下面这篇文章是笔者整理分享的关于分析工具搭建数据指标体系的相关内容，里边包含了方法论中的基本流程和理论知识以及We分析工具实操的知识，有想了解的同学可以看一看哦！
在学习数据分析的时候，发现很多的文章，要么只涵盖数据分析的基础知识，要么只关注数据分析工具的操作细节，缺乏实际方法的实战教学。因此，本文的目标是将方法论与工具结合起来，向读者解释如何实际应用这些方法来构建有价值的数据指标体系。
在明确业务目标和问题时，团队应该与各个利益相关方进行充分的沟通，以确保每个人都理解并共享相同的愿景。这个过程涉及到：
关键绩效指标是组织实现其长期战略目标的关键驱动因素。这些指标通常与业务绩效、成本控制、市场份额、客户满意度等关键领域密切相关。北极星指标六要素法，可以帮助我们准备的定位关键绩效指标：
分解数据指标是建立数据指标体系的关键步骤，它要求将业务目标和问题转化为具体的、可测量的数据指标。这一步骤有助于确保数据收集和分析与业务目标紧密相关，为数据驱动的决策提供了坚实的基础。
数据源的种类多种多样，它们是搭建数据指标体系的关键组成部分。了解不同类型的数据源有助于明确从哪里收集数据以支持所选的关键指标。
1）内部数据源
内部数据源是组织内部的数据产生源。这些数据源通常是与组织的内部系统和流程相关联的，包括但不限于：
内部数据源通常包含了组织自身的运营数据，可以提供对业务运作的深入洞察。
2）外部数据源
外部数据源是来自组织外部的数据，它们通常包含有关市场、行业和竞争环境的信息。这些数据源可以包括：
外部数据源可以提供有关市场和竞争环境的重要见解，有助于更好地理解外部因素对业务的影响。
3）用户生成内容
4) 传感器数据
5) 社交媒体数据
当我们定义指标时，明确其度量方法至关重要。它确保不同团队和人员在数据采集和报告时都遵循相同的规则，从而减少混淆和误解。让不同时间和地点的数据可以进行比较，使得数据更有意义。
此外，明确的度量方法可以降低错误和数据质量问题的风险。它还能够帮助我们更容易地解释和传达数据，提高数据的可理解性。
定义数据指标度量方法的模板如下：
在数据收集阶段，需要了解和掌握数据分析的基本知识，包括埋点事件、事件属性、事件拆解、埋点方式等。数据收集不仅可以解答特定的业务问题，还为组织提供了有关用户行为、产品性能和市场趋势的有价值信息。这种数据驱动的方法有助于组织更好地理解其受众、优化产品和服务，并做出更明智的决策。
埋点事件：是数据分析中的关键概念，指的是在应用程序、网站或移动应用中追踪和记录用户的各种操作和行为。埋点事件=触发条件+事件行为+事件结果+事件属性。
埋点事件的收集方式可以有多种选择，包括手动埋点、自动埋点和混合埋点：
数据分析在业务决策和优化中发挥着至关重要的作用。以下是数据分析的几个重要方面，包括事件分析、漏斗分析、事件流分析和留存分析：
1）事件分析：事件分析是数据分析的核心，用于深入了解用户行为和互动事件。它包括以下关键要素：
2）漏斗分析：
漏斗分析用于理解用户转化过程，通常应用于产品或服务的优化。
它包括以下内容：
3）事件流分析：
事件流分析帮助理解用户在应用程序或网站上的详细行为流程。
它包括以下内容：
4）留存分析：
留存分析用于衡量用户在一段时间内保持活跃的情况，以及用户回流率。
它包括以下内容：
这些数据分析方法帮助组织更好地理解用户行为、产品性能和市场趋势，为业务决策提供深入的见解和数据支持。通过结合这些分析方法，组织可以更精确地识别问题、优化流程，并制定更有效的策略。
1）购物车转化率
分子：购物车内商品结算的用户数量。
进一步拆解：添加商品到购物车后结算的用户数量，直接进入购物车并完成购买的用户数量。
分母：访问购物车页面的用户数量。
进一步拆解：访问购物车页面但未进行任何操作的用户数量，添加商品到购物车的用户数量，查看购物车的用户数量。
2）平均购物车价值
分子：购物车内订单总价值。
进一步拆解：每个订单的总价值。
分母：购物车内订单数量。
进一步拆解：订单数量。
3）跳出率
分子：进入购物车页面后未进行任何操作的用户数量。
进一步拆解：用户在购物车页面停留时间很短，没有进行任何浏览或交互的用户数量。
分母：访问购物车页面的用户数量。
进一步拆解：访问购物车页面但未进行任何操作的用户数量，添加商品到购物车的用户数量，查看购物车的用户数量。
数据源包括电商小程序的内部数据库、用户行为分析工具以及第三方购物行为数据。
1）购物车转化率
度量方法： 百分比
计算公式：购物车转化率 = (购物车内商品结算的用户数量 / 访问购物车页面的用户数量) * 100%
度量方案：每月购物车转化率、不同设备类型的购物车转化率、不同用户来源的购物车转化率
2）平均购物车价值
度量方法：货币金额
计算公式：平均购物车价值 = 购物车内订单总价值 / 购物车内订单数量
度量方案：每月平均购物车价值、不同商品类型的平均购物车价值、不同用户群体的平均购物车价值
3）跳出率
度量方法： 百分比
计算公式：跳出率 = (进入购物车页面后未进行任何操作的用户数量 / 访问购物车页面的用户数量) * 100%
