创业公司如何构建数据指标体系?

对于从 BAT 等互联网公司出来的,已经经历了数据分析的历练,会有一个做事情看数据的习惯。而对于毕业之后就创业,或者是产品经理或运营专员新手,一般会对构建指标体系比较困惑,不知如何下手。甚至有些在微信公众号后台或者百度统计后台看到的几个指标,就觉得算是有了数据指标体系了,但又会发现与许多实际的工作脱节。我这里给大家介绍两套构建指标体系的方法,第一关键指标法和海盗指标法。

第一关键指标法

现在我问你一个问题,对你所负责的产品来说,最关键的一个指标是什么?我尝试问过一些人,特别是同一个公司的几个人,你会发现他们冒出来的第一关键指标是不同的。当然,这还不是最惨的,更惨的是根本就找不出来关键指标。对于一个大公司来说,比如像百度,因为产品很复杂,有很多的产品,即使同一个产品,也有不同的职能部门,他们会有不同的关键指标或者 KPI,情有可原。但对于一个创业公司,尤其是刚成立的初创公司,几十个人的团队都不是围绕同一个目标努力的,那问题就比较严重了。

第一关键指标法是在《精益数据分析》(Lean Analytics)一书中提到的方法,这个方法不是说一个公司用于只为一个指标负责,而是说在任意一个时间点,肯定只有一个最关键的指标。随着业务的发展,你的关注重点会有变化。我对第一关键指标的方法又做了一个延伸,关键指标又可以衍生出许多其他的指标。比如对于一个成熟的电商产品,它最关心的可能是销售额。但销售额我们又可以衍生出访问量、转化率、客单价等指标,我们通过优化这些衍生指标,来实现关键指标的增长。对公司来说,基于关键指标制定目标。

这样做的好处有两点:一是确定了现阶段的最重要的问题,二是可以基于关键指标的当前的状态,制定清晰的目标。否则你可能问题没找对,努力达到的数字也是没有意义的。

对于一个创业公司,不同的阶段需要关注的重点是不同的。我把创业公司分成三个阶段:

1、MVP 阶段:

MVP(Minimium Viable Product,最小可用产品) 是《精益创业》(Lean Startups)一书中提出的理念,在创业的最早期,你的关注点是确定用户需求,并做出一个最小可用的产品来验证需求的真实性。大量失败的创业最后发现解决的是个伪需求,为一个不存在的需求做出了一个不需要的产品。更好的方式是用最小的代价满足需求,然后再想更高效的方法去优化它。在这一阶段,数据分析的价值比较小,你需要的是定性分析,通过用户访谈,直接确定产品的满足情况,并不需要在数据分析方面投入大量工作。

2、增长阶段:

这个时候你的产品已经出来了,并且有用户在用,是时候需要做数据分析了。这一阶段我又把它分为有重叠的两个阶段:留存阶段和引荐阶段。我们在推广产品之前,一定要确认我们的产品确实是能够给客户带来价值的,并且有比较好的体验。那怎么确认这一点呢?除了直接听用户反馈之外,最重要的就是看用户的活跃度了。这里我们就需要做留存分析,比如看次日留存,如果发现你的用户次日留存率非常低,那说明根本吸引不住用户,还是要先优化产品。等产品优化做的差不多了,我们就要进入引荐阶段了。一个好的产品会说话,最直接的就是口碑力量。对有些产品来说,它天然的带有病毒性质。比如,PayPal 的一个用户向朋友转钱,那么就会促使朋友也注册 PayPal。你可以通过人工的方式促进这一传播速度,比如 PayPal 每引荐一位朋友注册,可以得到 10 美元的奖励。这里需要关注的是 病毒系数 和 病毒周期,如果一个用户会推荐两个用户成功注册,那么这个病毒系数就是 2,如果这是经过 1 年才做到的,那么病毒周期就是 0.5 年了。

