数据分析师如何构建数据指标体系？理解以下四个模型就够了！

本书以数据分析思维为主题，主要介绍对比思维、分群思维以及相关思维三大数据分析思维，同事以数据分析全流程为主线，融合了编程语言、统计学基础以及案例分析等多模块内容，全书分为4篇，囊括了数据分析思维的基础概念培养方法、数据来源及体系建设、数据分析三大思维方式以及用户流失、用户转化实战等共十一章的内容。

告诉你们一个小秘密，购买了图书的小伙伴们，可以扫描书封底二维码进群。在群里晒网店评论截图即可领取"数据分析师技能树"PDF大图。

介绍了这么多，我们这是开始今天的主题，数据指标体系建设！

构建数据指标体系的方法概括

数据指标体系建设的方法可以总结为三个步骤，即明确业务目标，理清用户生命周期以及行为路径以及指标分层治理，在这三个步骤当中又涉及到 OSM(Object,Strategy,Measure),AARRR(Acquisition,Activation,Retention,Revenue,Referral),UJM(User, Journey, Map), MECE (Mutually Exclusive, Collectively Exhaustive) 四个模型，这四个模型是指导我们构建完整而清晰的指标体系的方法论。

小编整合这四个模型，为大家梳理了一套建设指标体系的流程和方法。

三个步骤，四个模型方法论

1.OSM模型-明确业务目标，数据赋能业务

OSM模型是 Object, Strategy, Measure的缩写。数据服务于业务才能赋能业务，数据脱离业务，那么数据就会失去其价值。

所以，我们在建立数据指标体系之前，一定要清晰的了解业务目标，也就是模型中的O,Object。换句话说，业务的目标也就是业务的核心KPI，了解业务的核心KPI能够帮助我们快速理清指标体系的方向。

了解业务目标方向之后，就需要制定相应的行动策略，也就是模型中的S,Strategy。行动策略的制定可以根据产品生命周期或者用户行为路径进行拆解，也就是把业务的核心KPI拆解到产品生命周期(AARRR)或者用户行为路径(UJM)当中，在整条链路当中分析可以提升核心KPI的点。

最后，就需要我们制定较细的评估指标，也就是模型中的M,Measure。评估指标的制定是将产品链路或者行为路径中的各个核心KPI进行下钻细分，这里用到的方法就是麦肯锡著名的MECE模型，需保证每个细分指标是完全独立且相互穷尽的。

总结一下OSM模型的内容及其与AARRR,UJM,MECE模型之间的关系，OSM模型是指标体系建设的指导思想，理解业务KPI是OSM模型的核心；制定行动策略是实现业务KPI的手段，而AARRR和UJM模型是实现策略制定的方法论；制定细分指标是评估业务策略优劣的方法，而MECE模型制定细分指标的方法论。

2.AARRR模型和UJM模型--理清用户生命周期以及行为路径

前面我们提到AARRR和UJM模型是实现策略制定的方法论，对于刚入门或者想要转行的朋友来说，可能对这两个模型都还很陌生，下面我们就简单的介绍下这两个模型。

AARRR和UJM模型都是路径模型，二者原理相似，只是它们出发的角度不一样。AARRR模型是从产品角度出发，揭示产品的整个生命周期；而UJM模型是从用户出发，揭示用户的行为路径。

AARRR模型是基于产品角度，简单地来说就是拉新，促活，留存，付费，推广。对于一款产品来说，我们首先要从各个渠道获取用户；其次需要激活这些用户并让他们留存下来；对于留存下来的用户引导他们付费以及推广产品。

UJM模型则是从用户角度出发，描述了用户进入产品的整个路径流程，即注册，登陆，加购，购买，复购链路流程。

无论是产品角度还是用户角度进行链路流程，核心KPI都可以下钻到相应的节点，这样我们就在整条链路流程当中拆解了业务的核心KPI。这样的好处是，我们可以从更多的角度和维度监控和分析业务问题。

