一、整体数据指标
不少人可能会听说过北极星指标这个名词，下图是一些知名互联网产品的北极星指标。
但它其实是一个思考的结果，如果换了一个我们不太熟悉的业务，我们还能够思考并得出来正确的结论么？
于是我把问题回退一步，从用户需求和产品价值的角度来进行思考，也就是下面这几个问题：Why：用户为什么要用，产品提供的核心价值是什么；What：产品是怎么满足需求的，提供的解决方案是什么；How：需求是如何一步步被满足的。
Why是产品定位要解决的问题，也就是最初想要解决什么问题，能够创造什么价值。
What是提供的解决方案，同样的问题，解决方案可能是不同的，比如同样是信息平台，推荐机制和订阅机制就是不同的方案。
How指的就是用户为了获取到产品的核心价值，需要做什么事情，具体来说又细分了两部分。用户价值的获取路径：用户如何获取到产品价值的，需要做什么事情；产品价值的交付路径：为了满足用户价值，我们需要做的事情。
当我们把这些东西想清楚之后，是能够推演出来产品核心数据指标是什么的，除此之外还会有很多关联数据指标，下面我们以淘宝为例来看下。
Why：最开始用淘宝是因为能够在上面买到很多便宜的东西，也就是多快好省中的多和省；
What：淘宝是一个交易电商交易平台，商家发布东西，用户在上面购买；
How：我们从用户价值获取和产品价值交付来分别看下。用户价值获取：发现商品》浏览详情》卖家沟通》确认交易》支付》卖家发货》物流配送》收到商品；产品价值交付：邀请商家入驻》商家发布商品》给用户展示商品》买家沟通》收到订单》发货》物流配送》用户收到商品》收到货款。
上面只是主流程，还有很多分支流程这里就不展开了，比如退换货、客诉处理等。
从上面的需求满足过程，我们至少可以得到这几方面的数据指标：卖家指标：卖家数量、发布的商品种类、数量；买家指标：买家人数、成交率、成交额、复购率；服务类指标：沟通情况、沟通转交易情况、购买-发货时间、发货-收货时间、投诉情况等。
然后结合着产品所在的阶段，选择合适的1个或者几个指标作为阶段性的重点。
在《首席增长官》这本书里面有关于选择北极星指标的一些标准，这里借鉴一下：
在我们熟知的北极星指标之外，想提一下另外一个指标，叫做护栏指标，来源于李迎的一次分享。
护栏指标指的是北极星指标增长的同时，不能降低的指标。
常见的如收入与毛利率，当我们冲刺收入的时候，可能会采取一些营销甚至打折的手段，这个时候对最终的利润其实会有影响的，而我们最终要的其实不仅仅是收入，还有利润。
所以这个时候北极星指标可能就变成XX指标提升的同时，XX指标不变，或者是XX指标提升的同时，XX指标不低于XX。
实际工作中有机会接触甚至定义整体数据指标的机会很少，上线一个新功能模块或者对一些已有的功能模块修修补补才是常态，我们就来看看局部数据指标吧。
二、局部数据指标
这部分内容，主要基于个人的两点认知：产品价值主要的实现方式是让更多用户，更高频的使用产品的核心功能；产品价值，追求的是整体最优，而不是局部最优。
先说第1点，用户Get到产品核心价值的方式其实就是完成产品的核心行为，比如支付宝的支付、网易云的听歌、淘宝的购物，这些都是产品最核心的行为，其他都是在此基础上衍生出来的。
按照对核心行为的影响程度，产品的功能模块可以划分为核心行为，支撑行为和其他行为，在核心行为中按照影响权重又可以进一步细分。
在产品使用场景和业务范围没有拓展的前提下，我们做的所有的东西其实都是想让更多用户，更高频的使用产品的核心功能。
再说第2点，不少公司可能会按照业务或者功能模块来划分组织架构，表面上是一个App，实际上相邻的两个页面可能就是两个不同团队做的。
这种情况下很可能出现A功能数据涨了，B功能数据却跌了，或者是A、B数据都涨了，整体却跌了，这些其实都不是我们想要的，我们想要的是整体最优，而不是局部最优。
整体最优，其实就是我们上面提到的北极星指标，那衡量局部功能至少就有2个维度了，功能本身的表现情况，以及对北极星指标的影响情况。
这部分会从定量和定性分析这2个角度来展开。
1. 定量分析
首先思考方式和全局数据指标是一样的，Why》What》How：Why：用户为什么要用这个功能；What：功能是怎么满足需求的，有哪些流程，涉及到哪些功能模块；How：用户是怎么一步步使用这个功能的，不同用户之间有什么差异。
其次是基于思考的东西，来确定的一些数据指标：一级指标：对整体指标的影响；二级指标：功能本身的表现，关联的影响；三级指标：细分数据 。
一级指标主要指的是对整体数据的影响，也就是对北极星指标的影响，有没有影响，是正向还是负向？
二级指标主要指功能本身的表现，以及可能会对其他关联功能模块造成的影响，毕竟我们追求的是全局最优。
功能本身的表现可以从功能本身以及对大盘的影响这两个维度来看：功能本身：使用人数、频次、转化率等；大盘影响：覆盖率、渗透率等。
比如你做了个功能数据表现很好，但只占到了DAU的1%，那功能表现到底算不算好呢，覆盖率上去的情况下，数据表现还会不会接着好呢？
关联影响主要指的是对其他功能模块的影响，比如你最近新上线了新用户X天免广告功能，大概率新用户留存会提升。
但是新用户不展示广告肯定会导致广告收入降低，降低的广告收入和新用户留存增长之间的ROI是否为正，以及X天是否就是最合适的天数，能不能再短一些？
三级指标主要指功能本身的细分表现，常见的细分维度有这些：自然属性：性别、年龄、地域；终端属性：终端、系统、版本；行为属性：渠道来源、新老用户、用户行为等。
我们看局部的数据指标的时候，除了看本身和细分的数据，千万千万不要忘记看关联模块，以及对大盘的影响。
局部数据指标再好，对其他数据指标有负向影响，或者是对大盘指标没啥作用，也不能称之为好。
2. 定性分析
有时候我们可能陷在定量的数据分析里面了，一直在看各种数据，但回过头来看，这个东西真的有必要么，有多大价值？有没有可能最开始方向就错了？
我理解的定性分析其实应该是在决策做不做之前就需要想清楚的事情，做这个东西的目的到底是什么，对用户、对产品、对业务的价值是什么。
在目标和方向不清晰的情况下，数据只是为了辅助决策，证实或者证伪猜想。
比如同样是短视频，微博的短视频和网易云的短视频有什么不同么？大家都在往App里面加直播模块，我们要不要加？
三、最后
简单总结下全文，我们制定整体和局部核心指标的时候可以从这几个问题着手：Why：用户为什么要用，产品提供的核心价值是什么；What：产品是怎么满足需求的，提供的解决方案是什么；How：需求是如何一步步被满足的。
在定义局部指标的时候要先想清楚目标和价值，然后再来关注不同级别的指标：一级指标：对整体指标的影响；二级指标：功能本身的表现，关联的影响；三级指标：细分数据。
以上，就是本文的主要内容，欢迎斧正、指点、拍砖。
