当你开始进行数据分析的时候，可能会经常思考这些问题：

分析目标是什么？我需要分析哪些数据？这些数据可以如何帮助到我？

而在分析之前，建议你先将分析与自己的业务关联起来，而这个连接者就是分析目标。市场团队希望可以获得更多的销售线索，运营团队希望可以得到更多的用户和更高的成交金额，用户运营希望用户能够高频访问，在不同的阶段会有不同的分析目标，有了分析目标，我们会思考如何实现分析目标，在实现过程中，我们需要一些数据指标帮助我们，这些可以帮助我们的数据指标就形成了指标体系。

就像天下没有两片同样的叶子一样，没有两套指标体系是一样的，产品不同，产品发展阶段不同，进行数据分析的团队思考方式不同，这都会导致指标体系会有差异，不过制定指标体系的思路和方法是有迹可循的，我们制定了一个框架，可以帮您明确分析目标及制定适合您产品的正确指标体系。

如何明确分析目标？分析目标与KPI是息息相关的，数据分析洞察有很多应用，最常见的应用就是提高我们的绩效，或者说我们希望提高绩效才会去借助数据分析的力量，什么决定了你的绩效成绩？可能是销售线索、可能是订单量、可能是新注册用户数，这个可度量的绩效，就是我们的分析目标。

简单举几个例子：

电子商务平台的目的是让用户在平台上完成更多的交易，平台负责人KPI与数据分析目标就是提高订单量。

ToB企业服务类的官网希望可以得到更多的注册线索，网站运营的KPI与数据分析目标就是提高注册。

银行的APP希望可以让更多的人去购买理财产品，APP运营的KPI就是提高理财产品的购买总金额。

如何制定指标体系？指标体系包含：第一关键指标、一级指标、二级指标等。

第一关键指标（北极星指标）是与数据分析目标最相关的指标。

当我们开始对一个应用（网站、APP、小程序、智能硬件等）进行用户行为分析的时候，想要看的指标很多，在这些指标里有一个是最重要的，我们将这个最重要的指标称之为第一关键指标。这个指标的特点就是与目标直接相关，我们的工作为围绕着推动第一关键指标的数据变化而展开，这样数据变化会帮助我们达成目标，例如网站每天的新注册用户数量，是跟我们的目标实现新用户获取息息相关的，我们就可以将注册用户数作为第一关键指标。

需要注意的是，第一关键指标虽然是最重要的，但是不是唯一的，比如电商网站，我们关注订单量，也关注新用户注册量，而且第一关键指标不是恒定的，会随着业务变化而改变，比如我们产品早期最关注的是拉新，当有大量用户后，我们会提高对留存的关注程度，这时候第一关键指标可能是周用户活跃（WAU）或月用户活跃（MAU）。

如何判断一个指标是不是第一关键指标？

判断标准：如果我们改善这个指标，产品的长期业绩是否被提高？

网站或APP上，常见的第一关键指标举例：

ToB官网：注册线索量。

泛交易类：支付成功数量。

注意力类：DAU或平均停留时长。

1、 一级指标

一级指标指的是对第一关键指标有直接贡献的、或者是可以帮助产品向着更优方向发展的系列指标。

比如网站的第一关键指标是注册数量，一级指标可能是表单页到访访客数量，提高表单页访客数量可以直接提高最终的注册数量，一级指标也可能是表单页访客到注册成功的转化率，提高表单页访客到注册成功的转化率可以直接提高注册数量。

2、 二级指标

二级指标可以对一级指标有直接贡献、或者是可以帮助产品向着更优的方向发现的系列指标。

比如网站的一级指标是，表单页访客到注册成功的转化率，二级指标可能是第一个字段完成验证的次数，在同样的访客数量情况下，第一个字段完成的越多，表单页访客到注册成功的转化率越高。

我们可以制定多级指标体系，但是要确定的是，制定的每一级指标体系都会对上一级指标有直接贡献，我们建议尽可能精简您的指标，并且想清楚你要分析什么数据，简约可控的指标体系对于数据分析有很大的帮助，可以让我们把精力更聚焦在核心分析上，每个人对要分析什么，把分析精力放在哪能让产品更好有自己的想法，如果你是一个团队在制定指标体系，在制定之前可以先进行需求的沟通，保证做数据分析的每个团队都能理解当前的指标代表的含义。

3、管理指标体系

做好了指标体系中，要确保每一层级的指标体系都是与上一层级有直接关系的，比如二级指标的变化可以影响一级指标，一级指标的变化对第一关键指标有直接贡献，如下图举例：

指标体系示意图

4、关键指标的分类

访客成为用户、到活跃、到流失，会经历一个用户生命周期（Custom Journey），当然不是所有的用户都会经历完整的用户生命周期，在任意一个环节用户都可能离我们而去，我们在做产品运营的时候有个共同点就是希望用户尽可能的参与到产品中来，也希望用户多次回访，无论您的产品是什么，都有一组典型的用户生命周期，您可以按照一组生命周期来搭建您的指标体系：

接触、转化、活跃、参与、留存。

（1）接触

接触指的是从外部的流量渠道到达你网站、APP的全部用户数量，多用于新用户获取的阶段，表示的是你可以转化成你的用户的最大值，如果是网站就是Unique Visitor相关，如果是APP就是启动相关。

