数据分析笔记——指标构建
先放
仅供个人自学使用，欢迎各位水友评论交流
Reference:
http://www.itongji.cn/detail?type=99992530
https://www.jianshu.com/p/a8fba3d70b2c
https://www.jianshu.com/p/454611b470a5
指标定义——两种方法
一、从业务领域的需求自上而下的分析。
二、从已有的业务系统中自下而上的分析
- 定义指标：指标找到了，需要详细的定义指标的各项属性。主要分为业务属性和技术属性。
- 业务属性包括：指标名称、分类、计算公式、展现方式和查询权限等。
- 技术属性包括：数据来源、同步字段、同步频率、转换规则等。
构建思路
Q1 ：要构建一套指标体系，整体思路是什么？
构建指标体系应该“纵向”和“横向”相结合，纵向指的是梳理出分析问题的整个流程，比如对于电商产品，需要分析出用户从进入网站到最终下单的整个流程；对于工具类产品，则需要关注用户使用过程中的体验以及用户流失情况。
有了纵向分析的过程,还需要横向拓展不同的维度，如基于用户画像的人群分类、根据不同业务背景的时间拓展以及业务线的划分。
最后将纵向和横向的结果相结合，就得到了一套完整的指标体系。
Q2：用户行为的核心节点有哪些？如何有针对性地设计指标？
了解用户行为的核心节点，实际上就是纵向分析的过程。互联网公司大多针对C端用户进行分析，这里就以C端用户为例进行介绍。对于C端用户，核心的三个节点是新增、活跃、留存/流失，大多数分析都是围绕这三个节点逬行的，整个流程如下。
Q3：对于活跃用户，应该如何进行相应的指标设计及路径分析？
对于活跃用户，要研究其活跃行为，从而提高用户的体验。针对不同类型的产品，需要进行相应的细分设计。比如对于电商产品，需要关注的是从来访用户到用户最终成功支付的整个流程。
Q4：有了明确的用户行为路径及相关指标后，如何进一步分析？
除了纵向分析，还需要横向分析，横向分析是指对于同一个指标，基于不同的维度进行相应的拓展，常用的维度包括时间维度和用户维度。
Q5：针对时间维度的分析，需要注意的点有哪些？
对于时间维度，常用的分析方法是关注最近一段时间的数据，时间的长短要根据业务的具体特性来确定。对于一些高频的App或者功能，通常关注最近1~ 7天的整体数据情况即可，也可以是自然周。对于一些相对低频的App或者功能，则需要将时间拉长，关注最近15天、30天、90天甚至更长时间的整体数据，也可以是自然月、季度甚至自然年。
另外，与时间维度相关的有同比和环比的概念。
因为单纯地关注一段时间的数据并 不能很好地看出趋势情况，需要与之前的数据逬行对比。对于同比和环比的概念，在实际应用中不需要逬行很明确的划分。常用的对比方法是对比当日与上日、本周与上周、本月与上月的数据。对于一些周期性比较强的产品，则需要先确定产品的周期，比如有些产品会受到周末的影响，此时比较合理的对比方法是用本日的数据与上周同一日的数 据进行对比;有些产品会受到大型节假日的影响，此时针对节假日数据，就需要与上一个大型节假日的数据进行对比。
对于一些对实时性要求高的产品，需要将数据指标细化到小时级别。处理后的时间维度分析方法如下。
除了时间维度，还有一种常用的拓展方法，就是基于用户画像的用户维度进行拓展。用户画像是互联网公司中常用到的分析工具，通过用户画像可以有效了解各个群体的行为情况，也可以基于用户画像拓展出相应的指标。
Q6：列举常用的用户维度拓展方法。
有很多通用的用户维度拓展方法，比如对于用户所在地，可以分为城市、省份，甚 至华东、华南等大区；对于用户的基本属性，可以分为年龄、性别、职业等；对于用户使用的设备情况，可以分为终端类型、客户端版本、厂商、机型等；对于新老用户，也可以拓展出一些指标。对于新用户，需要关注的是用户来源渠道，通常分为自然新增用户、活动新增用户、广告新增用户等渠道，通过对渠道的划分，可以在一定程度上避免 一些大型活动对新增用户分析带来的影响；对于老用户，根据用户的生命周期逬行划分, 通常分为有效用户、活跃用户、忠诚用户、沉睡用户和流失用户，可以对产品整体趋势 有一个清晰的了解。
梳理后的用户维度拓展方法如下。
以上纵向和横向两个方向讲解了如何构建一套完整的指标体系。在数据分析师岗位面试前，候选人需要对所要面试公司的产品有一定的了解，这样一方面可以进行有针对性的准备；另一方面也可提前构建起一套指标体系。下面通过问题对前面的内容进行总结。
汇总
步骤
一.归集数据指标
在构建一个数据指标体系前，首先需要将自己产品的相关指标都有什么。在这之前需要明确一个观点，任何产品的终极目标都是使企业或用户价值最大化。可以按照用户生命周期业务流程来归集所有数据指标。
按照一个完整的用户生命周期或业务流程，基本可以将产品所有相关的指标梳理完整。在搜集数据指标时，对每一个业务环节，可以按照规模、质量、转化率和使用率/占比**这几个主要数据评估目的来考虑。例如首次投资环节：
- 规模指标：人数规模，投资金额规模、投资订单规模、投资次数规模等；
- 质量指标：注册/实名-投资周期、人均投资金额等；
- 转化率指标：注册/实名/充值-投资转化率；
- 使用率/占比指标：首次投资占总投资用户比例等
二.数据指标拆解
归集完产品所涉及的指标后，会发现指标很多。但是在具体的业务中，可能不同业务阶段重点关注的指标不一样。例如渠道推广关注获客成本和转化效果，投资则关注投资金额和投资人数等等。所以对于不同的业务阶段，我们需要挑选出该阶段的核心指标，然后进行拆解，再根据拆解的指标去重点关注。
eg：
拉新阶段，我们最关注的是新投资用户的增长情况，所以可以将新用户增长数据指标拆分为：
新投资用户增长=浏览UV/APP**×注册转化率×实名转化率×投资转化率
而投资阶段，我们最关注的是投资金额的增长情况，所以可以将投资金额数据指标拆分为：
投资金额增长=新投资用户数×投资次数×人均每次投资金额+老投资用户×回投率×投资次数×人均每次投资金额
如此一来，我们即知道在不同阶段，需要重点关注和分析哪些核心数据。只有哪些使核心指标效果最大化的细分指标才是最值得我们关注的。
除此以外，不同的部门重点关注的数据也不一样。例如市场推广重点关注渠道推广数据，运营部门重点关注业务增长数据，技术部门重点关注产品稳定性，性能数据。产品部门重点关注功能使用数据、用户画像数据。财务部门重点关注交易数据。
三. 确定数据维度
在确定需要重点关注的数据指标后，就需要对数据指标进行维度的细分，例如：
- 按时间维度：秒、分、时、天、周、月、季、年
- 按渠道维度：推广注册、自然注册、活动注册
- 按用户类型：新老用户、高低净值用户、活跃/流失用户
- 按终端类型：微信公众号、PC官网、安卓APP、iOS APP
- 按地区：省、市等
至此一个初略的数据指标体系完整构建起来了。但是还需要在运用中根据实际情况来不断调整优化，毕竟即便是同一产品，不同阶段重点关注的数据都是不一样的。