核心指标拆解常用方法

㈠ 怎么撰写一份产品数据报告

产品数据报告是产品和运营人必不可少的工作，无论是周报、月报，还是新版本表现的分析报告，都需要在围绕报告目标的基础上，对数据进行整理、分析并提炼要点，最后形成一份有指导意义、易读且美观的数据报告。

本文从撰写步骤的角度，总结如何从0开始撰写一份产品数据报告。

一、明确报告定位

报告就是向某一人群进行汇报，那么首先就要明确报告的对象，从报告对象的角度组织内容、结构，以及报告里各个模块的侧重点。

举例来说：

如果报告是面向公司领导层的 ，例如：公司业务线的例行汇报，或是向产品线leader汇报新产品或新版本的表现；这时候 报告要突出的就是关键指标有没有达到预期，各个关键指标为什么是这个表现 ，需要通过拆解成细化的指标来简要说清楚问题出在哪里，或是优秀表现的原因是什么，最后总结团队下一步的改进计划。

如果是面向团队的业务同事的，那报告的侧重点就在于挖掘问题点，并提出改进方案或建议 ，要起到的是用数据驱（che）动（pi）团队的作用。

如果是对外公开的报告，则一般侧重的是结果和趋势，而不是过程。 这一类就是咨询机构们公开发布的那些报告的范式了。

二、拆解核心指标，建立数据模型

明确了报告的定位之后，那么就可以结合报告定位和产品目标、活动运营目标等指标，对核心指标进行拆解，形成报告的数据模型。

例如：如果是电商类产品，并向领导汇报，那么可能核心指标就是GMV，GMV是用户数乘以客单价，那么我们一步步进行拆解就如下图所示：

需要指出的是： 报告的核心指标和拆解是动态的 ，在产品的不同阶段，数据模型也需要进行调整。

例如：一个产品中前期阶段关注的可能是用户规模，到达一定用户规模之后，就需要开始重点关注用户价值了，而数据模型也就需要随之调整。

三、数据的整理和分析

1. 数据的获取

数据的来源比较多，需要根据不同指标的需要，选取稳定可靠的数据来源。

常见的数据来源包括：

公司自有数据统计系统；

第三方数据统计平台，例如：友盟、网络等；

第三方业务平台，例如：广告联盟等；

公开的数据源。

其中有很多数据是有多个来源的，例如：用户的基础数据一般公司自行统计和第三方平台都有，而对外合作的数据则是自行统计和第三方业务平台都有。

对于和钱有关的数据，例如：订单数、金额明细等，一般来说必须要有严格的对账系统来核对和平账。

但对于用户数据出现差异，一般需要对统计口径和统计方案进行分析，如果是统计手段层面造成的差异则可以忽略。

这里需要注意的是，如果一个数据来源出现大幅异常波动，往往可以借助另一个数据来源进行对比分析，如果两边是同方向、同幅度的波动，则要从业务角度去分析，如果两边差异很大，则很可能是数据统计源头出了问题。

2. 数据的整理、清洗

数据的整理和清洗主要是排除脏数据和统计异常的数据、对数据进行结构化处理等等，这里就不展开了。

3. 分析数据：重要的是思维

对于数据分析，思维比工具和手段重要，首先要明确想找到什么问题，再提出假说然后依据假说去排查，而不是在海量数据中无目的查找问题。

4. 分析数据的方法

拆解法：

对一个大问题拆分为更小粒度的指标，如果没有发现问题则继续往下拆解，直到发现问题所在为止，从而寻找到对应的解决方案。

BCG矩阵：

根据不同业务场景，选取两个坐标作为坐标轴，从而把业务或用户划分为不同的类型进行分析。

同比分析法：

将各个业务相同类型的数据放在一起比较。

用户分析：

用户分析包括了使用广度、使用深度、使用粘性等指标，这些指标一般是若干用户指标的组合，例如：使用广度就包含了总用户数和MAU等，使用深度就包含了使用时常、停留时间等。

