数据分析师如何搭建数据运营指标体系？
如果搭建决策分析体系，可以从核心指标开始分解一级指标，到二级指标，形成企业指标库。如果搭建数据运营体系，先选好一个切入点，比如从会员管理开始还是从门店运营开始，首先把流程数字化，比如过去门店只能统计小票收入，现在借助cctv,rfid就可以统计客流计算试衣率和成交率，这就可以成为运营指标，再通过商品陈列的优化和导购服务优化门店运营。现在市面上写数据化运营的书不少，不妨多看，依葫芦画瓢，先搭个框架然后迭代优化。
以下书目来源于京东。
书都太多了，体系也太多了，不细说
具体到公司里的话，你还是要多调研，问问题，了解清楚大家想要什么，合适的你就纳入到你的数据体系，不合适的你要有合适的解决方案并说服对方然后纳入你的数据体系，最后这些事情都做好了，可以正常运转了。
你可以更high level的考虑一下如果你需要做一些什么前瞻性的或者其他的有效分析，帮助公司做决策，你现有的数据够用吗？不够用的话需要哪些数据呢？能不能搞到呢？有什么困难呢？然后你就知道你要怎么做了
指标体系你就这样一步步搭起来了
在我们谈论指标之前，先将时间倒推几十年，现代管理学之父彼得·德鲁克说过一句很经典的话：
如果你不能衡量它，那么你就不能有效增长它。
也就是说如果你不能用指标描述业务，那么你就不能有效增长它。因此，建立数据指标体系是一件至关重要的事情。
了解和使用指标是数据分析思维的第一步，接下来你需要建立指标体系，孤立的指标发挥不出数据的价值。和分析思维一样，指标也能结构化，也应该用结构化。
指标体系没有放之四海而皆准的模板，不同业务形态有不同的指标体系。移动APP和网站不一样，SaaS和电子商务不一样，低频消费和高频消费不一样。好比一款婚庆相关的APP，不需要考虑复购率指标；互联网金融，必须要风控指标；电子商务，卖家和买家的指标各不一样。这些需要不同行业经验和业务知识去学习掌握，那有没有通用的技巧和注意事项呢？
好指标与坏指标
好指标应该是核心驱动指标。虽然指标很重要，但是有些指标需要更重要。就像销量和利润，用户数和活跃用户数，后者都比前者重要。
核心指标不只是写在周报的数字，而是整个运营团队、产品团队乃至研发团队都统一努力的目标。
核心驱动指标和公司发展关联，是公司在一个阶段内的重点方向。记住是一个阶段，不同时期的核心驱动指标不一样。不同业务的核心驱动指标也不一样。互联网公司常见的核心指标是用户数和活跃率，用户数代表市场的体量和占有，活跃率代表产品的健康度，但这是发展阶段的核心指标。在产品1.0期间，我们应把注意力放到打磨产品上，在大推广前提高产品质量，这时留存率是一个核心指标。而在有一定用户基数的产品后期，商业化比活跃重要，我们会关注钱相关的指标，比如广告点击率、利润率等。
核心驱动指标一般是公司整体的目标，若从个人的岗位职责看，也可以找到自己的核心指标。比如内容运营可以关注阅读数和阅读时长。
核心驱动指标一定能给公司和个人带来最大优势和利益，记得二八法则么？20%的指标一定能带来80%的效果，这20%的指标就是核心。
另外一方面，好的指标还有一个特性，它应该是比率或者比例。
拿活跃用户数说明就懂了，我们活跃用户有10万，这能说明什么呢？这说明不了什么。如果产品本身有千万级别的注册用户，那么10万用户说明非常不健康，产品在衰退期。如果产品只拥有四五十万用户，那么说明产品的粘性很高。正因为单纯的活跃用户数没有多大意义，所以运营和产品会更关注活跃率。这个指标就是一个比率，将活跃用户数除以总用户数所得。所以在设立指标时，我们都尽量想它能不能是比率。
坏指标有哪些呢？
其一是虚荣指标，它没有任何的实际意义。
