建立网站数据指标体系的三大思路（第4篇）
当人听说亚马逊很赚钱的时候，他们开始对亚马逊感兴趣；但真当深入了解的时候，大多数人会先从商业模式开始。大多数事物都是这样，由微观事物引发兴趣，但却由宏观概念开始了解。
在上篇文章中我们提到，随着数据的组合及数据的下钻，分析的复杂度将会变高。这就对我们数据的前期准备提出了要求，否则很难去发挥到数据后期80%的价值。如何进行合理的数据规划就是我们在接下来几篇文章中要介绍的。
所有的网站数据都是由人的行为产生，而人的行为又是连贯的，所以当你搜索用户行为的时候，你会在百度上看到各种模型和分析方式，比如AIDA销售模型，AARRR模型，漏斗模型，用户健康度分析，行为事件分析，页面点击分析，用户行为路径分析，用户留存分析模型。
各个数据指标不是独立存在、毫无关联的，这些数据按照一定的逻辑串联起来，就形成了我们看到的各种分析模型。
但是你仔细看上面我提到的这些分析模型，似乎很难找到各个分析模型之间的关联关系，比如行为事件和页面点击分析如何关联？用户行为路径分析和页面点击分析又存在较大的重叠，销售模型里的销售金额数据在行为事件分析里也需要用到。
各个分析模型之间并没有相互独立、完全穷尽，各个数据指标在这些模型下依旧有较大的重叠，没有建立清晰的关联关系，我们依旧无法利用这些分析模型去做好有效的数据规划。
有没有一种更高维度的东西可以囊括进去所有这些分析，让我们在头脑中形成一整套从宏观到微观的概念，更便于我们去整体了解呢？
数据规划的整体逻辑
是的！的确是有，那就是UJM模型，User Journey Map，用户旅程地图。它通过业务流程来串联用户在网站上的所有行为，我们基于用户视角，模拟用户从第一次访问到最后一次访问的生命周期过程。找准了用户旅程，其实就找准了我们要采集、分析的用户行为的基础数据，这就是数据规划主要参考的模型。
但是光有模型，就可以展开分析工作、发现问题、指导业务升级了吗？不，显然还不够，所以在使用UJM模型之前，我们还需要定位业务目标，分析也好，策略也罢，都是服务于业务目标的达成，因此所有的数据规划也需要贴合企业目标。而这一步，我们叫做OSM模型。
企业目标可能过大，需要进一步分解；而UJM模型还较为概念化，所在在实际的工作中，我们需要将目标及概念结合在一起，最后落实到业务场景。这些业务场景就是运营部门需要去执行落地的东西，比如优化着陆页面，提升老用户的复购等等。
' fill='%23FFFFFF'%3E%3Crect x='249' y='126' width='1' height='1'%3E%3C/rect%3E%3C/g%3E%3C/g%3E%3C/svg%3E)
总结一下，就是制定策略目标后，以用户旅程模型为总地图（逻辑分解的依据），寻找你需要聚焦的那一部分，最后再落实到具体的业务场景。接下来我们对这三个概念逐一解释。
建立数据思维的三个步骤
第一步：建立OSM模型
objective、strategy、measurement， 明确目标，制定策略，最后以衡量指标来评估策略是否达成目标。
这里的目标我们通常设置为业务目标，你可以站在公司层面去设定目标，比如提升销售额，增加网站的新用户；也可以站在部门层面去设定小目标，比如提升网站邮件订阅率的目标，如下图示例：
OSM模型示例说明
在此模型下就明确的知道，为了衡量这个目标，我需要网站的会话数、邮件订阅量，弹窗数，订阅提交时间（为了分析不同时间段的订阅量）。
这个时候，最好也可以和Smart原则相结合。
在建立OSM模型时，企业目标就是我们规划数据的最重要参考标准。
第二步：建立UJM模型
UJM模型（User Journey Map）是模拟用户在网站里的行为旅程，下图就概括了用户在使用我们网站时， 会经历的六个阶段，但是注意这六个阶段的产品并不一定每一次都是按顺序进行的，因为用户会在这六个阶段中相互跳转，而一些老用户会直接从“产生兴趣”这个阶段开始。
电商网站的UJM模型示例说明
在不同的行为阶段，你需要定义不同的目标，从而根据目标定义所需要的数据指标。比如在在上图中提到提升订阅率这个目标就会出现在“逛”这个阶段。将我们的目标融入到UJM，定位目标在哪里一步，再以此列出需要的数据指标。
举个例子：以提升Facebook广告ROI为目标，结合UJM模型，我们列出在这个分析需要采集的数据源。
因为涉及到了外部数据源，我们在此模型之上还拓展了外部需要获取的数据源及分析维度。
OSM+UJM模型结合示例说明
第三步：落实到业务场景
也就是具体的业务部门要去执行落地的工作场景，我在这里列出了独立站运营人员常见的业务工作场景。
我们继续回到刚刚以提升Facebook广告ROI的例子当中来看，目标如何落实到业务场景。
明确目标，分解目标，再落实到业务场景，通过这样一个流程，我们不仅有了数据分析的宏观概念，也有了数据源的规划。知道了需要采集哪些数据源，需要分析哪些指标，这些指标在整个用户行为中的意义又是什么。
这样一来，我们就把宏观的模型概念，落实到了具体的微观执行当中。
通过这样的模型，我们可以列出很多我们需要的数据源和数据指标，但是这个时候存在一个问题。这些杂乱的指标如何组织起来？
我们人类都习惯性的给事物分类，比如同一个鱼缸里有几十条鱼，我们会按大小分，也可以颜色分，还可以按品种分，从而更好整理和归纳。那么数据是否也存在这样的抽象层次呢？在下一篇的文章中，我将介绍如何对这些数据进行“分类”。
我们建了一个亚马逊卖家交流群，里面不乏很多大卖家。
现在扫码回复“ 加群 ”，拉你进群。
热门文章
*30分钟更新一次
