从0到1，构建数据指标体系！
我会从构建数据指标体系、数据分析方法两部分来总结自己学到的一些知识。
首先从构建数据指标体系说起，一个成熟项目的指标体系往往经过前人的构建和完善后，已经非常成熟，不必从0开始构建产品的数据指标体系。但产品经理必须具备从0开始构建数据体系的能力，因为在职业生涯中一定会有接触新产品的时候，即便是同一产品在不同的生命周期重点数据指标也可能不一样。
而产品在构建数据指标体系的过程中，需要对指标的意义深入思考，后续进行数据分析时更能做到知其所以然。下面分四步来说明如何构建一个自己产品的数据指标。
在构建一个数据指标体系前，首先需要将自己产品的相关指标都有什么。在这之前需要明确一个观点，任何产品的终极目标都是使企业或用户价值最大化。接下来就可以按照用户生命周期业务流程来归集所有数据指标。下面以P2P产品为例：
1. P2P产品的终极目标在于投资和借款的规模最大化。所以体现在数据指标上，最直接的两个指标就是投资金额和借款金额。（由于投资指标和借款指标是相对独立的两个数据体系，本文后面的举例暂不涉及借款端数据体系）
2. 任何产品的用户都会有生命周期，即用户从接触产品到抛弃产品的一个过程。而这个过程是可以分成多个阶段的。只要我们思考清楚如何使每个阶段的用户去达到产品的终极目标，我们就可以归集出整个产品的所需要的大部分数据。P2P产品的用户基础生命周期按自然顺序可以分为五大阶段：
用户生命周期
投资用户阶段是实现产品终极目标的阶段，所以我们要做的工作就是使其他阶段的用户都进入投资用户阶段。所以在产品眼中，其实希望所有用户生命周期是这样演变的。
用户生命周期
其中，访客阶段、注册-投资、流失召回阶段是三个比较独立阶段，具体细化后可以得到相应的数据指标。
访客阶段
注册-召回阶段
按照一个完整的用户生命周期或业务流程，基本可以将产品所有相关的指标梳理完整。在搜集数据指标时，对每一个业务环节，可以按照规模、质量、转化率和使用率/占比**这几个主要数据评估目的来考虑。例如首次投资环节：
规模指标：人数规模，投资金额规模、投资订单规模、投资次数规模等；
质量指标：注册/实名-投资周期、人均投资金额等；
转化率指标：注册/实名/充值-投资转化率；
使用率/占比指标：首次投资占总投资用户比例等
归集完产品所涉及的指标后，会发现指标很多。但是在具体的业务中，可能不同业务阶段重点关注的指标不一样。例如渠道推广关注获客成本和转化效果，投资则关注投资金额和投资人数等等。所以对于不同的业务阶段，我们需要挑选出该阶段的核心指标，然后进行拆解，再根据拆解的指标去重点关注。
例如拉新阶段，我们最关注的是新投资用户的增长情况，所以可以将新用户增长数据指标拆分为：
新投资用户增长=浏览UV/APP**×注册转化率×实名转化率×投资转化率
而投资阶段，我们最关注的是投资金额的增长情况，所以可以将投资金额数据指标拆分为：
投资金额增长=新投资用户数×投资次数×人均每次投资金额+老投资用户×回投率×投资次数×人均每次投资金额
如此一来，我们即知道在不同阶段，需要重点关注和分析哪些核心数据。只有哪些使核心指标效果最大化的细分指标才是最值得我们关注的。
除此以外，不同的部门重点关注的数据也不一样。例如市场推广重点关注渠道推广数据，运营部门重点关注业务增长数据，技术部门重点关注产品稳定性，性能数据。产品部门重点关注功能使用数据、用户画像数据。财务部门重点关注交易数据。
在确定需要重点关注的数据指标后，就需要对数据指标进行维度的细分，例如：
按时间维度：秒、分、时、天、周、月、季、年
按渠道维度：推广注册、自然注册、活动注册
按用户类型：新老用户、高低净值用户、活跃/流失用户
按终端类型：微信公众号、PC官网、安卓APP、iOS APP
按地区：省、市等
至此一个初略的数据指标体系完整构建起来了。但是还需要在运用中根据实际情况来不断调整优化，毕竟即便是同一产品，不同阶段重点关注的数据都是不一样的。
构建完一次数据指标体系后，对于现代管理学之父彼得德鲁克的名言“如果不能衡量它，就不能有效增长它。”有更加切身的理解。数据分析是一种思维能力，不仅是增长业务的利器，也是解决问题的有效途径。在第二篇数据总结中，我会再总结常用的数据分析方法。
End.
作者：SanCode
来源：简书
赠送三本当当热销书籍
《机器学习中的数学》
内容介绍：《机器学习中的数学》内容全面，语言简练，实例典型，实用性强，立足于“友好数学”，与机器学习完美对接，适合想要了解机器学习与深度学习但数学基础较为薄弱的程序员阅读，也适合作为各大高等院校机器学习相关专业的教材。机器学习及数学爱好者、海量数据挖掘与分析人员、金融智能化从业人员等也可选择本书参考学习。