产品在应用商店有几十万的曝光量，有意义吗？没有，我需要的是实际下载。下载了意义大吗？也不大，我希望用户注册成功。曝光量和下载量都是虚荣指标，只是虚荣程度不一样。
新媒体都追求微信公众号阅读数，如果靠阅读数做广告，那么阅读数有意义，如果靠图文卖商品，那么更应该关注转化率和商品销量，毕竟一个夸张的标题就能带来很高的阅读量，此时的阅读量是虚荣指标。可惜很多老板还是孜孜不倦的追求10W+，哪怕刷量。
虚荣指标是没有意义的指标，往往它会很好看，能够粉饰运营和产品的工作绩效，但我们要避免使用。
第二个坏指标是后验性指标，它往往只能反应已经发生的事情。
比如我有一个流失用户的定义：三个月没有打开APP就算做流失。那么运营每天统计的流失用户数，都是很久没有打开过的，以时效性看，已经发生很久了，也很难通过措施挽回。我知道曾经因为某个不好的运营手段伤害了用户，可是还有用吗？
活动运营的ROI（投资回报率）也是后验性指标，一个活动付出成本后才能知道其收益。可是成本已经支出，活动的好与坏也注定了。活动周期长，还能有调整余地。活动短期的话，这指标只能用作复盘，但不能驱动业务。
第三个坏指标是复杂性指标，它将数据分析陷于一堆指标造成的陷阱中。
指标能细分和拆解，比如活跃率可以细分成日活跃率、周活跃率、月活跃率、老用户活跃率等。数据分析应该根据具体的情况选择指标，如果是天气类工具，可以选择日活跃率，如果是社交APP，可以选择周活跃率，更低频的产品则是月活跃率。
每个产品都有适合它的几个指标，不要一股脑的装一堆指标上去，当你准备了二三十个指标用于分析，会发现无从下手。
指标结构
既然指标太多太复杂不好，那么应该如何正确的选择指标呢？
和分析思维的金字塔结构一样，指标也有固有结构，呈现树状。指标结构的构建核心是以业务流程为思路，以结构为导向。
假设你是内容运营，需要对现有的业务做一个分析，提高内容相关数据，你会怎么做呢？
我们把金字塔思维转换一下，就成了数据分析方法了。
从内容运营的流程开始，它是：内容收集—内容编辑发布—用户浏览—用户点击—用户阅读—用户评论或转发—继续下一篇浏览。
这是一个标准的流程，每个流程都有指标可以建立。内容收集可以建立热点指数，看哪一篇内容比较火。用户浏览用户点击则是标准的PV和UV统计，用户阅读是阅读时长。
从流程的角度搭建指标框架，可以全面的囊括用户相关数据，无有遗漏。
这套框架列举的指标，依旧要遵循指标原则：需要有核心驱动指标。从核心驱动指标往下一级一级拆分到最细指标。如销售金额往下一级可以分为新用户销售金额和老用户销售金额，再往下一级可以使新用户客单价和新用户频次等等，其余的以此类推。最后移除虚荣指标，适当的进行删减，不要为添加指标而添加指标。
数据运营指标搭建的核心 - 从目标出发往前推导出,要完成这个目标的过程,并把这个过程的关键指标罗列出来。
最有名的一个体系就是AARRR漏斗模型
这是一个通用模型，对于数据分析师来说，重要的还是从公司产品的具体形态出发去分析、提取出关键指标[增长俗称的北斗星指标 - North Star Metric]
我的习惯是按照下面几个大的维度的思路去分析细分的指标，不同行业、产品形态、产品阶段所关注的指标都是不一样的。所以首先还是要先了解行业、了解业务，才是制定出合理的数据指标。
用户增长的数据指标
渠道的建设:SEO、SEM、社交媒体、KOL、品牌、合作
渠道流量指标:PV、UV 、注册转化、获客成本
产品使用度的指标
产品核心功能的使用比率 例如发图片/帖子数、修图、浏览帖子数、点赞转发等，属于产品核心流程的一些关键节点的指标。
用户活跃指标
日活/月活/次日留存/周留存/用户活跃天数等等
用户付费指标