分析数据的方法有很多种，需要根据报告定位和目标的需要适当选取。

这里以一份产品月报的撰写为例，供大家参考数据报告的撰写。

首先这是一份面向领导汇报的产品运营月报，因此需要突出核心指标的完成情况，以及拆解的二级、三级指标的情况，从而从上到下分析本月指标的完成情况。

其次，这是一个电商导购类的产品，因此在报告的第一项，就是依据产品特性，对数据指标进行拆解和建立数据模型，从而让读者一目了然知道报告的内容框架，以及各项数据的完成情况，之后才是逐步展开进行汇报，便于说清楚具体情况、问题点、改进计划。

指标拆解示例：

目前MAU量级数百万，因此产品阶段还侧重在用户增长，其次才是收入；

监控指标根据实际情况可以随时调整，以便说明问题。

数据总表示例：

拆解完数据指标，建立模型之后，就是要展示出重点的数据、形成数据总表，从而让报告的阅读者一目了然知道核心指标完成情况，以及哪些数据超出预期、哪些数据出现问题。

如下表所示，未达预期部分的目标完成度加黑，引导大家聚焦在问题的分析上：

核心指标示例：

指标的展示有以下几点需要注意：

图形样式需要根据报告的汇报侧重点来选取，例如展示体量变化可以用柱状图、展示趋势可以用折线图、展示不同业务同一指标的对比可以用簇状柱图等等；

一个表格最多展示一个主要数据和一个次要数据，例如：MAU+环比增长率；

数据情况的原因说明最好不超过2个，切忌罗列一堆原因，让阅读者找不到重点。

核心指标拆解分析：

如上例核心指标为MAU，则需要对当月活跃用户的构成进行分析，并可以顺便带出月留存率。

渠道分析示例：

这里以渠道新增分析示例，适合于对比多个同类数据的情况，例如同时查看免费渠道和付费渠道的新增用户情况。

且由于更关注免费自然流量新增，因此还可以再带上免费新增的增长折线便于解释说明。

由于重点是免费渠道，因此可以继续对免费渠道进行详细分析：

留存用户分析示例：

留存用户的分析，除了分析总留存人数之外，还常用如下的梯形表格分析动态时间周期内的留存率变化情况：

人均活跃天数示例：

人均活跃天数是考察用户活跃情况的重要指标，一般用折线图来展示变化趋势：

人均活跃天数同样可以根据业务需要，继续细化分析不同渠道、不同机型、不同操作系统等等的详细数据。

收入统计示例：

收入类型的统计，比较适合先用一个总表展示出整体的情况，然后再细分不同的收入指标，选择合适的图表进行展示：

总结

产品数据报告的撰写，首先要基于阅读者和产品核心指标的分析，对指标进行拆解和建模、确定整个报告的内容框架和侧重点，然后对数据进行整理、分析和制表，最后的工作才是对报告进行美化。

㈡ 做数据分析时的常用方法有哪些

数据分析的三个常用方法有数据趋势分析、数据对比分析及数据细分分析。

1、数据趋势分析

趋势分析一般而言，适用于产品核心指标的长期跟踪，比如，点击率，GMV，活跃用户数等。做出简单的数据趋势图，并不算是趋势分析，趋势分析更多的是需要明确数据的变化，以及对变化原因进行分析。

2、数据对比分析

对比分析，就是给孤立的数据一个合理的参考系，否则孤立的数据毫无意义。一般而言，对比的数据是数据的基本面，比如行业的情况，全站的情况等。有的时候，在产品迭代测试的时候，为了增加说服力，会人为的设置对比的基准。也就是A/B test。

3、数据细分分析

在得到一些初步结论的时候，需要进一步地细拆，因为在一些综合指标的使用过程中，会抹杀一些关键的数据细节，而指标本身的变化，也需要分析变化产生的原因。细分分析是一个非常重要的手段，多问一些为什么，才是得到结论的关键，而一步一步拆分，就是在不断问为什么的过程。

