关于数据指标的分类

昨天坐地铁，听到两个人在谈论现在的零售行业不好做，听了那么久，总的来说就是在吐槽电商崛起的很快，对传统零售的冲击很大，这个月的业绩指标估计又完不成等等，我一听，同行啊，刚好最近在学习数据分析，有感而发，就以快消零售行业为例子写一篇关于数据指标的分类吧。

数据分析离不开对企业关键指标的跟踪，这些指标与你的商业模式有关，因此往往十分重要，你不停地修改自己分析的活动，并且仍在寻找正确的产品或者目标客户。

首先，什么是好的数据指标

好的数据指标能带来你所期望的变换，下面有一些衡量好坏的重要准则：

a、比率的可操作性强，是行动的向导
b、比率是天生的比较性指标
c、比率还适用于比较各种因素间的相生相克（正相关和负相关）。

4、好的数据会改变行为，这是最重要的评判标准：随着指标的变化，你是否会采取相应的举措？

既然好的数据指标这么重要，那么怎么才能找到好的数据指标呢，想要找到正确的数据指标，下面五点很关键：

1、定性指标与量化指标

定性指标通常是非结构化的、经验性的、揭示性的、难以归类的；量化指标则涉及很多数值和统计数据，提供可靠的量化结果，但缺乏直观的洞察。
比如你是一家食品行业的从业者，那么量化指标通常是年度、季度和月度销售指标、客户数量、销售费用等等这些，量化数据使用方便，具有科学性，也易于归类、外推和置入电子表格，但是有些指标是很难被量化的，比如，你要做一个市场调查，为公司的产品做一个分析，题目为消费者觉得我们的产品好吃吗？哪个口味好吃？为什么好吃？还需要增加其他的口味吗？等等这些指标是不能被量化的，如果定量数据回答的是“什么”和“多少”这样的问题，那定性数据回答的就是“为什么”。定量数据排斥主观因素，定性数据吸纳主观因素

2、虚荣指标与可付诸行动的指标

虚荣性指标看上去很美，让你感觉良好，却不能为你的公司带来丝毫的改变，相反，可付诸行动的指标可以帮你遴选出一个行动方案，从而指导你的商业行为。
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，每当看见一个指标，就应该下意识地问自己：“依据这个指标，我将如何改变当前的商业行为？”如果不明白哪个指标能够改变企业的行为，那就不是在应数据驱动决策
比如，你所在的这个食品公司有这个市场有10万个终端客户，这就是一个虚荣的指标，它并不能传达关于客户的信息：他们分布在什么地方？是否对我都是由价值的客户？
我们的产品在5万个终端客户有售，这个指标稍微好点，但它依然是一个虚荣指标，它只会随着时间的增长慢慢的增长，除非你犯了什么错误。
真正应该关注的指标，是我们的产品客户数占总客户数的百分比（这个在快消零售叫做数值铺市率），这个指标显得很关键，因为当产品做出调整时，这个指标会相应的变化，如果思路正确，这个占比就会上升，这就意味着，它可以指导你试验、学习和迭代。
在快消零售行业，有一家非常出名的市场调研公司，叫尼尔森，会实时提供市场动态和消费者行为等等这些关键信息，有两个很重要的指标，就是数值铺市率和加权铺市率，一个代表产品在一个市场覆盖的广度，一个代表产品在一个市场覆盖的深度。
可付诸行动的指标不是魔法，他不会直接告诉你该做什么，但是你可以根据这些指标尝试改变定价，替换广告媒介，或者重新写广告语。关键在于：你是在根据收集到的数据行动

3、探索性指标与报告型指标

探索性指标是推测性的，提供原本不为所知的洞见，帮助你在商业竞争中取得先手优势，报告型则让你时刻对公司的日常运营、管理性活动保持信息通畅、步调一致。
美国前国防部长唐纳德曾说：“世界上的事物可以分为这样几类:我们知道我们知道的，我们知道我们不知道的；此外，还有我们不知道我们知道的，以及我们不知道我们不知道的。”听上去有点绕口，解释一下可以分为
我们知道我们知道的：是可能并不真实的事实，须经由数据的检验；
我们知道我们不知道的：是可通过研究解答的问题，可使之成为我们的行为基准并流程化；
我们不知道我们知道的：是直觉，需要我们评估并训练以提高其效能及效率；
我们不知道我们不知道的：是探索，蕴含着我们自身独特的优势，能带来有趣的顿悟。
还是拿食品公司举例，我们知道我们知道的，比如这个月的销售业绩达成了，是因为我们的客户数量变多了，这个就是我们知道我们知道的，但是我们不知道增加了多少，需要去调研才能知道，这个就是我们知道我们不知道的
我们猜测我们的每个单品都获得了消费者的认可，这个就是我们不知道我们知道的，是直觉，需要去评估，另外还有我们不知道我们不知道的，就是可能在一个更小的、更容易触及的细分市场中存在更多具有粘性的客户，比如在30岁到40岁之间的女性，可能会对我们公司的某个口味的产品非常感兴趣，消费频次非常高，这个就需要深入挖掘。

4、先见性数据指标和后见性数据指标

先见性指标用于预言未来；后见性指标则用于解释过去。
先见性指标可以用于预测未来，比如，你透过“销售漏斗”中现有的潜在客户数，你能大致预测将来所获得的新客户数，你可以努力增加潜在客户，这样将来就能得到更多的新客户。
后见性指标能提示问题的存在，比如，客户的流失数，不过，等你有机会收集数据，找出问题，往往为时已晚，但是，并不意味着这个指标没用，因为你可以做出改变，不再丢其他的客户，也可以通过努力找回以前的客户。
最后，你需要确定你所跟踪的这些数据是否能真正帮助你更好更快的地做出决定，一个真正的数据指标必须是可付诸行动的，后见性和先见性的数据都可以指导行动，区别只是先见性数据能预示将来会发生什么

5、相关性指标与因果性指标

如果两个指标总是一同变化，则说明他们是相关的；如果其中一个指标可以导致另一个指标的变化，则它们之间具有因果关系。如果你发现你能控制的事（比如投放什么样的广告）和你希望发生的事（比如销售额）之间存在因果关系，那么，你就拥有了改变未来的能力
比如你在一家饮料公司，饮料的销量和意外溺亡人数是一对相关数据，饮料的消费量和意外溺亡人数具有相关性，是不是意味着我们应该禁止销售饮料来避免意外溺亡呢？当然不是，因为饮料消费量和意外溺亡的升高都是因为夏天来了，在两个数据指标之间发现相关性不是一件坏事，发现相关性可以帮助你预测未来，而发现因果关系意味着你可以改变未来，通常，因果关系并不是简单的一对一关系，很多事情都是多因素共同作用的结果，所以，现实中很难找到100%的因果关系，你会掌握一些独立的数据指标（分析多个独立的数据指标作为自变量），其中每个都能在一定程度上“解释”某个依存的数据指标（因变量），即便只是发现部分因果关系也是很有价值的，你可以通过控制变量法来试验并测量因变量的变化，这需要用到线性回归，多元回归和时间序列方法等等，这个以后再讨论和详述，总之，相关性很好，因果性更佳，所以，我们应该永不停止寻找因果性。

最后，希望和爱好数据分析的人士共同学习和探讨。

编辑于 2018-04-15 07:07

数据分析