这篇文章将为你揭示如何从实际业务出发，构建一个真正有用的“数据指标体系”。作者通过丰富的实战经验，详细介绍了如何从业务流、管理流和数据流三个维度出发，搭建一个能够辅助决策的数据指标体系。

一提到数据指标体系，很多人喜欢背诵AARRR、RFM一类。可真到工作中，会经常发现很难满足业务需要。比如前几天就有同学在星球提问：用户流失该如何搭建指标体系？

起因是：某公司定义了用户流失率指标是“连续三个月不消费”，可业务看到这个指标却很懵：

1、知道了用户流失率是30%，所以呢？能干什么？

2、知道了用户流失要召回，可召回划算吗，值不值得干？

3、为啥一定要等到用户流失了才干活？不能早干点事吗？

因此，业务想让数据部门帮忙建一个能辅助决策的用户流失指标体系。该怎么办呢？这里需要考虑三个流程：业务流、管理流、数据流。

第一步：梳理业务流

梳理业务流，即搞清楚：分几步达成目标。有些业务流程是很清晰的，比如销售流程，就是一个大转化漏斗；比如客服流程，根据客户需要，分类处理问题（如下图）：

对用户流失而言，常见的业务流程有：

1、事前预防：当用户出现投诉/退货，及时安抚

2、事前预防：当用户消费一个月比一个月少，及时激励

3、事前预防：当用户1个月/2个月未消费（此时尚未达流失标准）进行刺激

4、事后补救：利用优惠活动/新品上市/爆款产品等进行召回，尝试重新激活

可以将这些常见流程列清单，然后让业务选：希望从哪个方向下手。如果业务暂时没有想法，我们可以把用户状态如下图分清楚，先统计每一类用户有多少人，帮业务看清：那些人是流失重点，从而形成思路

第二步：梳理管理流

梳理管理流，即搞清楚管理业务的目标，目标可能是多元化的。比如销售流程，有可能有好几种考核方法：

1、只考核销售额

2、销售额+毛利

3、销售额+毛利+回款

4、销售额+特定产品销量

不同考核方式，决定了指标体系的主指标不同，当然会影响考察哪些子指标。因此搞清楚管理目标很重要。

在流失分析中，很有可能业务不确定，到底流失率多高算合适。此时，可以做一些辅助工作：

1、这些用户流失前的贡献有多大 → 理论上流失前贡献越大，越应该召回

2、这些用户处于流失状态多久 → 理论上流失状态越短，越容易召回

3、这些用户有没有自然回流的迹象→ 理论上有回流迹象，越容易召回

可以先把数据梳理出来，让业务方看一看找找感觉：

帮业务方定目标是很重要的。因为不同难度的目标，采取的手段不一样。比如召回流失用户，如果就孤零零地发条短信，啥好处都不给，肯定很难召回用户。如果给用户福利，那最好给有高召回价值的用户身上。因此，事前做好用户价值分层+过往召回响应的盘点，非常重要！

第三步：梳理数据流

梳理数据流，即明确业务的目标、业务操作流程是否有数据采集。这一步确保前两步梳理的内容，能落地成数据表报，而不是悬在空中。

比如销售流程，传统企业的最大问题就是数字化能力不行，除了最后一步的签约合同，之前啥过程数据都没有，这样只有结果指标，没有过程，很难做深入的分析。

回到用户流失的例子，除了流失用户人数这个孤零零指标外，上述两步梳理的内容，最好都有记录（如下图）:

注意！数据指标体系不止有指标，标签也很重要：

1、流失前用户消费：高消费、中消费、低消费

2、流失前用户偏好：品类偏好/优惠偏好

3、流失前用户状态：有投诉、无投诉

4、对召回行为的响应：有响应、无响应

5、召回用户素材：优惠类、新品类、换季类

6、召回用户优惠力度：高、中、低

这些都需要打好标签，才能方便后续的深入分析。当需要解释：“为什么召回效果不好？““为什么流失增多”这些问题时，直接利用标签对比，就能得出初步答案，从而极大提高数据指标体系的可用性。

理想的效果

理想状态下，一个好的数据指标体系，可以指导业务实现工作闭环，用通俗的话说，是：我想干什么→我要针对谁干→我要怎么干→我干成了没有，全流程都有数据监控。这样在数据的指导下，业务方不断具体到用户流失案例，整个指标体系如下图运作：

这样就不是一个孤零零“流失率35%”的指标，而是可以按图索骥，找到解决问题的思路，追踪效果，可以说能实现用数据驱动业务了。