今天接着来讲数据分析的第三篇文章数据指标体系设计，是整个数据分析篇章中最核心的内容。
在第二篇文章中讲到，我把数据分为：用户数据、行为数据和业务数据，再往下又分了维度和度量两个概念。
尽管如此，维度也好，度量也罢，都会产生很多散落的数据，你并不知道数据与数据之间的关联性，也不知道众多数据中什么是最核心的，什么最能表示业务最终呈现效果或者哪个数据指标表示目标达到。
数据与数据之间的关联性或者相关逻辑性称作数据指标体系。指标体系指将零散单点的具有相互联系的指标，系统化的组织起来，通过单点看全局，通过全局解决单点的问题。
说白了就是找个框架把所有的数据以一定的逻辑性组装起来，框架也即数据模型。此篇文章针对用户数据、行为数据和业务数据分别给出代表性模型，用以各自领域的数据分析。
1、用户数据之AARRR模型
提到用户本身，马上会想到经典的AARRR 模型，即获取用户（Acquisition）、提高活跃（Activation）、提高留存率（Retention）、获取营收（Revenue）和自传播（Referral）。每个环节都有这个环节应该关注的指标，这些环节并不一定遵循严格的先后顺序。
- 获取（Acquisition）：用户如何发现（并来到）你的产品？
- 激活（Activation）：用户的第一次使用体验如何？
- 留存（Retention）：用户是否还会回到产品（重复使用）？
- 收入（Revenue）：产品怎样（通过用户）赚钱？
- 传播（Refer）：用户是否愿意告诉其他用户？
AARRR模型是非常经典的用户分析模型，且需要结合具体业务展开来讲，这里不做过多描述。
2、行为数据之UJM+OSM模型
UJM即User-Journey-Map，用户旅程地图模型；OSM分别指目标、策略和衡量，Objective-Strategy- Measurement。
UJM+OSM，通过拆分用户使用产品的阶段性行为，从中挖掘用户的需求，在每个阶段确定能够提升的指标，将用户旅程和业务目标结合起来。
目标（ Objective）指业务目标。业务或者产品，存在的目的是什么、能够解决用户什么问题、满足用户什么需求？如上述业务目标为购买转化率，购买转化率越高，说明用户体验越佳，商业价值越高。
策略（ Strategy）指为了达到业务目标，应当采取什么策略。如上述为了提升用户首页-商详转化，策略1可以为视觉提升、策略3可以为交互流程改善等。策略1的视觉提升可以进一步拆解为页面整体颜色、卡片样式等。
衡量（ Measurement）：用来衡量策略的有效性，反映策略执行是否能达成业务目标的度量指标。如上述首页转化率可以为进到首页用户数转化到商品详情页的用户数，转化率越高，说明用户对首页青睐度越高，首页的产品呈现内容越有效。
基于用户的行为路径来拆解目标，对于每个子目标找到最终可落地的方案，启动项目需求，通过用户功能满足达到最终的业务目标。
如购买转化率目标为提升15%，那么估算首页改版项目提升的目标为8%，商详改版项目提升的目标为5%，下单结算改版项目提升的目标为3%，收银支付改版项目提升的目标为2%。
按照价值从高到低依次投入开发资源去实现目标，项目上线后再复核业务目标是否达成，若未达成，进行差距分析。
3、业务数据之指标分层
谈到业务数据时开始涉及角色的问题，业务和产品的角色分工，不同的角色在不同的场景下关注的指标并不相同。
基于此，一开始就把指标进行分层级，分为业务、产品和流程三个层级，业务关注业务的，产品关注产品的。不同层级的指标有不同的思考维度和分析方法。
以支付业务为例，先明确指标层级后，根据指标设计原则，去做关键指标的拆解，一级指标可以拆解到二级指标，二级指标还可以继续拆解到三级指标等等。
业务层级的指标用来衡量商业层面的客户发展、增长与获利、竞争力与盈利能力等。
业务从用户那里挣钱，需要通过产品作为载体或媒介，互联网产品的使命是利用技术赋能业务，帮助企业降本增效。所以谈到产品，需要去思考产品定位、产品能提供的核心价值、产品带给用户的产品使用体验、产品如何实现业务目标。
进一步细化，一个产品往往有着很多功能，承载着不同的用户交互步骤或操作流程。梳理并整理出整个转化流程中各个关键节点，去实现产品的核心指标。
从业务模式，到根据产品的价值与体验，再分解到具体流程的步骤效率。这提供了一种纵向的，自上而下、由粗到细的分析模型，在每一个层级上，又会有不同关注点和类别的指标。以数据为基础，主导产品布局，拆解流程步骤，赋能业务增长。
4、结语
本篇文章从用户数据、行为数据和业务数据三方面介绍了3个数据指标体系模型。特别说明的是，文中提到的AARRR模型、UJM+OSM模型、指标分层 3个数据模型仅举例说明，实际还有更多模型，如PLC、HEART、GSM、PTECH模型等等，需在不同场景下评估综合使用。
但不管什么数据模型，核心都在于找到数据与数据之间的关联性，从海量数据中找出最核心的数据指标用以衡量目标是否达到，以系统和结构化视角思维来看数据分析。
作者：涵小仙女 产品经理，爱美，爱跑步，爱旅行，愿我手写我心，余生不将就。
