做数据仓库的时候,我们不仅仅只是为了做数据存储和方便为前端提供快捷的查询。很多同学对于数据仓库的理解就是:
建立数据仓库的目的就是配合前端产品业务的需求,对外提供大数据量的存储(解决mysql存储的局限)及提供快速的查询(利用宽表提供快速查询,减少关联)。
其实从技术上来说,上诉的说法一点也没错。但是对于老板来说,对于产品经理来说,对于架构师来说,数仓不能仅限于上诉的需求。因为如果只考虑上诉的需求的话,那么一般是不需要花大成本去建立大数据团队,也不需要做数仓了,只需要从技术上利用部分大数据组件的优势来完成任务即可对吧?
对于老板来说,对于产品经理来说,对于架构师来说,既然要建立数据仓库,既然是花了大成本,那么我们就需要从数据仓库里面去提取业务价值。那么这个价值如何提升了,这里的恶化就要提到我们的指标建设了。
指标建设
在数据仓库里面指标建设是一个非常重要的事情,他非常考验我们对于业务的熟悉程度,对于数据的敏感度,对于数据维度的整理能力。
对于指标来说,我们一般把指标分为3个层级,也就是:
一级指标 二级指标 三级指标
这些指标相关的介绍如下:
1)一级指标
一级指标一般是整体业务层面的指标,也就是全公司,全业务线都认可和衡量业绩的核心指标。这种指标一般直接来源于:产品的需要,运营部门的需求,市场销售的需求,财务部门的需求等等。
2)二级指标
二级指标一般主要是针对一级指标的拆解,也就是一般细化的一些指标,这种指标一般也是部门领导人所关心的指标。
3)三级指标
三级指标指的是:业务执行成眠的指标,他是以二级指标为目标进行的拆解,一般主要以子流程或者细分个体的方式定义,这种指标一般也用于对于问题分析的指标。
当然如果再细化的话,可以看到还可以再增加4级指标,5级指标。
既然上面提到了拆解,那么我们就来介绍下常用的拆解办法。常用的拆解方法是:
1、漏斗法。例如:一级指标=a*b*c*d 2、公式法。例如:一级指标=a1*a2+b1*b2+c1*c2+d1*d2 3、维度拆解法,这个主要是根据不同的细分维度来进行拆解。
下面我们还是以商城GMV为例来演示一下,主要是以维度拆解法来演示GMV的指标维度。
1)GMV的一级指标示例
这里GMV的一级指标的话,其实主要就是GMV的计算公式,即:
购买人数*商品客单价
2)GMV的一级指标示例
接下来,再进行拆分定义二级指标,二级指标就是在一级指标的基础上进行拆分,这里我们对于购买人数的拆分,大家试想一下:购买人数,那么这个人肯定满足如下的情况:
活跃用户 查看到了商品 点击过商品 查看了商品详情页面 点击了加入购物车 生成了订单 支付了订单 等等
结合上面的情况的话,我们的二级指标是不是可以演化为:
活跃用户数 *商品详情触达率*加购率*订单提交率*支付成功率*客单价
这样子我们细分了。是不是指标更多了,而且所有的指标都没有浪费的。
3)GMV的一级指标示例
接下来,再进行拆分定义三级指标,三级指标主要是在二级指标的基础上进行的拆分。我们再细化一下,活跃用户数,我们是不是可以拆分为:
1、新活跃用户人数 2、老活跃用户人数
最后行程的三级指标是不是可以演化为:
(新活跃用户数+老活跃用户数)*商品详情触达率*加购率*订单提交率*支付成功率*客单价
以上的指标就拆分示例就完成了。
又回到最开始,我们通过指标拆分的示例,可以看到这里的用户触发率,用户加购率,订单提交率等这些指标,我们都可以提交挖掘出新的业务,新的产品潜力增长点。下面举个例子:
1、假如用户的活跃率比较高,那么我们是不是可以多给用户推荐一些产品(精准推荐+新品推荐)。 2、假如用户的活跃率不高,我们是不是可以给用户精准推荐一些产品。 3、假如用户的支付成功率比较高,我们是不是可以在他完成支付的时候,给他多推荐一些同类高性价比的商品。 4、等等
这里的数据仓库出现的新增长潜力其实是非常大的,他既能促进公司的产品业务增长,也能同时对于技术相关的规划做更精细化的布局。迎合企业的高速发展要求。
还没有评论,来说两句吧...