单价，就是指标，是对结果的数据化描述。

那么，什么是大数据指标体系?即将零散的大数据指标串联起来，成为一整套体系使其具备业务参考价值。

2、在商业中，数据只有一个目的解决问题，创造价值。

但是解决问题，创造价值，对不同立场的人来说不一样。

对研发部，出多少bug和做多少功能的比例很重要;对于销售，多少订单很重要。

要是订单销售数据给研发部，对日常工作并没有参考作用，bug的比例给销售也没用。

但是这些数据对总裁部都很有用，可以综合得知成本和利润比例。

为了解决这个问题，引出第一条底层逻辑：逻辑一：多维度视角先要确定大数据指标体系的目标受众，他看数据的视角和维度：职位侧重点在哪里，业务阶段是初期还是成熟期?越是初期数据越少，越是成熟期数据积累越多，要考虑的点也越多。

知道他的视角之后，去看他的业务是什么?对于门店经常提到人、货、场：分析哪些人，场地面积，货物种类。

对于网页商城经常提到转化漏斗：多少个商品点击量，多少个加入购物车，多少个订单，转化率多少。

似乎，不同业务要分析的东西完全不一样，到底一致性在哪里?引出第二条底层逻辑：逻辑二：业务场景关键元素分类门店经营成交的场景  我在门店付钱给售货员，他收钱给我商品 。

网页商城成交场景 我点击商品，访问页面， 也许会咨询，点击提交订单虽然各个行业，分析的具体事项不一样，但都是围绕，业务场景关键元素分类，进行的。

那么问题又来了，这些元素怎样更好?例如，我想在门店挣多点钱，我的货怎么分配?客户怎样更多?店员怎样卖得更好?搞个网站，我也知道点击，访问，订单，那怎样更多点击?为什么点击A不点击B? 怎样多点订单?围绕着刚刚的元素问下去，似乎有十万个为什么，我们怎么知道这些元素从哪里来 ?引出第三条底层逻辑：逻辑三：追踪业务过程门店零售业，客户从哪里出发，什么时段来到商城，进入门店的概率多大……网页商城，从哪里点击进来，进来之后浏览过多少页面，有多少链接引导他点击下一个链接……但是，这样梳理完成后，围绕关键元素追踪出来的业务过程，似乎不是相互独立的。

零售业的逻辑 人，货，场，但是我这个人，经过门店，会不会进去，和这个门店摆放的货关联性很大。

网页商城，我访问产品页，遇到问题能找到咨询页会很开心，但是我没想提问咨询的时候咨询按钮主动跳出来挡住视线，我可能会出于厌烦直接离开。

思考到这里，引申出第四条底层逻辑：逻辑四：梳理业务逻辑关系 强关联，弱关联，互斥关系先有访问才会下订单，访问和订单是强关联。

网页不需登录可以浏览商品，登录和浏览是弱关联。

投诉的次数越多，复购的概率越低，复购量和投诉量是互斥关系。

这样，我们已经通过梳理业务考虑到很多节点的数据。

说到用处，这些数据都有用，但是，全部都关注，看完一遍，都要花很多时间。

尤其是忙起来，就只想知道 一个 数据结果。