付费率、ARPU、LTV、复购率、每日收入、每月收入等等
分享推荐指标
分享产品、从分享总带来的转化
如果把所有指标都列出来的的话，把这些所有的细分指标给老板/各个部门负责人/执行人看的话，那么跟没有指标其实是一样的。会陷入迷茫无尽的痛苦中。
根据不同的人制定以之匹配的数据流程、展示不同的数据才是正确的做法。
对于老板关心可能只是用户增长趋势怎么样，ROI怎么样 最重要的是每个月能赚多少钱？
就可以根据最后的目标 赚钱 推导出 流量 - 注册转化 - 用户增长 - 付费率 - ROI 为老板展示数据，并可以根据这个数据流程上各个关键节点分析出，每个月没赚钱是因为哪个环节没做好，或者是想要赚更多钱哪个指标是瓶颈。
以上 希望对你有所帮助
作者：易观高级产品市场经理丁鹏辉
大海航行靠舵手，而舵手需要根据天上的星辰和“六分仪”等工具来判断位置，并结合航海图的终点来确定船的走向。
某种程度上来说，产品运营与航海在实践上具有相同的业务逻辑，二者都需要一个统一的方向和目标。根据这个方向和目标，企业可以更好地指导产品的具体运营工作。
一款产品上线之后，需要不同部门之间的通力协作，产品才可能运营得好。但不同的部门，大家关心的东西并不完全一致，这个时候我们就需要根据商业模式、产品类型、用户群体、产品的使用流程等，确定最重要的指标，并对指标体系进行统一和分拆，聚合团队内的所有力量，让所有的数据指标都指向关键指标，让航船向指定目标前进。
如果我们将这个过程拆解为几个步骤，那么就可以分为明确需求→建立指标→获取数据→分析数据并回归业务4步，每一步所对应的实际的内容不同。
- 业务需求梳理阶段，需要根据业务的目标，确定需要关注的最重要的指标。
- 数据指标体系建设阶段，需要根据“目标、策略、指标”三个层级，对业务目标做层级化的梳理，确保从上到下的一致性，同时确保可执行可落地。
- 获取数据阶段，需要通过埋点的方式，获取用户的行为数据以及业务结果性数据。
- 分析数据并回归业务阶段，需要通过多维度交叉分析回归业务本身取得洞察，并通过数据洞察指导业务和产品改善。
当然，在进行指标拆解的过程之中，不同岗位的工作的落脚点也是不一样的，不同的工作内容需要有明确可以评估和据此改进的指标，指标金字塔就是这个分层概念中，很好用的一个工具。
一般情况下，我们将指标分为三个层级：
▌第一级别：业务上的主要目标
比如DAU、GMV等，其跟踪的时间周期较长，经常以一个季度进行跟进和对比，同步和环比之前的数据做全盘的总结和预估，兼顾用户价值和商业利益。通常这个层级的指标是由公司的业务决策人员通过讨论定下来，也最能体现产品对于用户的价值，反映一段时间内公司业务的整体走向。需要强调的是，主要业务目标的提升，是所有与产品相关的团队通力合作，相互配合得来的结果，需要团队内的所有人认可，并愿意为之努力。
▌第二级别：达成目标的主要策略
比如为了提升GMW，可以优化下单金额或者下单频次等。这一级别和用户行为相关，更多的是根据业务的实际目标，由团队之间根据近期主要的战役或者业务进行规划，以支持核心目标任务的完成。通常涉及的人比核心指标需要的人更少一些，但也有可能是跨部门的任务指标，可以按照职能等进行相应拆分。这类指标的跟踪，通常是以月度为单位进行跟踪。
▌第三级别：指标
对应于不同策略，是影响用户各行为阶段的关键指标。而指标如上所说，应该对一线工作人员的工作具有具体的指导意义，也就是更多的与我们的日常工作相关，比如跟踪某个产品最新的小迭代之后，一周或者两周以内的使用人数，产品留存人数，用以验证改版的效果。日常的指标与每个人的工作息息相关，用于持续跟进对当前的工作做执行反馈，并以此来优化当前的工作，因此应当以天为单位来进行跟进。
