数据分析指标如何业务化？

在很多的工作场景中，我们都会需要“用数据说话”，这时肯定就离不开指标！但现实是很多指标是用错了的！但对于指标，你们是否有太多的疑惑：

1、分析相对库存，库存天数？库存周数？库存月数？用哪个？

2、销售部门，要不要背利润完成率指标？

3、计算连带率，是否要剔除退货订单？

4、老板胡乱设定指标怎么办？各部门指标不统一如何解决？

……

用数据说话，是一个好习惯！但如果指标没定好，不统一，也会导致各说各的，大家沟通都不在同一个频道，致使工作低效，也无法让数据产生管理价值。

问题：怎样去确定指标，怎样对指标进行定义？ 核心：基于业务目的来确定指标和指标定义！有些指标是用来绩效考核的，有些指标是负责追踪的们，还有一些指标是用来分析的......

有了这个核心思想，我们在定指标过程中遇到的问题，都会得到解决。例如：如分析相对库存的指标，可以根据对象来确定指标的时间跨度：快消品用库存天数，服装等用库存周数，耐消品用库存月数（即库销比）

销售部门背不背利润完成率的问题，可以根据场景决定权来取舍指标：销售代表和城市经理可以不背利润指标，因为他们几乎没有利润决定权；但大区经理和总经理就可以有利润指标了。

为了让大家更深入地理解业务化指标制定的问题，以下将为大家展开更系统地讲解。

01 根据时间属性确定指标

时间是天然的属性，我们的业务经营都会随着时间的变化而变化，所以根据时间属性来确定指标是最基本的，最常见的做法。

1、按时间维度区分指标

这个很好理解，时间维度可以是年、月、日、周等，具体可以根据业务目的来选择使用。例如：

日销售额、月销售额、年销售额

日完成率、月完成率、年完成率

日活跃用户量（DAU）、周活跃用户量（WAU）、月活跃用户量（MAU）

次日留存、7日留存、30日留存、周留存、月留存

年利率、月利率、日利率

……

2、按业务发展阶段区分指标

随着时间发展，企业的发展也会经历不同的阶段，常见的如：

拓展期：此时企业的策略以拓展市场为主，所以主要可以用增量指标，如新增用户数、新开店铺数、新增会员数等。

成熟期：此时企业的策略以稳定发展为主，所以主要可以用存量指标，如店均销售，平效人效等。

02 根据人货场梳理指标体系

人货场的立体思维，我们在之前就讲过，今天就不累述了。对于大零售行业来说，大部分业务问题都可以从人、货、场三个维度来思考。无论是线上还是线下，人、货、场都是零售营运的核心三要素！

例如一个零售品牌企业，要梳理指标体系，怎么用人货场梳理指标呢？人：可以划分为员工 、顾客；货：可以根据商品的流动来划分：计划、采购、配货、调拨、回收、物流；场：可以划分为渠道、店铺等。

人货场下一级的划分方法，可以灵活地根据每个企业的具体情况去灵活调整，这样就梳理出来了业务的分析架构。然后还需要继续深入去进行拆解，以下继续讲解梳理指标体系。

1、人

既然划分为员工、顾客这两大类，接下来你是否能定指标了？如果还不能确定指标，就可以尝试继续往下去拆！

例如员工，从人事架构上可以再分为基层员工、管理层，他们背的指标是可以有不一样的。

基层员工：完成率、销售额……

管理层：完成率、销售额、利润率、员工流失率……

如果你拆分为基层员工还不能直接定指标，那就可以继续按职能类型拆下去，例如销售类、服务类、技术类等。

销售类：完成率、销售额、连带率……

服务类：满意度、投诉率、平均接待时长……

技术类：出错频率、问题解决率、交付及时率……

员工方面指标的拆分，基本上只要拆分到职能类型，结合其工作职责，就能把指标梳理出来。

再来看看顾客方面的指标拆分，继续往下拆，最简单的就可以拆成新顾客、老顾客。但这里我们可以再精细化一些，因为老顾客也会分为常来的、不怎么来的、不再来的，这样就能把老顾客再分拆得更精细一些。

