数据指标体系这么整,产品小白也能搞定!

在我们产品设计领域,一个产品从想法到落地,大致需要经历以下环节:需求、功能、交互、数据。对应的这些个岗位,分别是需求分析师(写文档的)、产品经理(画图的)、交互设计师(搞动效的)以及数据产品经理(弄数据的)。而建立数据指标体系,绝对是数据产品经理的高光时刻!毕竟像什么数据采集、数据优化这些工作,老板跟用户又看不到,也不关心。。。很多公司又没有转职的数据产品经理,所以这也可以说是产品经理的高光时刻。。。

今天偷偷告诉大家一个简单实用的数据指标体系的整理方法,保证你一学就会,至于废不废就看自己造化了~




0
前言

在我们产品设计领域,一个产品从想法到落地,大致需要经历以下环节:需求、功能、交互、数据。对应的这些个岗位,分别是需求分析师(写文档的)、产品经理(画图的)、交互设计师(搞动效的)以及数据产品经理(弄数据的)


而建立数据指标体系,绝对是数据产品经理的高光时刻!毕竟像什么数据采集、数据优化这些工作,老板跟用户又看不到,也不关心。。。很多公司又没有转职的数据产品经理,所以这也可以说是产品经理的高光时刻。。。


怎样才能把握好这个高光时刻,我们往下看~



1
啥是数据指标体系?


建立数据指标体系之前,得先整明白啥是数据指标体系吧~


我们先来看看这张图:



我们把“数据指标体系”几个字,拆开来看就好理解了。


数据指标体系分为三部分,分别是“数据”、“指标”以及“体系”:


数据代表的是可量化;

指标代表的是一种结果;

而体系代表的是其中的逻辑。


还是不明白是吧,这就对喽。我们再来举一个实际工作过程中的例子:


比如你们是一家创业公司,公司就那么十几个人,然后今年累死累活营业额刚破百万,再然后你们老板在年底开庆功会,给大家定了个来年的小目标,先挣他一个亿!



你以为老板是为了挣那一个亿么?你的格局呢?庸俗、肤浅,tui!老板明明是为了帮助我们理解,啥是数据指标体系,多么的用心良苦啊!


你看,一个亿的结果就是指标啊,而且完全符合我们的定义,这是一个可量化数据老板帮助我们确定完指标之后,还得一个个挨着碰杯,把酒言欢,不吐不快~


碰杯的时候,那不得顺便定一下,哪些人承担多少,哪些区域承担多少,然后大家再一块讨论讨论,哪些产品分别能卖多少钱?!你看看,这不就是数据指标体系中的体系么!挨个碰杯喝酒,分配指标的过程,这他喵的不就是指标落地的逻辑嘛!


老板不知不觉,就帮助整个公司建立了一套无懈可击的指标体系,谁要是敢说这个老板不是个技术出身的产品总监大牛牛,我庄晓庄第一个不愿意!



2
为啥要建立数据指标体系?


以上小公司的老板,已经从非常专业的角度,带我们深刻感受了数据指标体系的精髓,接下来,关于为啥要建立数据指标体系,我再聊聊自己的一些不成熟的小想法~


业务角度

对于我们产品经理来说,建立数据指标体系的过程,可以说是提升产品价值的一个过程!因为我们可以从另一个角度,更加全面,更加系统地梳理业务、理解业务,进而重新思考以及提升产品价值!


对于我们的产品用户,例如销售或者运营来说,数据指标是指引业务方向的依据,而体系则保障了整个业务是可以从多维度、全方位的上帝视角去查看的,并且发现了各种问题,都是可以追溯根源的!


被数据搞崩溃的同学也不在少数,如果没有体系的话,就会造成随着产品迭代,逐渐增加各种五花八门的报表,然后业务同学分析具体问题时找数据却变得越来越难,每天会消耗大量时间在不断的寻找数据、核对指标的泥潭中无法自拔。


技术角度


产品刚开始用的时候,所有需要的指标数据,都通过SQL语句去各种基础表里面查询出来的,开发写好SQL,然后系统每天跑跑SQL就完事了。


但是随着时间的推移,各种数据指标越来越多,SQL已经跑不动了。但是会发现其实很多地方用到了类似的指标,可能维度不同或者可能完全相同。这时候就需要升华一下方案,将SQL语句,细化到指标的计算上,这就要引出另外一个概念了:数据仓库


从业务角度来说,搞的是数据指标体系,而从技术角度来说,建立的则是数据仓库!