当然,并不是每个产品都能找到病毒传播的途径,找不到也没关系,我们还可以通过口碑。就拿我们来说,我比较关心的是 NPS(Net Prompter Score,净推荐值)。假设我们有 100 个客户,这 100 个客户中,有多少是给我们推荐了新客户的,有多少只是自己用的,有多少是通过私下或公开途径对我们进行负面评论的。拿推荐我们的减去否定我们的,就是 NPS。一个好的产品,NPS 应该在 50 以上。比如微信,说微信不好的很少,如果你的朋友没有在用,你会直接推荐他用,所以 NPS 会非常高。在 2006 年的时候,360 安全卫士刚出来,我真的觉得很好,以至于只要有亲朋好友的电脑有垃圾插件,我就推荐他们装一个,当然,我现在已经很久没推荐它了。

3、营收阶段:

这个阶段产品已经相对比较成熟,我们考虑的重点就变成了如何赚更多的钱,以及如何规模化。我们关注的重点成了 LTV(Life Time Value)、CAC(Customer Acquisition Cost)、渠道分成比例、渠道用户盈利周期、成本等。一般到这个阶段,创业公司就不再那么有趣了,最大的乐趣可能是获得量级上的增长。这个时候公司就需要寻找一些新的方向,为下一步增长做准备,而新的方向,又可以重复这三个阶段。

当然,我这里只是列举了不同阶段的典型关键指标,对于你的项目本身,还是要具体来看。比如,对于百度知道这个产品,因为属于百度搜索的子产品,它本身并不需要太关注盈利的问题,所以现在依旧还处于增长阶段,只是产品已经比较成熟了。接下来我分享一下我在加入百度知道后,寻找第一关键指标的经历。

2007 年我毕业后加入百度知道做后端研发。作为 RD,我每天也收到一系列报表邮件,这些报表里面有很多统计的一些数据。比如,百度知道的访问量、检索量、IP 数、Session 数、提问量、回答量,设置追加答案的数量,这一系列指标。当时,看的其实感觉很模糊。我在思考:这么多的指标,不能说这也提高,那也提高吧?每个阶段肯定要思考哪个事最关键的,重点要提高哪些指标。开始的时候其实是没有任何区分的,不知道什么是重要、什么是不重要。

后来,慢慢有一些感触和认识,就发现其实对于访问量、检索量这些指标并没那么重要。因为百度知道大部分流量都是来自于大搜索,把它的展现做一下调整或者引导,对量的影响非常大。虽然,跟百度知道本身做的好坏也有直接关系,但是它很受渠道的影响——大搜索这个渠道的影响。

提问量我认为是非常重要,提升提问量,那么整个百度知道平台的问题就多了。提升回答量,让这些问题得到回答,高质量的内容就非常多了。提问和回答都很重要,都要发力,这让我很困惑。

有一次产品会,我就问当时的产品负责人是孙云丰,可能在百度呆过的或者说对百度产品体系有了解的都会知道这么一个人,非常厉害的一个产品经理。我当时就问了他这个问题,我对提问量、回答量都要提升这个困惑。

他就说了一点,其实提问量不是一个关键的问题,为什么?我们可以通过大搜索去引导,如果一个用户在大搜索里面进行搜索,发现这个搜索没有一个好的答案,那就可以引导他进行一个提问,这样其实这个提问量就可以迅速提升上去。

我一听一下就解决了这个困惑,最关键的就是一个回答量,我所做的事情其实怎么去提升回答量就可以了。这里面把百度知道这个产品抽象成了最关键的一个指标——那就是如何提升回答量,在这个问题上当时做了一个事情就是进行问题推荐,根据用户的历史回答记录,或者是检索或浏览过的页面记录,给用户推荐感兴趣的问题,整个项目做下来提升了 7.5% 的回答量,是我非常有成就感的一个项目。

