完整的数据指标体系，大厂是怎么搭建的？

一大堆指标摆完，发现个严重的问题：这一堆说了啥呀！

因为没有刚性考核的KPI，因此很难讲清楚到底多大算好。你说播放次数越高越好吧，播放次数本身是个经常波动指标，今天高了明天低了，这么分析法得弄死自己，还没分析完为啥不好，丫指标又变好了！

而且单看一个指标也显得不科学，比如有的视频就是播放很多但人均时长很短，还有一堆人涌过来看，然后秒退的情况。实际情况千奇百怪，连好/坏都没法评估，咋进一步分析：为啥好/为啥坏呢？

解题思路

会导致晕头转向的核心问题，在于：没有明确目标。如果是销售的业务场景，目标很清晰：销售收入/GMV。但是运营的场景不见得都有如此清晰、刚性的目标。特别是内容运营，本身就有“放水养鱼”的作用，有好的内容积攒粉丝、吸引关注非常重要。

无刚性目标，导致建立评价标准很难。如果只看一个指标，比如播放量，似乎有失偏颇。如果看两个、三个、四个指标，比如播放人数、10%跳出人数、人均时长，则指标间相互交叉，情况错综复杂，很难下结论。

更不用说，很多新手会习惯性忽略建立标准环节。于是导致了大量铺陈数据，然后不知道下啥结论的晕头鸭子问题。如何在无刚性目标情况下，建立评价标准，读懂数据含义，是搭建体系的关键。

认识问题，从单指标开始

想理清头绪，当然得从一个指标开始。连一个指标的走势都没看清楚，就扯上二三四个，只会越看越晕。选第一个观察指标的时候，尽量选简单、直接、不用计算的指标，这样更容易看清楚情况，避免牵扯太多。因此在众多指标中，可以先看播放次数/播放人数（选一个）。

假设先看播放次数，对单指标而言，肯定是越多越好。播放量是内容运营的基础，连看都没人看，其他的更谈不上了。但是这里要注意，观察：播放量指标是否有周/月/日的规律。如果有规律性波动，就不能简单地说：昨天比今天高，所以昨天好（如下图）

假设播放量有周波动规律，则可以建立单指标的简单评价标准：

从单指标到多指标

整明白了一个指标，可以加入其他指标。在加入其他指标的时候，要首先观察：两指标之间关系。有可能两指标相关系数高，有可能相关系数低。这两种情况下处理方法不同。

相关系数高：比如播放次数和播放人数，两个指标很有可能高度相关。一个视频玩家短时间内可能只看1次就够了。高度相关的两个指标，在评价好坏时不需要重复评估，看一个就好了。这样能减少数据干扰，更容易得出结论（如下图）。

相关系数低：比如播放次数和人均时长，不见得高度相关。很有可能有的视频太过标题党，标题太刺激，配图很色诱，把玩家骗进来结果发现货不对板。如果出现两个指标相关度低，就能用矩阵分析法，把视频分类（如下图）。

经过这一步梳理以后，就能对两个指标情况做出判断。理论上播放次数越高越好，但人均时长不能低于一定水平，或者10%跳出用户比例不能超过一定水平，这样就能对每一期视频进行评价。有了评价，就能做出进一步分析。

从多指标到原因解读

评价了好/坏，就能进一步分析：为什么好、为什么坏。到这一步，就会发现，现有数据指标的问题：虽然看似一堆指标，可都是结果性指标。并不能直接从指标里推出：到底为啥用户喜欢看。这时优先考虑的是：补充数据，看看添加哪些数据能解释清楚问题。

首先想到的是视频本身的数据，视频本身可以有多种标签：