如上图所示，我们的整体目标是需要增加付费用户，在策略层分为获取优质用户和提升付费转化、人群消费频次和消费数量这三个方面。当对应具体的产品指标时，则有数十个可以跟踪以支撑总体指标转化的具体指标。
通过目标→策略→指标的拆解，就可将一个大的需要解决的业务问题，化解为层层可以执行的具体步骤，最终实现从目标到执行以及到具体细节的过程管理。需要说明的是，指标体系的搭建并不仅仅来源于指标的拆解，还需要根据实际的业务特征和业务详情做更多的考量，每种产品所适用的运营模式不同，这就需要根据产品的特点进行具体问题具体分析了。
欢迎有数据分析需求的小伙伴，免费使用易观方舟Argo。
运营分很多类，流量运营、用户运营、内容运营…每一个环节都有特别关注的数据和指标。
很多人都从PVUV用户数这些数据来切入分析，但是分析之后呢，做什么措施？以什么样的目标来驱动？我也分析做过这样的分析，这些常规的数据大多只是绑定着个人的KPI，反应这个人工作成绩的好坏，并不是一场完整的数据分析。这里我想从更全面的角度来总结互联网企业的运营体系，精益数据分析。
数据分析的目的应该是为了公司的发展，粗暴一点讲，是为了公司的盈利和持续的盈利。
而互联网的盈利模式不同，数据指标也不同，大抵可分为三种：一是向用户出售商品或服务，以电商、社交和o2o平台为代表；二是靠广告来进行盈利，典型的例如google、百度以及其他平台类互联网公司；三是直接向用户收取费用，各大游戏公司。
以分析体系最为复杂的互联网电商公司为例，来逐一分解，哪些数据需要分析，怎样分析，分析的价值是什么。
电商类公司的收入是由一个个订单堆出来，由用户购买相关的商品或服务产生，可以说用户和商品或服务为订单的两大基本元素，公司收入下降、增长、异常最终都可以追踪到用户与商品这两大元素上。这样我们将收入相关的数据拆解为三大类：用户、商品和订单。
一、运营模块
从用户的消费流程来看，可以划分为引流-转化-消费-存留。我们一般将用户分为新老用户，无论新老用户，都会关注两块内容，一个是引流（拉新），一个是转化，最终以数据的形式体现出来，就是流量与转化率。
引流
通过分析PV、UV、访问次数、平均访问深度、跳出率等数据来衡量流量质量优劣。目的是保证流量的稳定性，并通过调整，尝试提高流量。
进一步，按照流量结构还可分为渠道结构、业务结构、地区结构。
在渠道中，流量可来自于自主访问、搜索引擎、淘宝付费、京东付费等等。按设备可分为PC渠道和APP渠道；按照付费与否可分为免费流量和付费流量。
有人会通过渠道流量占比来分析各渠道的质量。下面的折线图可以对各渠道的流量情况进行追踪，分析占比不合理是短期内出现的，还是长期存在的，辅助问题的分析。仅仅根据流量情况来衡量质量是不全面的，需要配合转化率
按地区划分，这个很好理解。
按照业务结构，最典型的比如举办一场活动，例如双十一，可定要对活动的流量追踪。观察活动前、活动中、活动后的变化情况，评估活动效果。
转化
完成引流工作后，下一步需要考虑转化，这中间需要经历浏览页面->注册成为用户->登陆->添加购物车->下单->付款->完成交易。每一个环节中都会有用户流失，提高各个环节的转化率，是这一块工作的最核心，转化率的提升，意味着更低的成本，更高的利润。
转化的分析：
1.观察各环节转化率，分析其合理性，针对转化率异常环节进行调整
2.追踪转化率变化，用于异常定位和策略调整效果验证
3.观察各渠道转化情况，定义渠道价值，并依此适当调整运营策略
4.分析各环节转化周期，分析用户习惯，为制定运营策略提供依据
最直接的分析成果就是转化漏斗。
留存
