数据指标 VS 指标体系
比如:有一个小朋友身高150cm,是个男生,长得很强壮。这里150cm就是数据指标。数据指标通常是用数值衡量一个客观事实。只不过,只用一个指标是难把事情讲清楚的,你可能会怀疑“啥小朋友一米五高呀”,所以我们需要一些列指标,比如年龄12岁,身高150cm。描述事物的指标多了,就形成指标体系。
在企业里,常见的指标体系有3种形态:
第一种:并列式。经常用于多角度评估某个体的表现,比如评估员工绩效、评估供应商表现、评估新产品等等。之所以叫并列式,是因为参与评估的指标是相互独立,并列存在的(如下图)。
图片
第二种:总分式。经常用于描述一个整体由若干部分组成。最经典的就是利润拆解,把利润按收入/成本来源拆成若干部分,方便分析利润变化的原因(如下图)。
图片
在观察总分式指标体系的时候:
- 第一先看主指标大小
- 第二再看每个部分大小
这样更容易看出问题。在多个个体对比的时候也遵循这个原则。
第三种:流程式。经常用于描述一个从开始到结尾的流程。在销售端,它经常被称为:漏斗模型。因为在销售的过程中,每增加一步就会流失一些客户,形同漏斗。大部分销售流程都是漏斗式的(如下图):
图片
在观察漏斗式指标体系的时候:
- 第一先看结果指标大小
- 第二再看全流程转化率
- 第三再看过程转化率
这样可以对整个流程情况加以了解。有些同学会一上来就陷在细节出不来,结果把自己绕晕了。
当然,流程式也不止漏斗这一种,比如在生产、服务、售后等环节,也是一个完整的流程,但不是逐步递减的。比如生产任务,是肯定要完成的,但随着生产工序增加,每一步会增加新的原料、生产费用、人工成本,此时整个流程所消耗的成本、时间是逐级递增的。
图片
有了数据指标体系,可以详细了解业务情况,但想促成业务行为,还需要标签的加持。
数据指标 VS 标签
比如:有一个小朋友身高150cm,是个男生,长得很强壮。这里“男生”就是一个分类维度,分类维度不是连续型的数值,一般是定性的描述,用来区分个体的。
“强壮”就是一个标签了。注意,帅也是分类维度,但是它在业务上的含义更明确,更容易让人们想到做什么业务动作。比如一个男生贴上“强壮”的标签,那么下次班级大扫除找劳动力的时候,目标就清晰多了:“把咱们班强壮的男生都召集过来!”业务含义清晰,促成业务动作,就是标签的作用。
有些标签是可以从数据指标里计算出来的。比如一个小朋友数学满分100,考了98。我们可以给个规则:考试95以上的都算“数学好”。于是这个98分小朋友就被贴上了:“数学好”的标签。
下次有数学竞赛,我们说:“选数学好的小朋友参加”,就可以直接把这个小朋友拉过来参加比赛。举办班会需要采购物资,我们说:“选数学好的小朋友去算账”,就又可以直接把这个小朋友拉去。可见:好的标签能提升业务行动效率。
这里会有个问题,经常困扰数据新人:怎么定义95分算“数学好”呢?为什么不可以是98分呢?
在通过指标计算标签的时候,一般有2种做法,第一种是业务上约定俗成的,比如大家习惯上都认为数学考95分已经很高了,那就这么定。毕竟标签是给业务用的,他们觉得好用才是最重要的。
第二种,可以根据打标签的目的,做数据检验。比如挑“数学好”的同学,是为了参加数学竞赛,那么打了“数学好”标签的同学,应该竞赛得分显著区别于普通同学。于是我们可以设计一个实验,来看不同得分的同学参加竞赛结果差异,从而找到一个合理的分段标准(如下图)。
图片
标签+指标体系=高质量数据分析
做分析的时候,经常有同学对着一个指标发呆:到底为啥它就涨了跌了呢?到底它说明了啥呢?这个时候,可以试着:
构建指标体系,观察数据细节
增加标签,量化影响因素,分析问题来源。
可对比的标签、可分析的指标丰富了,自然结论容易出来。
通过标签+指标,可以层层深入地看问题。比如分析推广效果的时候,
先看指标:哪些渠道转化率高?哪些不行?
再看标签:转化高的渠道,用的素材/商品/折扣是什么水平?
这样一纵一横,容易看出问题所在(如下图)。
图片
通过标签+指标,能发现不恰当的对比,从而避免判断错误。比如看到两个团队业绩有差异,不能简单地就说:谁业绩高谁是标杆,大家向他学习——
两个团队人员结构是否有差异
两个团队客户资源是否有差异
两个团队销售方法是否有差异
这时候需要对人员素质/客户资源/销售方法打标签,再观察相应指标差异,就能得出更准确的结论(如下图)。