㈢ 数据分析方法（六）-如何设立指标体系

要解决以上不知道，我们需要指标思维

数据统计中有哪些常见的指标？如何为一个项目（活动、功能、产品）制定指标模型？

指标可以分为 简单计数型指标 和 复合型指标 。

如何设立指标体系？

“产品自身提供价值”是指产品自身可以满足用户需求，为用户提供价值。
“产品链接其他资源提供的价值”是指产品作为平台方或链接者，把用户和其他资源链接起来，以此为用户提供价值。

我们根据业务特点将不同业务放入对应的象限之中，它们分别是：

在明确业务之后，就可以构思每个业务需要关注的指标。如下表所示：

拆解核心指标
明确业务类型和业务指标之后，我们要结合实际业务，将主要关注的指标拆解到可行动的程度。常见的拆解思路有两种：

按场景拆分成多个子指标的和。

如：DAU ≈ 日新增用户+留存用户+回流用户；

按一定的关系拆分成多个子指标的积。

依靠逻辑关系进行指标拆分。如：

GMV （总消费额）≈ 用户数 x 购买频次 x 客单价；

销售额 ≈ 用户总量 x 付费率 x 客单价；

LTV（生命周期总价值 ，life time value ）=LT（生命周期 ，life time）x ARPU（每个用户的平均花费，Average Revenue Per Use）

依靠时间先后进行指标拆分。

如：渠道推荐效果 ≈ 展现次数 x 点击率 x 转化率

㈣ 成本指标分解是什么意思

成本指标分解得是否科学合理,关系到生产单位及职工的切身利益,因此,设备成本指标如何分解是成本否决能否顺利进行的关键步骤.本文从车间设备管理的实际情况出发,探索设备成本指标分解的思路.

㈤ 常用的数据分析方法有哪些

常见的数据分析方法有哪些？
1.趋势分析
当有大量数据时，我们希望更快，更方便地从数据中查找数据信息，这时我们需要使用图形功能。所谓的图形功能就是用EXCEl或其他绘图工具来绘制图形。
趋势分析通常用于长期跟踪核心指标，例如点击率，GMV和活跃用户数。通常，只制作一个简单的数据趋势图，但并不是分析数据趋势图。它必须像上面一样。数据具有那些趋势变化，无论是周期性的，是否存在拐点以及分析背后的原因，还是内部的或外部的。趋势分析的最佳输出是比率，有环比，同比和固定基数比。例如，2017年4月的GDP比3月增加了多少，这是环比关系，该环比关系反映了近期趋势的变化，但具有季节性影响。为了消除季节性因素的影响，引入了同比数据，例如：2017年4月的GDP与2016年4月相比增长了多少，这是同比数据。更好地理解固定基准比率，即固定某个基准点，例如，以2017年1月的数据为基准点，固定基准比率是2017年5月数据与该数据2017年1月之间的比较。
2.对比分析
水平对比度：水平对比度是与自己进行比较。最常见的数据指标是需要与目标值进行比较，以了解我们是否已完成目标；与上个月相比，要了解我们环比的增长情况。
纵向对比：简单来说，就是与其他对比。我们必须与竞争对手进行比较以了解我们在市场上的份额和地位。
许多人可能会说比较分析听起来很简单。让我举一个例子。有一个电子商务公司的登录页面。昨天的PV是5000。您如何看待此类数据？您不会有任何感觉。如果此签到页面的平均PV为10,000，则意味着昨天有一个主要问题。如果签到页面的平均PV为2000，则昨天有一个跳跃。数据只能通过比较才有意义。
3.象限分析
根据不同的数据，每个比较对象分为4个象限。如果将IQ和EQ划分，则可以将其划分为两个维度和四个象限，每个人都有自己的象限。一般来说，智商保证一个人的下限，情商提高一个人的上限。
说一个象限分析方法的例子，在实际工作中使用过：通常，p2p产品的注册用户由第三方渠道主导。如果您可以根据流量来源的质量和数量划分四个象限，然后选择一个固定的时间点，比较每个渠道的流量成本效果，则该质量可以用作保留的总金额的维度为标准。对于高质量和高数量的通道，继续增加引入高质量和低数量的通道，低质量和低数量的通过，低质量和高数量的尝试策略和要求，例如象限分析可以让我们比较和分析时间以获得非常直观和快速的结果。
4.交叉分析
比较分析包括水平和垂直比较。如果要同时比较水平和垂直方向，则可以使用交叉分析方法。交叉分析方法是从多个维度交叉显示数据，并从多个角度执行组合分析。
分析应用程序数据时，通常分为iOS和Android。
交叉分析的主要功能是从多个维度细分数据并找到最相关的维度，以探究数据更改的原因。

