《精益数据分析》在设定产品指标中的运用
“你无法衡量的东西，你也无法管理。”
——彼得·德鲁克
京东的店铺会员系统，负责管理在京东开店的商家会员体系，用以提升客户忠诚度。如何评价这个产品发展的状况？就需要通过建立一些数据指标来进行分析判断。
虚荣指标与可付诸行动的指标
会员系统中目前对于会员的定义为购买即会员，通过多年的发展，目前存量会员数据已经超过30亿（不同店铺中的会员是隔离的）。那么如果我们把会员数量或者增量当作一个数据指标的话，显然是不合适的。
很多公司都声称自己是由数据驱动决策的企业。可惜，它们大多只重视这句互联网谚语中的“数据”，却很少有公司真的把注意力集中在“驱动决策”上。如果你有一个数据，却不知如何根据它采取行动，该数据就仅仅是一个虚荣指标。它毫无意义，唯一的作用是让人自我膨胀。你需要利用数据揭示信息，指明方向，帮助你改进商业模式，决策下一步的行动。
—— 《精益数据分析》
为什么我们把会员数量或者增量定义为产品指标是不合适的呢？应为按照“购买即会员”的定义，会员数量只和下单的用户数量绑定，我们没法根据此项指标的变化，分析出我们产品的好坏和所需行动，所以这明显是个虚荣指标。所以这里我们需要挖掘出新的，可以正确评价出我们产品好坏的指标出来。
什么是好的指标？
- 好的数据指标是比较性的
好的数据指标是比较性的。如果能比较某数据指标在不同的时间段、用户群体、竞争产品之间的表现，你可以更好地洞察产品的实际走向。“本周的用户转化率比上周高”显然比“转化率为2%”更有意义。- 好的数据指标是简单易懂的
好的数据指标是简单易懂的。如果人们不能很容易地记住或讨论某指标，那么通过改变它来改变公司的作为会十分困难。- 好的数据指标是一个比率
好的数据指标是一个比率。会计和金融分析师仅需迅速查看几个比率就能对一个公司的基本状况做出判断。你也需要几个这样的比率来为自己的创业公司打分。
—— 《精益数据分析》
抛开“会员数量”这个虚荣性指标，商家使用会员产品的主要目的在于，通过建立客户忠诚度计划来促进用户的重复购买率，也就是复购率。
但是从电商的角度出发，也并不是所有类目或者品牌本身都有足够的复购必要。例如客户可能几年才能买一台电视机，一年最多也就买两条牛仔裤，我们并不能通过客户忠诚度计划来改善它。所以先要区分出哪种类型的商家才有比较建立和运营客户忠诚度计划。我们可以将电商业务模式分为下面三个类型：
- 用户获取模式
90天内重复购买率达到1%~15%：说明你处于用户获取模式。- 混合模式
90天内重复购买率达到15%~30%：说明你处于混合模式。- 忠诚度模式
90天内重复购买率达到30%以上：说明你处于忠诚度模式。
—— 《精益数据分析》
模式本身并没有好坏之分，重要的是根据自身不同的模式采取相应的运营策略。当然以上指标区分方式可能更加适合整个京东这样的平台来看，而对于入驻其中的商家来说，很难达到如此高的复购率的。所以如果作为商家来说，可能更需要关心的是自己的所有渠道的复购率，或者所经营的品类本身的复购率，来判断自己所处的模式。
而对于本身处于“忠诚度模式”的商家来说，怎么判断所使用的会员系统，制定的忠诚度计划和营销策略是有效的呢？最直接的来说“90天复购率”这个指标可以直接作为判断。为了明白发展趋势，商家可以每周统计过去90天的复购率进行长期比较，看趋势是在上升还是下降，以确认所使用的客户忠诚度计划和营销策略是否有效。
OMTM
作为平台产品来说，单个商家的复购率受到影响太多，而全局平均值似乎又没有太多指导意义。所以我们看平台会员产品所能提供的主要能力：
- 忠诚度计划
- 等级权益设置和展示
- 客户洞察
- DMP人群挖掘、权益发放和触达
所以作为平台级产品，最主要的是通过各种展示，露出，触达提醒让客户知道商家所设置的忠诚度计划和发放的权益，促进其进行购买。这里我们可以将其描述为“会员感知度”。但似乎这又是一个虚无缥缈的虚荣指标，如何计算出“会员感知度”呢？我们可以理解为客户看到并使用会员权益情况，通过建立这种相关性，我们将其映射为：
会员感知度 =（近30天使用会员权益的会员/近30天进店会员）in 开通会员权益的商家
通过以上公式，我们可以长期跟踪所有使用了会员系统的商家，其30天内，使用了会员权益的会员在所有访问的会员中的占比，来计算会员感知度，以判断品牌级会员产品的产品能力。这里，我们可以将“会员感知度”作为产品的“第一关键指标”
在数据分析的世界里，这意味着挑选一个唯一的指标，该指标对你当前所处的创业阶段无比重要。我们称之为OMTM（One Metric That Matters，第一关键指标）。 第一关键指标，就是一个在当前阶段高于一切、需要你集中全部注意力的数字。在问题验证阶段关心客户终生价值并没有什么意义，但当你接近产品与市场契合的时候，它可能就是你的专注点。