所以顾客就可以拆为：

新顾客：成交率、开卡率（入会率）……

活跃会员：购买频率、销售额……

沉默会员：沉默天数、激活率……

睡眠会员：睡眠天数、激活率……

流失会员：流失占比、激活率……

顾客方面指标的拆分，按以上的拆法，结合你对每一部分顾客的工作内容，就可以把指标梳理出来了。

2、货

前面讲到，我们是可以按货品的流转拆分成计划、采购、配货、调拨、回收、物流，其实类似上面在员工方面指标拆分的方式，这六个货品流转的过程，也代表着相应的工作职能，根据各职能类型的定位就可以辅助我们确定后续的指标。

计划：负责做计划的，就要看你的计划完成率，计划执行率（指执行到什么程度）、计划流失率（指有计划但没执行的情况）

采购：采购职能，可以从三方面去梳理--价格、时效、到货。价格--采购成本降低率，时效--订单准时率，到货--订单满足率。

配货：配货工作主要就是及时、准确、合理

调拨：调拨工作主要就是及时、费用评估

回收：回收主要就是看回收率

物流：订单执行率、订单满足率、准时交货率、订单效应周期

3、场

假设是一个购物中心的场，场的动线、陈列都可以往下拆出指标，还可以进行场内的品牌关联分析，即消费者买2个品牌以上的情况。

以上按人、货、场立体思维拆解指标的方法，其实在很多行业都是相通的，具体根据行业、公司、实际业务情况做适当调整就行。

给大家展示一个我做的例子，这是以诊断店铺生意为目的，人货场指标体系的案例：

03 将指标过程化更利于业务化

要定出业务化的指标，有时我们还可以考虑把指标过程化！

首先可以梳理业务发生、开展的过程，把思路整理好，例如我们之前讲过的消费品过程思维逻辑：

根据这个过程我们可以拆分成如下的业务指标：

然后就可以把销售额这一个指标过程化，这样当你要追踪销售额的时候，你就可以追踪等号右侧的那些指标，只要任何一个指标有增长的，都是对销售有正向作用的！

当然，如果按杜邦分析的结构写出来，思维会更清晰，是一个逐层分解的过程：

可见，先分析业务过程，然后把关键指标过程化，拆解出来的分析指标就能很业务化了！

04 同一盘数据同一个指标体系

1、数据统计口径必须一致

统计口径不一致的话，就会引起数据打架！所以在企业内部必须要有相应的标准，把指标的统计口径规范起来。

举例：计算连带率是否需要剔除退货订单？

一般来说，确定统计口径，可以有2种分析方向：a、基于业务目的，b、基于财务目的

如果用于营运追踪则建议不剔除，因为目的是为了评估店铺的销售力，不需要为退货负责；如果用于财务分析方面的口径，则需要剔除。

无论是选择哪一种，口径都必须要明确下来，这样大家才能好好地用数据说话。如果是2种并存使用，那就明确好使用场景，确保大家都清晰不混淆。

2、数据指标定义必须一致

有时候一个指标的计算的定义可能有很多种，这时也必须要把定义确定清晰一些，一旦定下来了，就一直按这个定义去执行，这样后续才可以进行对比、趋势的分析。

最经典就是离职率的定义，可以有多达十几种定义，例如我列举几类：

哈哈，经典吧，其实你选哪个答案都是可以的，因为目前全球用的离职率定义确实很多，不同的公司会有不同的业务考虑。

但切记一点：你选择了某种定义，就持续统一用这种定义！

3、数据指标必须符合管理常态

有些指标在核算时，还需要充分考虑到一线的业务实际，这样才能更客观地用于指导日常运营。

例如零售行业都要去计算客单价，其实在计算时就需要剔除团购或大宗购买，因为这些销售行为不是常态的，如果某个时间点的一个团购没有剔除，会导致数据的可对比性大大减弱。

所以计算数据指标的时间还要考虑符合管理常态。