10 亿用户的微信表情指标体系是如何构建的？
本文主要介绍了数据指标体系，以及构建指标体系的相关方法和异常监控，希望通过此文能够加深你对指标体系的认识。
一、什么是指标体系
先举两个轻松的例子
1. 现实生活中的男女生评价指标
我们在判断一个男生或者一个女生是否在意你的时候, 我们会用
绝对值指标比如: 主动发消息数, 回复消息数, 回复消息时间, 年送礼物数, 月制造惊喜数
- 比率型的指标: 发给你的消息数/其他人的消息数, 发给你的消息延迟时间/总平均延迟时间
- 二分值的指标: 比如是否规划未来, 是否会耐心沟通, 是否会愿意去磨合和迁就, 朋友父母评价情况
所以微博上用 阿娇老公在结婚前 “安排游玩的次数”, 以阿娇”为老公医药所打call的次数” 这两个指标来描述他们之间是存在一段可能相爱的时期
2. 电视节目的评价
我一直在想, 怎么用指标来反应一个节目的受欢迎程度, 比如如何描述”向往的生活” ,”青春有你” 这些综艺节目是否火爆, 火爆的背后是否是健康的, 火爆的背后是否可以可持续的增长, 它的目标群体是否都触达到了等等
最直接的指标可能就是 观看的观众数, 观看的次数, 观看的时长, 观看的留存率, 完整观看率, 切播率等
然后从更深度来看, 应该是这个节目的触达到了一些新的年龄层, 因为综艺节目的年龄层主流群体可能一直是某一类人来, 所以可以有”不同年龄层的分布” 这一指标
再从更深度来看, 所有的节目背后都是为了变现, 所以有节目的收益数, 成本数, 净利润数等,
从明星来看, 明星粉丝增加速度, 明星好评数等指标也是节目背后的意义指标所在
二、为什么要有指标体系
就像我们需要用这些来评价一个男生还是一个女生是否可靠的时候, 我们会用上面一系列的指标体系去评价, 所以一个好的指标体系是非常关键的, 可以通过指标体系的变化, 及时的发现对方的态度的变化, 及时进行沟通, 采取对应的策略(这个我就不懂了, 有人能补充吗), 所以作为十亿级别的微信表情, 也需要去构建一套合理的指标体系去评估用户使用表情的情况, 才可以及时的洞察问题, 发现机会点。
三、什么是好的指标体系
指标体系对于数据化运营而言非常重要，但好的指标体系才能发挥应有的作用，而坏的指标体系不仅没有帮助，反而会将产品拖入泥潭，一个好的指标体系应具备以下性质：
- 系统性：能够发现局部与整体的关系及问题定位，当数据发生异动时，通过指标体系的逻辑拆解，能迅速定位到大致的异动模块及原因；
- 全面性：能满足不同数据使用方的日常需求，对产品经营及发展情况有整体了解；
- 认知统一：指标体系服务于不同角色群体，简单科学可解释，符合大众认知；
- 告别虚荣：指标体系要能反映产品活跃情况，杜绝华而不实的虚荣指标；
- 重视健康度：产品在关注规模类指标的同时，科学的指标体系关注健康度水平，保障产品的可持续发展；
- 可迭代：指标体系随不同生命周期阶段而改变，指标体系要在发展中保持迭代
比如好的微信表情数据体系应该是有局部和整体的联系, 要能够满足所有业务方的需求, 从点到面, 所有的指标应该是符合大众认知的, 可解释的, 并且可以准确反应表情的活跃情况, 除了绝对值指标”比如发送次数”, 也应该有很多比率指标比如 “发信比=发表情/发消息” 我们希望在发消息的时候尽量有足够的可以用表情来承载消息，让沟通更有趣
四、如何构建微信表情的指标体系
1. AARRR模型
AARRR分别代表了五个单词，又分别对应了产品生命周期中的五个阶段：
- 获取（Acquisition）：用户如何发现（并来到）你的产品？
- 激活（Activation）：用户的第一次使用体验如何？
- 留存（Retention）：用户是否还会回到产品（重复使用）？
- 收入（Revenue）：产品怎样（通过用户）赚钱？
- 传播（Refer）：用户是否愿意告诉其他用户？
2. OSM方法
比如整体的微信表情的目标我们希望可以提高表情的发送活跃, 让更多的人都能够使用表情去沟通, 去表达来代替干巴巴的文字, 所以我们就可以将这个目标通过osm 方法进行拆解
以微信表情作为例子：
五、数据指标体系异常监控
每一个数据指标的波动都可以通过下面的方法进行拆解
- g(t)：趋势函数，拟合时间序列中非周期性变化，判断序列处于上升或下降趋势；
- s(t)：周期性变化，周期性包括每周、月、季节等变化趋势；
- h(t)：变点，潜在的具有非固定周期的节假日及变点对预测值造成的影响；
- ϵ(t)：噪声项，表示未预测到的随机波动。
通过上面的拆解就可以把指标的变化波动归结为下面的几个图
通过模拟数据分析师日常的分析视角，可以对指标体系中一个核心序列进行拆解，组合使用Prophet对每一个子序列进行建模预测，只要指标体系在设计上符合逻辑，通过自动化的监控可以达到迅速定位异动原因的效果。
作者 陈友洋
关键字：数据分析
版权声明
本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处。如若内容有涉嫌抄袭侵权/违法违规/事实不符，请点击 举报 进行投诉反馈！