海盗指标法

2007 年,500 Startups 创业孵化器的创始合伙人 Dave McClure 针对创业公司应该关注哪些指标,提出了一套模型—— Pirate Metrics,即海盗指标法。他将创业公司需要关注的指标归结为五个方面:Acquisition(获取)、Activation(激活)、Retention(留存)、Revenue(营收)、Referral(引荐),简称 AARRR!。这一抽象经典的以至于过了 9 年了,都一点还不过时。Dave McClure 曾经是 PayPal 早期的营销总监,算是 PayPal 黑帮的代表人物之一,后来又是 500 Startups 的创始合伙人,有过成功的打造产品的经历,又指导过众多创业团队,能总结出这么牛逼的方法,也算是情理之中。网上的许多材料都是把这五个方面画成一个漏斗形状,以至于一些人理解这几块是顺序进行的,这是错误的。我也看了他在今年接受的一个采访,专门强调了这个误区。这一方法相比第一关键指标法,阶段划分更加清晰,但因为 Dave McClure 是营销出身,所以侧重点都在如何做营销方面。

我把这五点分为三个方面:

1、拉新:

首先是触达用户(Acquisition),让用户知道你,然后才可能选择你。之后是激活(Activation),一个用户到达你的首页,并不标明他就是你一个真正用户了,他可能成功注册,或者访问超过 10 个页面,才定义为激活。然后是引荐(Referral),一个好的产品,应该是自传播的,通过口碑,有越来越多的人使用。或者是通过一些激励措施,让老用户拉新用户。许多 Growth Hacking 的案例,都是在强调如何发挥引荐的威力。

2、留存:

在做好留存之前,最好不要花太多的功夫拉新。如果你的产品不能解决用户的问题,或者用户体验不好,那么拉的人越多,流失的越多,就像猴子掰玉米。留存就是要提升核心用户的重复频率,比如电商产品的复购,比如考察用户的次日留存率。

3、营收:

创业公司的最终目的都是为了赚钱,不是为了做慈善。就像百度如果不做竞价排名,也不可能有今天。如果一个产品有大量的用户但赚不了钱,那是很难持久的。比如我从 2011 年就开始用 Evernote,它是一个非常好的产品,但它即使天天推荐我升级为付费用户,我依旧没有动力。去年 Evernote 被唱衰的比较多,被认为是一个要倒掉的独角兽,CEO 都辞职了。烧钱可能能持续一段,但最终要实现正的增长。我介绍过他们如何像高交易量卖家收费的转型故事,非常成功。

下面这张图,描述了这五个环节的相关工作,我这里就不详细展开了。而这里的每个环节,都会有一些需要衡量的指标。表格里的指标都是和网站访问相关的,只是用于做参考,对于你的特有业务,还是需要具体问题具体分析。

本文转自d1net(转载)

时间: 2024-07-31 14:13:36

创业公司如何构建数据指标体系?的相关文章

基于WF与WCF构建数据逻辑层

WF是什么,许多对NET技术有了解的人能说出一点,但又说不清楚 不论你认为WF是什么,但不要与Jbpm ,Shark ,Biztalk,SharePoint 这些产品做比效,这些产品有共同的特点就是面向企业业务流程应用的产品,WF不是,WF面向的开发人员 WF是一个使用XML描述,具有IOC.AOP功能的面向流程控制的开发平台. 我从事工作流开发有8年了,学习WF已经有5年了,在博客园写关于WF的主题博客也快4年了,自从接触WF后我一直在解释WF与传统工作流之间的区别 可能是我即从事工作流开发,

Swift教程_零基础学习Swift完整实例(五)_swift完整实例(构建数据层)

3.构建数据层 按照官方sample,我们使用简单的plist来保存数据(当然使用内置数据库也ok).该plist既是我们列表中需要显示的内容. 1.将化学元素的数据整理为Elements.plist,该plist的结构为Array<Dictionary>(Java表示为ArrayList<Map<String,Object>>). dictionary中包含若干键值对,但一定要保证每个dictionary键值对的键和值的类型一致,这样我们才能够进行数据的解析.如图.

