講數據指標體系的文章很多，經常是開篇一句：互聯網指標體系……，下邊幾百個指標blabla洶涌而出。搞得很多同學很暈菜：這么多指標，實際中到底怎么看？今天系統講解一下。話不多說，直接上場景。

場景：某視頻APP內容運營，每天會固定輸出游戲主題節目，節目以介紹游戲為主，目前暫無帶貨環節，也沒有其他KPI考核，就這么先做著。

每一個視頻，有：播放次數、播放人數、人均播放時長、會員觀看數、10%/30%/50%/90%播放完成數、單個視頻發布后首日至第七日每日播放數據。還能分成：僅PC端播放、僅移動端播放，PC+移動端播放……同時由于是自己的平臺播放，所以能統計到每個用戶站內其他視頻瀏覽行為。

問題是：這一堆指標有啥關系？該咋看？

一、常見問題

一聽指標體系，很多同學會直接把一堆指標鋪出來：

● PC渠道的播放次數、播放人數、人均播放時長……

● 移動端的播放次數、播放人數、人均播放時長……

● 本周的、上周的、上上周的、……

● 本次的、上次的、最近10次的、……

一大堆指標擺完，發現個嚴重的問題：這一堆說了啥呀！

因為沒有剛性考核的KPI，因此很難講清楚到底多大算好。你說播放次數越高越好吧，播放次數本身是個經常波動指標，今天高了明天低了，這么分析法得弄死自己，還沒分析完為啥不好，丫指標又變好了！

而且單看一個指標也顯得不科學，比如有的視頻就是播放很多但人均時長很短，還有一堆人涌過來看，然后秒退的情況。實際情況千奇百怪，連好/壞都沒法評估，咋進一步分析：為啥好/為啥壞呢？

圖片

二、解題思路

會導致暈頭轉向的核心問題，在于：沒有明確目標。如果是銷售的業務場景，目標很清晰：銷售收入/GMV。但是運營的場景不見得都有如此清晰、剛性的目標。特別是內容運營，本身就有“放水養魚”的作用，有好的內容積攢粉絲、吸引關注非常重要。

無剛性目標，導致建立評價標準很難。如果只看一個指標，比如播放量，似乎有失偏頗。如果看兩個、三個、四個指標，比如播放人數、10%跳出人數、人均時長，則指標間相互交叉，情況錯綜復雜，很難下結論。

更不用說，很多新手會習慣性忽略建立標準環節。于是導致了大量鋪陳數據，然后不知道下啥結論的暈頭鴨子問題。如何在無剛性目標情況下，建立評價標準，讀懂數據含義，是搭建體系的關鍵。

三、認識問題，從單指標開始

想理清頭緒，當然得從一個指標開始。連一個指標的走勢都沒看清楚，就扯上二三四個，只會越看越暈。選第一個觀察指標的時候，盡量選簡單、直接、不用計算的指標，這樣更容易看清楚情況，避免牽扯太多。因此在眾多指標中，可以先看播放次數/播放人數（選一個）。

假設先看播放次數，對單指標而言，肯定是越多越好。播放量是內容運營的基礎，連看都沒人看，其他的更談不上了。但是這里要注意，觀察：播放量指標是否有周/月/日的規律。如果有規律性波動，就不能簡單地說：昨天比今天高，所以昨天好（如下圖）

圖片

假設播放量有周波動規律，則可以建立單指標的簡單評價標準：

1、以周為單位觀察，數值越大越好

2、以日為單位觀察，數值越大越好

3、超過自身類型月平均水平，超過越多越好

這樣就能對播放次數，這樣的單個指標講清楚：好/壞

四、從單指標到多指標

整明白了一個指標，可以加入其他指標。在加入其他指標的時候，要首先觀察：兩指標之間關系。有可能兩指標相關系數高，有可能相關系數低。這兩種情況下處理方法不同。

相關系數高：比如播放次數和播放人數，兩個指標很有可能高度相關。一個視頻玩家短時間內可能只看1次就夠了。高度相關的兩個指標，在評價好壞時不需要重復評估，看一個就好了。這樣能減少數據干擾，更容易得出結論（如下圖）。

圖片

相關系數低：比如播放次數和人均時長，不見得高度相關。很有可能有的視頻太過標題黨，標題太刺激，配圖很色誘，把玩家騙進來結果發現貨不對板。如果出現兩個指標相關度低，就能用矩陣分析法，把視頻分類（如下圖）

圖片

經過這一步梳理以后，就能對兩個指標情況做出判斷。理論上播放次數越高越好，但人均時長不能低于一定水平，或者10%跳出用戶比例不能超過一定水平，這樣就能對每一期視頻進行評價。有了評價，就能做出進一步分析。

五、從多指標到原因解讀

評價了好/壞，就能進一步分析：為什么好、為什么壞。到這一步，就會發現，現有數據指標的問題：雖然看似一堆指標，可都是結果性指標。并不能直接從指標里推出：到底為啥用戶喜歡看。這時優先考慮的是：補充數據，看看添加哪些數據能解釋清楚問題。

首先想到的是視頻本身的數據，視頻本身可以有多種標簽：

1、視頻主題：講哪一類游戲

2、視頻內容：游戲八卦、玩法、比賽……

3、視頻講解：找技術高手還是找個美女亮腿……

4、視頻時長：太長的可能中間關掉的多

5、發稿時間：選播放好的時間發

做內容運營，首先得對自己做的內容有清晰的了解，打好標簽，再做其他工作。有了標簽，單純地結合標簽分析結果指標，也可能得出一些有用的結論，比如：

● 5分鐘比10分鐘效果好

● 美女亮腿比男主持人效果好

● 講比賽比講八卦效果好

這些已經足夠優化運營了。

更進一步的還可以結合用戶畫像來看，比如：

● 觀察用戶看別的游戲類視頻行為，給用戶喜歡的游戲類型，游戲內容貼標簽

● 觀察用戶近期關注的熱點內容、流行的梗

● 觀察用戶更喜歡技術宅還是美女

有了這些用戶標簽，可以查看：

● 目前觀看視頻的用戶群體是否是目標群體

● 根據群體規模大的用戶，制作新的內容

● 根據用戶近期關注的話題、主播喜好，選話題和主持人

當然，并不見得投其所好一定有效，更有可能有“標題黨蹭熱度”的效果——播放次數很多但看一眼就跳出。所以最后還是得結合優化前后效果，做最終定論。

六、小結

搭建數據分析體系可以很簡單（如下圖）

圖片

真正阻礙搭建指標體系的，是：

1、數據間沒邏輯，寫的越多，看得越暈

2、沒有剛性KPI做統領，不知道怎么評價好壞

3、只有結果指標，不能解釋原因。

因此在觀察一個業務的時候，一開始寧可看的指標少一點，先觀察出規律，再看指標間關系，這樣更容易讓眾多指標關系清楚，讀出含義。