度量方案：每月跳出率、不同购物车页面版本的跳出率、不同广告渠道的跳出率
例如：
备注： 附加说明或备注，例如特定的数据处理规则或其他细节
收集完以上所有的信息，需要配置在数据分析工具里，以We分析举例。
①配置属性：
②配置事件：
③配置指标：
1）事件分析：
我们首先执行事件分析，以了解用户在购物车转化过程中的行为。
2）漏斗分析
接下来，我们使用漏斗分析来识别用户转化过程中的关键步骤，以及哪些步骤导致流失。
漏斗包括以下事件：
我们分析每个步骤的转化率，以确定哪个步骤存在问题。例如，如果“查看购物车”后的转化率较低，可能需要优化购物车页面的设计。
小贴士：学习转化的定义（来源：growingio操作手册）
转化定义：用户进入漏斗后，在规定的时间范围，按照分析者规定的行为，规定顺序完成了目标事件即为转化。
由此看来完成转化有三个方面： 规定的时间，规定的行为，规定的行为顺序，缺一不可。
下面举一些例子：
假设用户在规定时间内依次完成 ABCD 则为转化，那么：
●ABCD：用户按照规定的路径完成了转化。常见真实场景如 访问 注册 安装 SDK；访问 听歌 购买会员。
●ABCBCBCCD：用户反复多次后完成转化。常见真实场景如 表单注册，产品购买时在详情页和下单页反复后完成购买。
●ABCABCD： 用户重新开始完成了转化。常见真实场景如用户购买时发现明天购买更便宜，明天重新开始购买。
●ABCED：用户除了进行规定步骤还做了其他操作完成了转化。常见真实场景如 C 和 D 之前看是否看 demo，来看 demo 的作用。
●ABCF：用户没有完成转化，在 C 流失。常见真实场景如发现产品太贵，去其他平台上看价格。
●ABCBF：用户没有完成转化，在节点 B 流失。常见真实场景如回到上级页面后发现不符合需求，离开漏斗。
●ABC…D （… 代表转化了，但没在规定时间完成）： 用户虽然按照顺序完成了转化，但未在规定时间内完成。常见真实场景如试用期 14 天，十四天内成单给与九折优惠，超过 14 天没有奖金。
●AD：未转化。
●ABABCDBCABCD：用户完成了两次转化。
3）留存分析
最后，我们进行留存分析，以了解用户的回流情况和用户忠诚度。
我们选择留存周期为7天，并使用以下事件：
我们计算购物车转化事件的7天留存率，以确定用户在购物车阶段的忠诚度。如果留存率低，可能需要改进购物车体验。
小贴士：留存分析怎么看？（来源：growingio操作手册）
留存图中的数据是根据留存表来绘制的，我们针对留存表来说明一下数据统计口径。首先，需要明确的是，留存表中的每个绝对值，指的都是人数。
下面，我们把留存表分成 “汇总行”和”日期行”：
“汇总行”的数据是依据 “日期行”的数据来计算的。下面具体解读一下：
5722：这个是日期行的 “用户量”一列，代表的是 9 月 18 日，”目标用户”中完成”起始行为”的用户量，这是后续用户留存的基数。图中给出的 “日颗粒度”，如果是周颗粒度，那么这个单元格中的用户量是当前自然周的获取的用户去重得到的独立用户量。
26.9%：这个是日期行的留存率图中的留存率数据。
Tips 给出了统计口径；5722 个满足起始行为的用户，有 1537 个用户在第二天(09月/19日)完成了留存行为。次日留存率的计算：26.9% = 1537（人）/5722（人）
117012：这个是汇总行 “用户量”列。是日期行每一行的 “用户量”数据直接算数相加得到的，没有做去重。需要特别注意，这个数据不是在选定的时间范围内的实际用户量，因为这个数据没有去重。
12.2%：这个是汇总行的留存率数据。这个留存率数据是日期行每一行数据加权平均得到的。
具体算法是：
12.2% = 每个日期行 “3日后” 列的用户量算数相加/ 对应每个日期行 “用户量” 列的用户量算数相加。
为了更好地理解计算口径，下面是一个示例：
通过数据分析，我们可能得出以下结论：
●购物车转化率下降可能是由于购物车页面设计不佳导致的。
●购物车页面的浏览到转化率很低，需要改进购物车页面的用户体验。
●用户在购物车阶段的忠诚度较低，需要采取措施提高购物车转化率。
基于这些结论，我们可以制定改进措施，例如优化购物车页面设计、提供更好的购物体验以及实施促销策略，以提高购物车转化率并提升电商小程序的业绩。
通过这个实际案例，我们明确了业务目标，识别了关键绩效指标，分解了指标，明确了数据源和定义了指标，然后进行了数据收集和分析，以更好地理解问题并采取相应的措施来提高转化率。
https://docs.growingio.com/op-help/docs/2.6/product-manual/customer-data-platform/
https://developers.weixin.qq.com/miniprogram/analysis/
本文由@Olivia 原创发布于人人都是产品经理。未经许可，禁止转载。
题图来自 Unsplash，基于 CC0 协议
该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。
