# 11. 数据与指标体系

这一章讲指标怎么搭、怎么看、怎么防止自己骗自己。指标不是越多越好，关键是先想清楚要回答什么问题，再选少数几个能反映真实变化的量，并警惕被指标牵着走。

条目按从最基础到进阶排列。

---

### 1. 北极星指标
- 定义：北极星指标是整个产品在当前阶段最该盯的单一指标，它同时反映用户获得的真实价值和产品的长期方向。
- 说人话：它不是最赚钱的那个数字，而是「用户越用越离不开」的量，比如内容产品的每日阅读时长。
- 什么时候用：团队各自盯不同数字、方向感混乱时，用一个北极星让所有人对齐。
- 常见误区：把收入或注册量直接当北极星，容易引导团队走捷径；它应是先行指标，而不是最终结果。
- 证据等级：B
- 来源：行业通行做法（North Star Metric，北极星指标）

### 2. OMTM（唯一重要指标）
- 定义：OMTM（One Metric That Matters）指在某个阶段只挑一个最重要的指标来驱动决策，其余都作为参考。
- 说人话：早期产品先只想一件事，比如「有多少人愿意回来用第二次」，这一个数对了再谈别的。
- 什么时候用：资源极少、必须聚焦的早期阶段，或某个关键问题尚未解决时。
- 常见误区：把 OMTM 当长期目标，忘了它要随阶段更换；或借口「只能有一个」而不看护栏，把别处弄坏了。
- 证据等级：B
- 来源：Alistair Croll & Benjamin Yoskovitz《精益数据分析》

### 3. 指标体系分层
- 定义：把指标按层级组织：北极星在最上，其下是一级结果指标，再往下是二级与过程指标，下层用来解释上层的变动。
- 说人话：留存掉了，就往下一层层看是哪一步漏了——是新用户没被激活，还是老用户来得少了；上层看结果，下层找原因。
- 什么时候用：指标一多就乱、看数找不着原因时，用它理清「结果—原因」的对应关系。
- 常见误区：把几十个指标平铺罗列，没有层级，看到下降也定位不到源头；上下层指标混为一谈。
- 证据等级：C
- 来源：行业通行做法（指标树 / 指标体系分层）

### 4. 漏斗分析
- 定义：漏斗分析把一个流程拆成若干有先后的步骤，看每一步有多少人进入、有多少人在下一步流失。
- 说人话：比如一百个人打开首页，六十人点进商品，最后十人下单——哪一步掉得最狠，问题多半就在那里。
- 什么时候用：注册、下单、发布这类有明确步骤的路径，想定位流失环节时。
- 常见误区：只看整体转化率不看分步，就找不到卡点；步骤划分不合理，把本该分开的环节塞进一个漏斗。
- 证据等级：C
- 来源：行业通行做法（漏斗分析 / Funnel Analysis）

### 5. 留存曲线
- 定义：留存曲线把每一批新用户按注册后第 N 天是否回来画成曲线，反映产品让用户持续回访的能力。
- 说人话：曲线一直往下掉，说明留不住人；掉到某个水平之后走平，说明已经有一批用户养成了习惯。
- 什么时候用：判断产品是否真的创造了价值，以及新版本有没有改善长期粘性时。
- 常见误区：只用「次日留存」一个点下结论；把不同渠道、不同批次的用户混在一起算，掩盖真实差异。
- 证据等级：B
- 来源：行业通行做法（留存曲线 / Retention Curve）

### 6. 同期群分析
- 定义：同期群分析把用户按加入时间或渠道等特征分组，逐组比较同一生命周期阶段的表现，避免新老用户被混算。
- 说人话：把一月、二月进来的用户分开看他们第 7 天留存，才能判断是产品真变好了，还是用户构成在变化。
- 什么时候用：整体指标波动、怀疑是用户结构变化而非产品本身变化造成时。
- 常见误区：只看全量平均，忽略新老结构的变化，容易得出「产品在退步」的错误结论（见第 12 章第 7 条）。
- 证据等级：B
- 来源：行业通行做法（同期群 / Cohort Analysis）

### 7. AARRR 与 HEART 两套框架
- 定义：AARRR（获取、激活、留存、收入、推荐）按用户旅程组织增长指标；HEART（愉悦、参与、接受、留存、任务成功）按体验维度组织指标。
- 说人话：想盯增长就看 AARRR，想盯体验好不好就看 HEART；两套框架回答的问题不一样，别混着用。
- 什么时候用：从零搭指标、不知道从哪里切入时，用框架当清单来查漏。
- 常见误区：把框架当成标准答案，硬凑出五个维度；AARRR 偏增长漏斗，用它衡量体验会丢掉东西。
- 证据等级：B
- 来源：Dave McClure（AARRR）；Google（HEART 框架）

### 8. 埋点设计与数据质量
- 定义：埋点是数据采集点，埋点设计要保证每个指标口径唯一、可追溯；数据质量看口径是否一致、有没有重复和丢数。
- 说人话：同一个「活跃」在三个报表里定义都不一样，开会就得先吵定义；埋点漏了，指标再漂亮也是错的。
- 什么时候用：新功能要采集数据，或不同报表数字对不上、怀疑数据有误时。
- 常见误区：先开发后补埋点，导致口径混乱；指标涨跌先去归因业务，却没想过可能是埋点改版或丢数造成的。
- 证据等级：C
- 来源：行业通行做法（埋点规范与数据质量）

### 9. 归因模型及其局限
- 定义：归因模型把一次转化（如成交）的功劳分配给用户此前接触过的若干渠道，常见有末次点击、首次点击、线性、时间衰减等。
- 说人话：一个人先看到广告、又搜了关键词才下单，这笔功劳该算给谁？不同分法会得出完全不同的渠道结论。
- 什么时候用：要评估渠道贡献、分配投放预算时，先明确用哪种归因、它偏向哪些渠道。
- 常见误区：把某一种归因当真值；末次点击会高估效果广告、低估品牌和自然流量，据此砍预算可能砍错。
- 证据等级：C
- 来源：行业通行做法（多触点归因）

### 10. Goodhart 定律与指标作弊
- 定义：Goodhart 定律指当某个指标被当作目标来追求时，它就不再是好的指标；团队会去优化这个数本身，而不是它本想反映的价值。
- 说人话：考核「客服通话时长」，客服就会急着挂电话；考核「日活」，就有人靠弹窗和推送硬拉。
- 什么时候用：把某个指标写进考核，或发现数字涨了但业务感觉没变好时，回头查有没有人在钻指标的空子。
- 常见误区：只加指标不查机制，被人找到漏洞刷数；误以为指标本身就能自动代表真实价值。
- 证据等级：B
- 来源：Charles Goodhart（Goodhart 定律）

### 11. 一次性指标与长期指标的冲突
- 定义：一次性指标反映单次动作（下载、注册、首单），长期指标反映持续价值（留存、复购、生命周期价值），两者常常此消彼长。
- 说人话：补贴能立刻拉高注册数，却把不爱用的人也拉进来，长期留存反而更差，账面好看、实质变坏。
- 什么时候用：制定短期目标、设计激励或投放时，同步看长期指标，防止用一次性的好看换长期的坏账。
- 常见误区：只盯短期数字向上升报，长期指标恶化却无人负责；把一次性的高峰当成产品变好的证据。
- 证据等级：C
- 来源：行业通行做法（短期与长期指标权衡）