㈥ 杜邦财务分析体系的核心指标是什么如何分解该指标

杜邦财务分析体系的核心指标是净资产收益率，它是一个综合性最强的财务分析指标，是杜邦分析系统的核心。

杜邦分析法中的净资产收益率的分解：

净资产收益率=总资产净利率×权益乘数=销售净利率×总资产周转率×权益乘数

其中：

1、销售净利率=净利润/销售收入；

2、总资产周转率=销售收入/平均资产总额；

3、权益乘数=资产总额/所有者权益总额=1/（1-资产负债率）=1+产权比率。

(6)核心指标拆解常用方法扩展阅读：

杜邦财务分析体系的其他指标：

1、资产净利率。

它是影响权益净利率的最重要的指标，具有很强的综合性，而资产净利率又取决于销售净利率和总资产周转率的高低。扩大销售收入，降低成本费用是提高企业销售利润率的根本途径，而扩大销售，同时也是提高资产周转率的必要条件和途径。

2、权益乘数。

它表示企业的负债程度，反映了公司利用财务杠杆进行经营活动的程度。资产负债率高，权益乘数就大，这说明公司负债程度高，公司会有较多的杠杆利益，但风险也高。

㈦ 数据分析系列（二）：如何梳理数据指标体系

前言

上一期话题我们聊了一下“如何辨别数据指标，利用正确的数据指标来指导工作”。这期话题我们会聊一聊：如果你面临的是一个探索项目，如何从零开始建立起一套数据指标体系。

01 明确当前业务的目的

从产品生命周期的角度来说，一个产品会经历引入期、成长期、成熟期、衰退期四个阶段，由于衰退期的产品价值比较有限，所以这里主要讨论前三个阶段：

引入期，关注业务模型是否能够跑通（主要包括用户满意度、留存等指标，看产品是否能为用户提供价值

成长期，关注用户增长（主要关注新增、留存等指标）

成熟期，提升用户活跃度，实现商业变现（关注DAU、收入等指标）

理想中的状态是以上，不过目前越来越多的公司由于面对资金压力，很多公司都在压缩产品引入期-成长期的时间，从产品初期已经开始孵化一些商业化功能，实现变现。但总体而言，一般当前业务目的还是可以归根于两个方面：