通过各个渠道或者活动把用户吸引过来，但是过一段时间就会有用户流失走掉，当然也会有一部分用户留下来，留下来这部分用户就叫做留存用户。关于留存，这里要关注的就是日活和留存率。
关于留存，无非就是：
1.日活监控，观察用户活跃数据，分析日活健康度
2.观察存留规律，定位存留阶段，辅助市场活动、市场策略定位等
3.对比不同用户、产品功能的存留情况，分析产品价值、辅助产品调整
复购
有调查数据显示，一个满意的用户会带来8笔潜在生意，不满意的用户可能会影响25个人的购买意愿，可见回头客多么重要。
复购率可以分为“用户复购率”和“订单复购率”，此外，“用户回购率”意义与复购率相似，也在此范围内。
用户复购率＝单位时间内：购买两次及以上的用户数/有购买行为的总用户数
订单复购率＝单位时间内：第二次及以上购买的订单个数/总订单数
用户回购率＝单位时间内：有购买行为的老用户数/有购买行为的总用户数
分析复购率的目的：
1.综合指标展示，分析用户黏性，辅助发现复购率问题，制定运营策略。
2.横向维度(商品、用户、渠道)对比分析，细化复购率，辅助问题定位。
流失
流失是无法避免的，但也有可以挽留的。
流失可以分为
- 刚性流失：可以进一步分为新用户水土不服型和老用户兴趣转移型，这部分流失用户是无法挽留的，缘尽于此，花再多的钱也没什么用。
- 体验流失：可能是应用体验、服务体验、交易体验、商品体验等等，总之就是在使用产品服务的过程中，感到了一丝不爽，正所谓一言不合就流失。
- 竞争流失：也就是用户已经转粉了。可能是竞争对手的体验更好，可能竞争对手推出了什么优惠的政策。我们也需要抓住行业的动态，针对竞争对手的抢粉行为做出相应的行动。
关于流失的定义，各公司定义不同，可能是7天内没有登陆行为，也可以是几个月之内没有交易行为。（回流率＝时间周期内流失的再回访的人数/时间周期内流失的人数）
关于流失的常规数据监控，一般都是和存留一起的，本身两者也是分不开的。单独针对流失的，最多看到如下图样式的监控：
再者，流失率结合存留率也可以评估渠道的价值。
二、销售模块
1、指标跟踪：销售模块中有大量的指标，包括同环比、完成率、销售排行、重点商品占比、平台占比等等，可以从人、货、场三个视角进行分析跟踪。
2、店铺分析：具有小b级用户，或者入驻平台式，需要针对各店铺经营指标进行分析，包括各店铺效率指标、完成率指标、业绩指标、客单价等，实现店铺价值评定分析。
3、销售活动管理：线上销售中，活动是非常重要的一块，从事前、事中、事后三个层面实现销售活动的闭环分析，其中包括事前投入分析、目标预测；事中用户参与度、客流分析、销售单分析；事后目标完成情况、活动对比、费销比、活动衰减度、活动爆发度等.
三、商品模块
1、采购管理：包括供应商数据分析、采购匹配度分析等。
2、供应链环节管理：供应链服务情况分析（响应周期、交货及时率、订单执行率）、管理指标分析（物资成本占比、客户投诉率等）。
3、库存管理：商品库存天数、存销比、有效库存比、库存周转率等数据分析。
4、重要指标分析：分析包括货龄、动销率、缺货率、结构指标、价格体系、关联分析、、畅滞销等分析指标，评判商品价值，辅助调整商品策略。
5、异常商品分析：包括对退货率、残损率、异常商品等数据进行分析，发现异常商品，及时处理。
四、用户模块
1、重点指标分析：包括新增用户数、增长率、流失率、有效会员占比、存留率情况等。
2、用户价值分析：根据rfm模型，再融入其他个性化参数，对用户进行价值的划分，并针对各等级用户进一步的分析。
3、用户画像：根据固有属性、行为属性、交易属性、兴趣爱好等维度，来为用户添加标签与权重，设计用户画像，提供精准营销参考依据