3.MECE模型--指标体系分级治理

前面两个步骤，首先我们明确了业务核心目标；其次，我们将业务核心的KPI下钻到产品生命周期或者用户路径行为中；接下来我们需要对这些核心KPI向下进行三到五层的拆解，这个过程我们成为指标体系分级治理，用到的模型是MECE模型。MECE模型的指导思想是完全独立，相互穷尽，根据这个原则拆分可以暴露业务最本质的问题，帮助数据分析师们快速地定位业务问题。例如，客户总成交额GMV进行以及拆解可以是付费用户数与平均客单价的乘积。

以GMV为例，用三个步骤，四个模型教会你搭建指标体系的方法

如果你的老板给出你一个很大的业务问题，他说，“我们现在做一套GMV相关的指标体系，你出一个方案吧！”面对这么大的一个命题，我们就需要对命题进行分解，将其分解成若干个子问题并找到各个子问题之间的联系，做成一套业务监控指标体系，帮助数据分析师快速定义业务问题。在这里，我们就通过上面提到的三个步骤，四个模型去搭建GMV相关的指标体系。

第一步，根据OSM模型构建整体框架，明确业务目标。

为什么业务会关注GMV？当然这是业务的核心KPI，关系到自己的饭碗，GMV当然越高越年终奖越高。所以，作为数据分析师我们提炼出业务目标——提升用户总成交量GMV。

第二步，根据AARRR或UJM模型拆解用户达成GMV的路径，将业务目标转换为提升用户路径转化率。

用户达成GMV需要通过六个步骤，即注册-登录-曝光-点击-加购-成交。到目前为止，我们已经将提升GMV这个目标转换为提升用户付费路径的转化率，只要我们提升用户每一步的基数，使得每一步的转化率变高就可以达成提高GMV的目标。

将提升GMV转化为提高用户达成GMV路径转化率还有另外一个好处，即通过路径拆解能够暴露业务更多的问题，同时，分析师可以根据暴露的业务问题提出相应的建议方案，这也是数据分析师的价值所在。

第三步，根据MECE模型对GMV达成路径的每一个指标进行拆解，实现指标分级治理。

有了GMV达成路径之后，我们就可以将这个路径的核心步骤抽象成GMV的分级指标并进行回溯下钻。同时，找出影响每一个步骤的关键因素作为二级指标，每一个关键因素之间需要完全独立，相互穷尽。

我们先根据公式1：

GMV=成交用户数*平均客单价

这里将核心KPI用户总成交量GMV进行了一级拆解。

又有公式2：

成交用户数=点击UV*访购率

将公式2带入公式1得到：

GMV=点击UV*访购率*平均客单价

又有公式3：

点击UV=曝光UV*转化率

将公式3带入公式1得到：

GMV=曝光UV*转化率*访购率*平均客单价

到这里呢，我们已经将核心KPI用户总成交量GMV进行三级回溯拆解，形成了分级治理的指标体系。到这里并没有结束，像曝光UV等着指标还可以继续向下拆解，例如，谷歌渠道曝光UV，华为渠道曝光UV等等，可以根据具体的工作场景进行适当的调整和向下拆解。

讲到这里你可能会有几个问题。

问题1：指标分级治理拆这么细有什么用？

正向作用：分解核心KPI，明确每一个步骤的行动计算和每个行动考核指标。

例如，老板让你估算明年GMV，就可以根据历史数据运用这套指标体系对明年的GMV进行估算。

再例如，老板让你下个月做到1个亿的GMV，让你出个方案。这是就可以再对曝光UV进行细分，把量拆解到每一个渠道上去。

反向作用：当业务出现问题，可以通过指标体系反向排查业务问题。

例如，这个月的GMV下降了10%，老板让你排查下问题在哪里。这时候就可以根据这套指标体系逐一排查问题，定位到是哪个步骤，哪个环节出现问题，并提出相应的解决策略。

问题2：在运用MECE模型进行指标体系分级治理时，是不是拆的越细越好，越全越好？

当然不是，在进行MECE拆解时，需要找到与核心指标有重要关联关系的子集进行拆解分类，这样才能保证指套指标体系能够指导业务进行决策分析，帮助数分定位业务问题！