3
数据指标体系该咋建?


具体做事情的环节,我通常都是以目标为导向,数据指标体系在工作流程中的目标就是为了建立数据仓库!为了达成这个目标,我们有这么几件事需要搞定:


1. 罗列出所有指标


之前在《三步搞定数据统计分析:统计+分析+可视化》中讲过,先模仿才能超越,不知道有啥指标能罗列的,请参考(抄)下图:



2. 确定指标的计算公式


这个很重要啊,开发要根据这个撸代码呢,如果你业务上定义不清楚,那产品开发出来以后,肯定就完犊子了。我是遇到过,不同开发写的,不同页面上同一个指标的数据都不一样的,原因就是计算方法不同。。。


计算公式可以分为两种,一种是标准的指标公式,例如PV、UV这些,直接用度娘上面的标准公式啊;另一种就是具体业务的指标公式了,这个就需要根据实际情况定义清楚啦。注意:计算公式,最好不要用语言描述,直接给出数学公式!


3. 确定指标的统计维度


方法同1,不会就先模仿(抄),同样的,该图来源于我之前总结的文章《三步搞定数据统计分析:统计+分析+可视化》。



4. 说明各个维度指标的意义


这就是产品经理的本职工作啦,在需求评审会的时候,我们不仅要传递怎么做,还得传递一下为什么要这么做,这样才能够服众嘛,而且开发也能够自己做事情的意义,而不只是一个撸代码的工具!


5. 罗列出维度的相关属性


这个就是我们数据库表里面的各种字段啦,我们看一下接下来的例子,肯定立马就明白了。还是回到我们老板定的小目标的专业角度,按照以上我们不成熟的小想法,最终呈现出来的结果大概是这样的:




其实从非严格意义上来说,这就是数据库建模的逻辑层了,然后开发同学,根据这个逻辑层的表,再去搞搞物理层的设计,就差不多能出数据仓库的建设方案啦!


而且再补充一点,毕竟我们是从产品经理的业务角度来梳理这个表的,所以像什么表的主键啊,外键啊,这些我们不用考虑,这个阶段把业务梳理清楚就ojbk了~



4
概念补充

1. 数据切片存储


这次词听起来挺高大上的,但我们把数据当成面包就好理解多了,也能更加形象地理解搞数据指标体系的意义了。



我们可以把面包横着切,存起来早上吃;竖着切,存起来中午吃;斜着切,存起来晚上吃。数据指标体系也是一样的了,以各种维度(员工、区域、时间、产品)存储起来(切片存储),然后在不同的场景下随用随取就行了。


相当于专门整了一个中间表,用于存储各个维度的结果数据,然后需要用的时候,直接从这个表里面找结果数据就行了,少了那些个SQL计算的过程。


2. 星型模型、雪花模型



以上老板所整理的专业的数据指标体系,就是最简单的一个例子,也就是只有一层的雪花模型


但实际工作中,我们往往会碰到多层的情况,比如一个网络访客,他的属性有IP;然后IP还有属性,比如地址、使用场景;再然后使用场景还有属性,比如企业专线、移动网络等等,这么列下来,就是雪花模型了。


3. 大宽表


以上两种模型,还能再引出一个概念,那就是大宽表。有些同学可能会觉得,维度层级多了以后,一层一层列举出来多麻烦啊,那就有简单粗暴的一种方法,那就把所有的属性,都列到同一个层级当中,也就是整一张数据超级多的表,这就是大宽表!


大宽表,简单粗暴,绝对能用,但是有利有弊,具体的利弊让技术评估吧,我们产品经理就不专业了,但是这个概念还是需要了解一下的,哈哈哈。



5
结语


术业有专攻,我们作为产品经理,把业务梳理清楚就可以了,然后再懂些基本的技术原理,按照技术思维梳理出相应的文档就非常不错了。


接下来就是由开发来整理具体的数据仓库建设方案了,我们就可以安心摸鱼啦,哈哈哈~



文章来源:作者:啊庄。公众号:晓庄同学产品笔记。

图片来源:部分图片来源网络,版权归原作者所有,不为商业用途,如有侵犯,敬请作者与我们联系。文章为作者独立观点,不代表135编辑器立场。

文章评价
登录后可以评论
立即登录
分享到