甲骨文开源Avatar项目 JS构建数据服务

甲骨文公司近日在博客中宣布,将其Avatar项目开源. Avatar是一个用于HTML5开发的框架,提供了一个着重支持REST.http://www.aliyun.com/zixun/aggregation/17116.html">WebSockets和Server-Sent事件(SSE)的JavaScript服务层,以及一个富客户端框架,只需要你掌握很少的JavaScript知识. Avatar服务端专注于使用JavaScript构建 数据服务,客户端专注于支持HTML5和TSA(瘦服务

Swift教程_CoreData实例(二)_构建数据层

Swift教程_CoreData实例(一)_构建storyboard Swift教程_CoreData实例(二)_构建数据层 Swift教程_CoreData实例(三)_构建控制层(列表数据加载.删除数据) Swift教程_CoreData实例(四)_构建控制层(查询.更新数据) Swift教程_CoreData实例(五)_构建控制层(添加数据) 三.构建数据层 数据层总体结构包括由CoreData构建的数据模型.通过AppDelegate构建相应的初始化对象. coredata数据最终的存储类

从0到1构建数据生态系列(二):拆解架构蓝图

一.结合业务需求拆解架构图   先把上一章已经讲过的架构图再贴一次:     整体架构说明  从架构图中可以看出,在我们整个数据架构中,需要做的事情很多.随着数据的流向,从下到上,主要分三层:   第一层是数据收集层,负责基础数据的收集工作: 第二层是数据存储与处理层,负责数据存储.对数据进行深度处理.转换及价值的挖掘等: 最上层是应用层,基于下面的数据处理,进行价值转换:还有贯穿整个过程的监控以及任务调度相关的工作.   第一层中,主要有四个数据来源:用户行为埋点上报数据.服务日志的数据.后端

推进大数据战略,构建“数据中国”

"十三五"规划纲要中指出,要全面实施国家大数据战略.即把大数据作为基础性战略资源,促进大数据发展行动,加快推动数据资源共享开放和开发应用,助力产业转型升级和社会治理创新. 发展大数据对经济.政务将带来怎样的改变? 促进经济增长,实现弯道超车 现阶段全球经济格局深度调整,国际竞争更趋激烈,我国经济既面临新兴行业的发展机遇,也面临传统行业的转型挑战. 大数据包含数据感知.采集.处理.存储.分析.应用.服务.安全等多个环节,每个环节均能产生经济价值,全链条更是能形成产业聚集.相关软.硬件产品

从0到1构建数据生态系列:数据价值挖掘

这估计<从0到1构建数据生态系列>的最后一篇,主题是数据价值. 在之前,我们所有做的一切一切,都是基础,那么其最终的目的是什么? 当然,结果很明显,就是数据价值,那么,作为数据生态的最上层,所谓的数据价值又是以什么形式体现的呢? BI体系 在 大数据职位画像–看看你是不是白混了贼多年 这篇对于大数据职位分析的文章中,我们知道,大数据中很大一部分人的角色定位就是"数据分析". 对应的职位岗位的名称也多样,"数据分析师","大数据分析师"

三种”童话“方式构建数据中心

评估数据中心有一项很重要的指标PUE.Power Usage Effectiveness的简写,是评价数据中心能源效率的指标,是数据中心消耗的所有能源与IT负载使用的能源之比,是DCIE(data center infrastructure efficiency )的反比. PUE = 数据中心总设备能耗/IT设备能耗,PUE是一个比值,基准是2,越接近1表明能效水平越好. 从PUE指标和建造时间到场地和数据中心的设备,这些都会影响你的数据中心设计和建设.在这里我们有三个建议提供参考. 数据中心

网络游戏运营的外部数据指标体系

网络游戏运营的数据体系(BI)主要分为内部数据体系和外部数据体系,内部数据主要以游戏内玩家用户行为为核心,在初期结合日志分析工具的运用,不断修正游戏的开发相关各项性能.外部的数据体系以市场运营为核心,在初期以网站统计分析工具为主,优化运营相关的指标. 外部数据指标体系相对内部数据体系更具有直观时效性,借鉴电子商务领域的数据指标,尝试建立网络游戏运营的外部数据指标体系. 数据分析指标需求 一用户行为指标 (一)一般行为指标 (1)UV访问次数 新访客UV 老访客UV (2)注册用户数 (3)PV(