在做产品数据分析时，可能出现数据指标有提升，但是对产品带来的益处并不大的现象。笔者结合近期看到的“虚荣指标”概念，意识到在虚荣指标的“大数据”美化下，我们大部分时候都失去了对产品的正确判断。

一、什么是虚荣指标？

这个话题的开场，我们需要明白什么是虚荣指标？

Looker创始人Lloyd Tabb把虚荣指标与明确指标的差异总结如下：

虚荣指标是表面指标。它们往往比较大而泛，可以给人留下印象，比如下载数。可以用这些指标来谋求建立合作关系并赢得一些关注。

明确指标是运营性指标，比如产品每日实际使用时长，用户访问服务所需时长等。这些是推动增长的隐形引擎。要用这些指标来巩固你的竞争优势。

二、虚荣指标带来的错觉

笔者目前所在的公司研发的产品是兼职招聘平台，用户有C端的求职用户和B端招聘企业。

所以接下来我想通过日常数据分析中遇到的几个为了追求虚荣指标而形成的问题来进行说明

1. C端的停留时长是否真的重要？

公司的运营部门对于用户的停留时长有着较高的关注度，经常会为了提高用户停留时长，试图增加用户的操作流程步骤，在一个运营活动中内嵌多种不同的抽奖方式或堆砌无关的内容。

这样的操作的确在短时间内提高了用户的停留时长，但是活动一结束，停留时长就会回落，甚至造成了部分老用户的反感，活动的参与率越来越低。

也许你会问停留时长就是虚荣指标吗？

对于社交产品或内容平台来说，停留时长不是虚荣指标，反而是极为重要的明确指标，他是你平台有多吸引用户的数据表现。

虽然高停留时长能够体现用户的黏性，对领导，对投资方来说都是好看的数据，但对于招聘产品来说，实际反应平台主营业务是好是坏的，其实是效率时长。

2. B端的活跃如何定义？

经常会听见拉新运营小组在讨论每周/每月的新增注册用户/登录用户达到了一个怎样的数值，刚开始还会觉得数据挺高的，但是深究后，就会发现他们就只是拿着大数据光环下的虚荣指标来完成自己的KPI；

对于招聘平台来说，B端的用户其实是平台内容的来源，但是并不是像C端用户一样只要登录就可以，B端的用户必须在平台有对应的行为才能称之为活跃：发布信息，录用人员，和C端联系或者是有购买行为，

通过积分墙，刷分等等形式带来的注册/登录用户不过是一堆数据，除了在数据库中占据一个独立ID，没有任何作用；

所以在这里，注册登录用户是虚荣指标，每日/每月的使用用户才是精准指标。

3. 商业化分析中流水是唯一的判断标准吗？

作为拥有B端用户的产品，商业化是绕不过去的一道门；

运营每月会有各种噱头进行平台服务的促销活动，如果只看总金额，会发现每次的活动的确都很有效果。如若进行深究，就会发现，每一次的活动中的重要影响因子皆有不同，如果只看总金额，就不能真正的分析出究竟活动是好是坏？

• 活动A：针对B端企业进行了一次线上促销活动，购满一定金额就返赠，活动最后总金额创历史新高，企业平均购买金额也极高；
• 活动B：在页面上简单做了一个无门槛优惠券兑换发放，一个星期内优惠券领取数量为100，使用的数量为70，带来的流水金额大约是活动A的1/10。

如果单纯从流水的数据来看，活动A的效果>活动B的效果。

但是，两个活动目的都是刺激新企业转化为付费企业：

• 活动A中最后成功转化的只有20%，剩下的都是销售引导老用户消费带来的流水；
• 活动B的流水金额虽然少，但是贡献流水的90%是新企业，新用户的转化达到了80%，

所以如果单看总流水活动A效果好，因为总流水高，但要从目的出发，A活动的总金额流水反而变成了虚荣指标，从新用户转化率上看，活动B才真正达到了目的。

同时在最近几次的活动复盘中，也开始有了自己在商业化数据分析上的想法：

• 优惠券使用了才有意义，发出去的数量不过是扩大转化分母；
• 对于有线上购买渠道的平台，B端用户自发的新用户付费转化率，平均付费金额，复购率，对平台的运营方向有着较大的指导意义。

三、虚荣指标一定没用吗？

在一开始看虚荣指标的时候，我总会自动的对它进行屏蔽，认为它只会带来干扰作用，后来的一次数据分析中，我才发现自己大错特错了：

2018年，对平台整体数据进行复盘时发现，平台中存在大量付费不成功的数据记录，这部分记录的总金额可以达到500W，老板认为这其中存在着大量的商机，可以进行转化。

进行这部分数据的分析，并结合用户在这些数据前后的行为记录，发现用户其实是对一个旧有功能理解不清，从而生成了大量的不成功付费数据；

90%的用户在放弃付费后，3分钟内已经通过正常，免费的功能流程实现自己的需求，所以这其中付费不成功金额纪录就是一个虚拟指标，他说明的是产品的设计缺陷，而不是商机；

后期我们将旧功能替换成另一个付费功能上架，同时优化了其他相关功能的说明和流程优化，付费不成功的金额大幅下降，并且新功能带来的流水逐渐与其他商业产品持平，所以你看，虚荣指标也并不是毫无用处。

四、总结

在一开始接触数据分析时，总因为数据的获取不易，而容易陷入相关的数据陷阱中，觉得每一个数据都不能舍弃。

经过几次分析工作“翻车”后才明白，有些数据也许并不好看，但确是真实地反应了你之前所做的工作是否正确。

以上的观点也是个人的一些见解，希望能够和大家一起有更多的讨论。

本文由 @DHAllison 原创发布于人人都是产品经理。未经许可，禁止转载。

题图来自 Unsplash，基于CC0协议