我们在接触期关注的数据指标应该对这个阶段的关键指标有贡献，通常我们需要知道固定时间内到达我们产品的访客的构成，这时就会涉及到流量渠道，了解不同渠道的用户构成状态有助于我们进行渠道优化，改善访客质量。

（2）转化

转化在不同的应用上有不同的含义，如果是留资类网站或APP，转化指的就是注册，而在电商行业，转化需要经历注册和支付订单两个环节，注册不算是真正的转化，只有完成了我们期待用户完成的行为，才能称之为转化，也就是支付订单。

（3）活跃

活跃用户指的是在一段时间内，采取了行动并且从您的产品中获得价值的人，无论是日活跃还是周活跃，都反应了用户针对产品的参与程度，我们如何定义活跃？跟转化一样，不同的产品定义活跃的方式不同，比如对于网站来说，在一定时间段内，再次打开网站是活跃的关键行为，而对于电商行业，多次购买是活跃的典型表现，所以我们为您的产品活跃用户专门定义。

（4）参与

参与度指的是用户完成了某一些关键行为占据全部活跃用户的比例，来评估用户对产品的参与程度，参与程度意味着产品对用户的粘性。

（5）留存

留存率反应了产品的粘性，在我们定义好留存的目标时，会得到相应的留存表，留存的目标可以是产品打开，也可以是某个功能，比如使用A功能的用户，在未来7年内，是否会回来使用A功能，这样的指标很好的反映了功能留存。通常建议，用7日留存率、30日留存率、90日留存率进行留存分析。

开始制定属于你的指标体系吧制定指标体系是开始分析用户行为的重要环节，先明确第一关键指标，然后明确一级指标来贡献第一关键指标，明确二级指标来贡献一级指标，在制定指标体系的过程中，尽可能的保证指标体系的上级贡献原则，当然也许会有一些在体系外的业务特殊指标存在，只要对产品变得更好有帮助、有价值的指标，我们也可以放到指标体系里。

为了更清晰的理解指标体系的搭建，我们简化一下步骤，真正的购物流程比我们举例的要复杂的多，我们用最简单的流程来举例，第一步，浏览商品详情页面，第二步，加入购物车，第三步，提交订单，第四步，支付订单。

然后我们来制定指标体系。

指标体系图

首先第一步，第一关键指标我会定义成什么？我想大多数电商的业务第一关键指标都会定义成，支付成功的订单数量，任何卖货的形式都是这样的吧，业务目标就是希望卖出去更多的商品。于是我把第一关键指标定义成了支付成功的订单数。

我选取了一些常见指标，没有选择全，如果把京东的整个购物流程指标选择全的话，会有上百个，不利于我们去理解，所以我选择了一些基础的指标。

接下来我在这些指标里明确一级指标，我会先问自己，什么会促进用户支付更多的订单？

从后向前看，选择支付方式是支付订单环节必要流程，可以通过这个数据知道不同的支付方式是否影响支付，支付失败次数一定要看而且要知道为什么失败，提交订单按钮的点击次数和提交订单成功用户数都需要看，加入购物车越多会带来更多支付订单的可能性，所以加入购物车的按钮点击次数和购物车浏览次数需要看，购物车反馈了购买的潜在行为，也反馈了用户的喜好，另外就是确定的点击次数很重要，在购物车里，确定就意味着去提交订单页面了。

另外重点关注的是这四个环节中的三个转化率，提高三个转化率会对最后的支付成功订单数有直接贡献。

二级指标就是图中看到的蓝色的指标，比如规格点击次数和数量点击次数，都是促进加入购物车这个一级指标达成的。而商品收藏、查看评价等虽然不会对支付成功订单数直接贡献，但是会对加入购物车行为有直接贡献，也是我们要重点关注的指标。

这就是一个电商简单的指标体系，通过指标体系的确定，我们已经知道我们要什么数了，接下来在易观方舟里通过看板把这些数做出来，保存在自己的看板里，我们就得到了一个数据分析仪表盘。

易观方舟电商行业看板截图

有了指标体系的下一步就是要把这些数据得到，我们如何得到那些点击次数，那些转化漏斗？得到这些数据的方式就是通过埋点，在你的网站或APP上加上代码。然后我们就可以分析这些数据了，易观方舟这样的用户行为分析工具，已经把分析能力做成了标准化的产品。只要在易观方舟里进行选择数据和指标，添加到看板，就可以每天、随时分析我们的数据，在易观方舟Demo里，有预置的看板，不同行业的指标体系，Demo里都有。

上图就是我在易观方舟电商行业看板里截的图，从图中我们可以看到一些我们熟悉的数据指标，这些之后，就是我们通过分析模块里的分析模型快速制定的。

征 稿

Analysys易观（微信公众号ID：enfodesk）现在面向更多小伙伴征稿啦。

征稿内容包括但不限于技术实践和业务心得，以及对数据领域前沿技术的认知。输出你的干货分享给更多技术同好，作者原创署名。稿件一经采用，我们也将给予优厚稿费酬谢。

投稿邮箱：dengjun@analysys.com.cn

参考方向：数据采集、埋点设计、数据算法、分析运营场景及应用实践等。