—— 《精益数据分析》
指标的使用
将“会员感知度”定义为当前的OMTM后，需要将其进行实际的使用，用以监控和改善产品功能，才能发挥其实际价值。
我们从电商用户的生命周期来看，一般一个用户在电商平台主要会有如下生命周期：
- 拉新
- 活跃
- 沉睡
而运营的目标，其实就是尽量的保持活跃用户的数量，所以针对不同的生命周期的用户，会采取不同的运营手段，针对拉新用户要刺激其产生首购，而活跃用户需要保持其复购，而对于沉睡用户需要进行换回。
用户收入 = 拉新 * 首购 * 客单价 + 活跃 * 复购 * 客单价 + 沉睡 * 唤醒 * 客单价
这里我们可以将不同的会员权益进行分类，映射到所针对的相应的用户生命周期所要达到的目的上面，就可以将”会员感知度“进行拆解，并对不同的权益能力进行评价了。
- 拉新：新开卡
- 指标：开卡数；开卡转化率=开卡数/开卡页UV
- 功能：开卡页面体验；开卡礼包；会员权益
- 激活：新开卡首购
- 指标：首购转化率=开卡后7天下单/新开卡会员
- 功能：开卡礼包；积分兑换；会员权益
- 复购：90天复购率
- 指标：90天重购率=90天前下过单在90天内再次下单会员/90天内下单总会员
- 功能：积分兑换；精准营销；会员权益
- 唤回：沉睡会员购买（近一年内开卡且7天内未下单会员）
- 指标：沉睡会员召回率=下单沉睡会员数/总沉睡会员数
- 功能：积分提醒；等级提醒；精准营销
同期群分析
一般来说，我们在统计分析数据时都是以固定的时间周期纬度来的，但是从上面来看，互联网用户的生命周期其实是一个运营工作的重要参考因素。所以我们可以考虑将不同生命周期的用户分组到不同的周期群里进行分析。
例如我们可以按照用户首购时间到目前为止的月份，来细化指标：
表格：同周期用户使用权益情况
| 首购距今月份 | 第一周 | 第二周 | 第三周 |
|---|---|---|---|
| 新用户 | 35 | 40 | 49 |
| 第一个月 | 28 | 34 | 40 |
| 第二个月 | 12 | 19 | 23 |
| 第三个月 | 8 | 14 | 22 |
这样我们通过将不同生命周期的用户分组，来判断其产品运营的情况，这样更具有实际指导意义。
探索性指标与报告性指标
在创业早期，“我们不知道我们不知道”的东西为最重要，它们会转变为未来的秘密武器。
—— 《精益数据分析》
探索性指标.jpg
在做数据分析时，并不一定只是通过数据报告来判断自己的假设是否成立或者产品的运营状况，还有可能发现自己并不知道的事情，这种就称之为“探索性指标”。
我们在分析积分兑换的数据时，发现其排名在前50位的积分兑换场景，都是由商家采购了ISV（第三方软件提供商）的积分运营工具所产生的，说明积分权益的适合主要是由ISV工具促成。这并不是我们之前所了解到的情况，而是通过数据分析发现新的知识。所以我们及时改变开发策略，将工作重点投入到接口开放帮助ISV更好的发展上面。
数据分析的界限
以数据为导向的优化在进行迭代式的产品改进方面没什么问题，问题在于它不会告诉你：“嘿！你知道吗？四个车轮比三个更好！”数学在优化已知系统方面可以做得很好，而人类更善于发现新的系统。换言之，渐进式的改变可以达到局部极限，创新则可能导致全局洗牌 。
单纯依靠机器的优化与进化具有相似的局限性。如果优化只是为了取得局部的极限，那代价可能是错失一个更大、更重要的机会。人的职责就是在数据优化的背后做个聪慧的设计者。
—— 《精益数据分析》
我们会员系统的进化中，将购买即会员拓展至开卡即会员是个重要的工作。但是在执行过程中，需要配合的外部门希望我们能提供具体的产品指标和ROI来说明改造的意义。但是作为未上线的功能，很难提前界定出预期要提升多少转化率或者复购率，带来多少营收上面，所以最终陷入博弈的悖论中无法推进。
其实数据分析作为手段，其目的是在事件中验证人所发现的假设，或者做局部的优化用，而不能去自己发现和正确的计算出未知的概率来。所以人的创造力和发现力到目前为止还是不可替代的。
但是在创新之前，我们也可是通过精益数据分析来降低我们失败的概率。我们可以在着手之前，通过客户调研和访谈，再通过建立分析模型，来预估机会和风险。
所以对于会员体系改造的意义，因为是一种新的模式，所以并不是要通过事先计算ROI来确定其价值，而是通过充分的用户调研和访谈，挖掘用户需求，来判断其工作的价值和意义。
归根结底，数据是检验假设的极佳工具，除非结合人类的反思，否则很难在产生新假设方面有建树。
