数据指标体系搭建 & 异常指标分析

指标是数据分析的基础，搭建一个完善的指标体系能让分析工作变得更加高效，还能量化业务质量。在真实场景中，经常会遇到异常指标，清晰的指标体系能帮助我们快速定位问题。今天将系统地介绍一下指标体系的搭建和异常指标分析思路。

指标体系搭建

对于互联网行业，通常依据 AARRR 模型来搭建指标体系。

1. 获取阶段（Acquisition）：通过各种推广渠道，以各种方式获取目标用户，并对各种营销渠道的效果进行评估。可选择时间、省份城市、渠道等维度，指标可选择新用户数等。
2. 促进活跃（Activation）：如何让新用户转化为活跃用户。这时需要关注活跃用户数、产品使用时长、复购等指标。
3. 留存阶段（Retention）：如何让用户持续活跃、提高用户粘性、或者将流失用户重新召回。这个阶段需要重点关注留存率、流失率和召回率。
4. 盈利阶段 （Revenue）：用户开始贡献商业价值。比如广告收益等。
5. 传播阶段（Refer）：老用户传播推荐产品，带来新用户的过程。可以关注分享带回用户数。

异常指标分析

这个流程只是一个整体框架，每一步都需要结合真实业务场景进行具体分析。

1. 检查数据的准确性，判断是否指标口径定义错误，或者 SQL 代码取数逻辑出错。
2. 观察指标的时间特性。可对该指标进行同环比分析，判断数据本身是否具有季节性、周期性。注意，在进行同环比分析时，需要考虑是否存在突发事件，若忽略这些因素很可能会导致截然相反的分析结果。
3. 定位数据的异常是否来自某个活动或功能的改变，可以和产品运营沟通，近期是否有活动上线。再或是考虑是否技术侧的埋点设计、数据上报、数据统计出现了错误。
4. 对异常指标进行维度拆解。可以计算不同维度对数据异常的影响系数：

1. 竞品分析。通过竞品分析一方面可以了解整体行业的发展情况，另一方面可以了解我们的产品在整个行业的份额是否发生了变化。
2. 预测数据异常将持续多久，判断异常指标对核心数据是否存在影响。与业务沟通，商讨挽回损失的对策。