流量：用户新增、DAU、用户留存、人均使用时长

变现：营收

02 梳理当前业务模块&核心指标

上个部分我们提到业务目的主要可以分为流量、变现两个环节，那么下面个人认为从业务目的出发，常见的业务模块及其核心指标主要如下所示，供参考。

同时，核心指标的描述需要包含以下几个要素：

指标含义：描述了一件xxxx的事情

计算方法：包括计算公式、统计时间段

指标价值：做好了能怎么样

所谓“核心指标”的定义没有标准答案，我认为衡量的标准是：日常你每天都需要去关注的综合性数据。

举例“如果现在是某一产品付费模块”，可以大致按照如下方式进行梳理：

03 定义核心指标判断标准

前面有提到核心指标描述里面需要包括一项：做好了能怎么样，那这里其实需要为核心指标配套一个判断标准。

常见的定义标准的方法有以下几种，按照自身产品特点选择即可：

KPI达标率：如果你的核心指标是KPI指标，那就直接根据KPI达标率来判断即可。这个应该是最常见的一种方式。

竞品对标：如果你能从靠谱渠道搜集到竞品相关数据，那以竞品为参照物进行判断。

环比对比：查看环比数据，如果业务走势呈明显周期性，选择一个历史数据较为不错的数据进行对比。

同比对比：查看同比数据，预估每个周期增长多少个百分点，与上一周期数据进行对比，看是否达标。

04 完善二三级指标

“核心指标”能帮助我们每天了解业务的全盘情况，但是如果某一天我们发现某一个核心指标发现了异常波动，我们需要去进一步探索原因。所以，这里我们要做的第四步是：根据实际业务需要，进一步完善二三级指标。

具体拆解方式很大决定上取决于产品形态及当前业务关注点，主要可以通过以下几种方法：

根据构成拆解

比如推广模块的推广成本可以拆解为：

推广成本=渠道1推广成本+渠道2推广成本+渠道3推广成本...

根据业务流程拆解

根据业务流程，划出具体业务流程的过程指标，比如研究游戏内A道具的付费率情况，可以分为以下几个流程：

根据可能影响因素拆分

假设流量池稳定，游戏平台付费营收未达到预计水平，可以从以下几个角度增加分类维度：

05 总结

指标建模最大的意义在于最终能够赋能业务成长，所以我更建议由上及下进行拆解：以最终整个产品目的为导向（老板层面关心的问题），再到当前业务核心指标&判断标准（Leader关心的问题），再到二三级指标（执行层面关心的问题）。

同时，最后2条小建议：

选择哪一种指标建模方法不重要，要注意逻辑性，选择一种自己认可的即可；

注意实操性，刚开始精力有限的情况下，不建议建立太多复杂的指标体系，最后反而看得眼花缭乱，抓不到业务重心。

本期内容在这里结束，下篇文章会围绕《常见的数据分析方法》展开，聊一聊常见的数据方法有哪些以及实际在业务场景中如何运用。

㈧ 如何做好数据分析

数据分析有：分类分析，矩阵分析，漏斗分析，相关分析，逻辑树分析，趋势分析，行为轨迹分析，等等。 我用HR的工作来举例，说明上面这些分析要怎么做，才能得出洞见。

01） 分类分析
比如分成不同部门、不同岗位层级、不同年龄段，来分析人才流失率。比如发现某个部门流失率特别高，那么就可以去分析。

02） 矩阵分析
比如公司有价值观和能力的考核，那么可以把考核结果做出矩阵图，能力强价值匹配的员工、能力强价值不匹配的员工、能力弱价值匹配的员工、能力弱价值不匹配的员工各占多少比例，从而发现公司的人才健康度。

03） 漏斗分析
比如记录招聘数据，投递简历、通过初筛、通过一面、通过二面、通过终面、接下Offer、成功入职、通过试用期，这就是一个完整的招聘漏斗，从数据中，可以看到哪个环节还可以优化。

04） 相关分析
比如公司各个分店的人才流失率差异较大，那么可以把各个分店的员工流失率，跟分店的一些特性（地理位置、薪酬水平、福利水平、员工年龄、管理人员年龄等）要素进行相关性分析，找到最能够挽留员工的关键因素。

05） 逻辑树分析
比如近期发现员工的满意度有所降低，那么就进行拆解，满意度跟薪酬、福利、职业发展、工作氛围有关，然后薪酬分为基本薪资和奖金，这样层层拆解，找出满意度各个影响因素里面的变化因素，从而得出洞见。

06） 趋势分析
比如人才流失率过去12个月的变化趋势。

07）行为轨迹分析
比如跟踪一个销售人员的行为轨迹，从入职、到开始产生业绩、到业绩快速增长、到疲惫期、到逐渐稳定。