一套覆盖产品方方面面、聚焦产品发展方向的指标体系，基本上是可以解决大多数问题、数据异常表现。所以数据产品经理往往需要一套全面的数据指标体系，那什么是数据指标体系呢？

在从事数据产品的工作中，经常会被pm/运营/效果/商务…丢来一个又一个的问题 产品功能上线怎么没有预期效果？可以拿哪些位置去做运营？最近出效果的怎么样？用户喜欢么？可以用哪些曝光去PR？

面对如此多的问题，如果当我们接收大多问题的时候，才去找数据佐证往往事倍功半，甚至部分数据没有埋点就只能将这次的疑问带入下一个版本迭代了。而一套覆盖产品方方面面、聚焦产品发展方向的指标体系，基本上是可以解决大多数问题、数据异常表现。

本篇文章介绍了通用化app的指标体系。

什么是指标体系呢？

指标体系，在百度百科中的专业定义是：

“由若干个反映产品各方面相对独立又相互联系的统计指标所组成的有机整体。”

简单的说，指标体系就是把覆盖产品各方面的统计指标系统组织起来。

为什么要建立指标体系呢？

就像引言部分讲的，系统的指标体系有助于解决大多数问题、数据异常表现：一个完整的数据指标体系，能够展示产品的方方面面，其粗粒度的数据表现（异常等），也可以基于细粒度定位到问题的。

e.g.新增变化异常，可以查看各渠道新增变化、买量市场变化等。

如何规划指标体系呢？

从产品的目标（kpi、战略重点）为出发点，筛选出能够完全反映评估目标变化的指标作为一级指标。而对于任一产品，都可以从：规模、健康度、用户行为、自身质量、用户属性、渠道质量、竞品数据等6个方面来设计指标体系。

1. 产品规模

产品当前的规模、质量是产品发展至今，产品定位&用户接受&市场反馈的综合体现，是一个关键的一级指标。尤其是有增长计划的产品，通常都会以“日活/月活”作为KPI/OKR的衡量指标。

基于用户属性拆分为：日（月）新增、日（月）回流、日（月）持续活跃，也可以用日（月）新增、日（月）回流、日（月）持续活跃来预测日活/月活，作为制定目标的依据。

基于商业属性可以拆分为：日（月）付费用户、日（月）非付费用户。

而商业属性和用户属性也可以交叉。

2. 用户健康度

就像人体检时，当各项指标均处于正常范围内，长舒一口气“自己还蛮健康的”。产品也是一样，用户作为产品的核心，只有让用户保持健康度，才能够保持平稳或持续增长。

通常用于衡量用户健康度的指标有：留存率、活跃度（活跃天数/次数等分布）、用户粘度（DAU/MAU）可以反馈用户的活跃程度，反之也表现了流失状况；不同等级用户的分布情况则可以监控用户跃迁过程。

不同产品的监控周期不同：

• 对于高频产品，留存可以基于日来监控，如：次日/3日后/7日后留存；活跃度、用户粘度可以基于周来计算；
• 对于低频产品，留存可以基于周/月来监控，如：次周（月）/3周（月）后/7周（月）后留存；活跃度、用户粘度可以基于月来计算。

而产品属于低频还是高频，可以通过周活跃天数，来判断该产品是高频还是低频。通常周活跃天数大于3，是高频产品，反之属低频产品。

3. 用户行为

每一款产品都有自己的主打功能，一定要了解用户的使用情况、转化情况，以做相关优化依据。各功能使用情况，以拍照app为例：自拍、美颜、美图的使用情况，结合自拍/美颜/美图的效果进行查看，结合不用用户群体进行查看。

产品的关键漏斗，以短视频类app为例：上传->（被）曝光->（被）播放->（被）喜欢/评论->（被）关注/分享 的漏斗，也可以结合各用户画像维度来查看。

4. 产品质量

此外，还有一种常规指标就是产品质量——是对产品/开发质量的衡量，能够及时反馈出产品是否屡屡打扰用户？使用流程是否不畅？是否引起手机出现问题等？

衡量的基础指标包括：crash率、启动耗时、页面加载速度等，视频播放产品还会有播放成功率、播放加载速度等；产品的下载：安装率、卸载率、push关闭率也是关注指标。而产品质量大都受到用户自身的网络类型、运营商、机型强相关，所以以上指标的维度通常需要细分这三个维度来看。

小结1：以上1、2、3、4是基础指标，在产品调整方向，发布新功能、活动上线时，选择以上指标进行实时监控（按小时、按分钟监控），以便及时确认效果是否如预期&发现版本问题。

5. 用户属性

用户的画像和终端属性数据是用来详细描述用户的，可以明确使用产品的用户是什么样的人群，是各指标拆分的基础维度。可以指导产品、运营活动的设计方向，如：产品设计的目标是针对25岁以上的成熟用户，但实际画像出来发现用户年龄主要集中在20岁以下，与设计理念不符，就得考虑功能设计是不是有问题，得改变方向。

而各种运营/商务活动，也可以基于用户画像&终端维度来分析各个指标，来确认是否达到预期的活动目的。后续也会结合自己的经验来写精细化运营的文章，可以作为精细化推荐重要特征。

6. 渠道质量

这部分内容仅适用于独立app产品，因为独立app需要通过不同渠道去推广引导用户下载安装，不同渠道的用户质量差异比较大，所以需要分渠道来监控。而方式主要是基于渠道维度来拆分各指标，渠道质量在新增相关的指标上表现更为明显。

小结2：以上5、6是拆分指标的维度，可以用于排查粗粒度指标的异常现象。

举一个例子：新增数量没有发生变化的背景下，次日留存发现明显降低。

结合“是否付费”“各渠道”来查看，是否付费/非付费，所有渠道均下降？

如果是付费用户留存下降，那需要找渠道同学了解并反馈问题。如果普遍下降往往是整体原因，去查看整体指标均有相同趋势：

• 发现某个时间点（自从xxx功能下线后）各功能均出现相似现象，为了更精准的锁定问题，解决问题，建议可以做ab测试验证猜想；
• 没有时间吻合时间点，但市场上近来出现了强有力的竞品。

7. 竞品数据

当前市场产品频频出新：

• 2016年黄油相机露脸、faceu、无他相机等开始抢占图片美化类的市场份额；
• 2017年天天p图军装照火爆一时，再次挤压；
• 2018年抖音的出现让整个短视频领域的app都不安稳了。

有效、及时的监测到竞品数据有助于我们洞察市场方向、压力，结合自家优势及时止损或突出重围。不过这部分数据通常不易获取到，大都从第三方获取，如：极光、易帆等。

整个数据指标体系定下来后，还要确认

1. 基于产品的发展阶段调整数据指标体系的重点；
2. 是否可以执行，是否可以基于“产品当前的数据采集情况”得到，eg：卸载率；
3. 是否具有可解释性，统计逻辑是否可以让业务同学理解，复杂不可解释的指标往往会无法定位问题，无法直接诠释业务变动，容易被遗忘。

此外，作为数据产品一定要注意：

1. 数据采集上报需要保证其准确性、实时性等：数据上报不准确，后面做的再好也没有用，可以了解 埋点的意义
2. 数据埋点合理、可拓展：常用的事件模型
3. 数据处理过程逻辑清晰、数据透明：数据处理过程

本文由 @ cecil 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