一提到数据指标体系，很多人喜欢背诵AARRR、RFM一类。可真到工作中，会经常发现很难满足业务需要。比如前几天就有同学在星球提问：用户流失该如何搭建指标体系？
起因是：某公司定义了用户流失率指标是“连续三个月不消费”，可业务看到这个指标却很懵：
1、知道了用户流失率是30%，所以呢？能干什么？
2、知道了用户流失要召回，可召回划算吗，值不值得干？
3、为啥一定要等到用户流失了才干活？不能早干点事吗？
因此，想让数据部门帮忙建立一个用户流失指标体系，全面反映问题，辅助业务决策。那该怎么办呢？想要搭建一个业务用得起来的指标体系，需要考虑三个流程：业务流、管理流、数据流，下边一个个看一下。
第一步：梳理业务流
梳理业务流，即搞清楚业务上需要分几步达成目标。有些业务流程是很清晰的，比如销售流程，就是一个大转化漏斗；比如客服流程，根据客户需要，分类处理问题。业务流程是数据指标的基础（如下图）：
图片
在本文流失分析场景中，面临的第一个挑战是：业务流程不清晰。业务方自己也不知道可以干啥，此时肯定不知道该看哪些指标。
对用户流失而言，常见的措施有：
1、事前预防：当用户出现投诉/退货，及时安抚
2、事前预防：当用户消费一个月比一个月少，及时激励
3、事前预防：当用户1个月/2个月未消费（此时尚未达流失标准）进行刺激
4、事后补救：利用优惠活动/新品上市/爆款产品等进行召回，尝试重新激活
可以先列出清单，然后让业务选：希望从哪个方向下手。注意！业务方很有可能说：“我们不了解情况，暂时选不出来”。那么下一步，可以先把这几种情况对应的数据捞出来，让业务方看清楚大局再行动：
图片
第二步：梳理管理流
梳理管理流，即搞清楚管理层到底希望业务想做成啥效果。注意！即使业务流程很清晰，业务的目标也有可能是多元化的。
比如销售流程，有可能有好几种考核方法：
1、只考核销售额
2、销售额+毛利
3、销售额+毛利+回款
4、销售额+特定产品销量
不同考核方式，决定了指标体系的主指标不同，当然会影响考察哪些子指标。因此搞清楚管理层意图很重要。
图片
在本文流失分析场景中，面临的第二个挑战是：业务方也不明确到底要做成啥样。所以才会发问：“到底值不值得做”“到底该不该做”。
此时，可以做一些辅助工作：
1、这些用户流失前的贡献有多大 → 理论上流失前贡献越大，越应该召回
2、这些用户处于流失状态多久 → 理论上流失状态越短，越容易召回
3、这些用户有没有自然回流的迹象→ 理论上有回流迹象，越容易召回
可以先把数据梳理出来，让业务方看一看找找感觉，这样容易定出目标了。
图片
帮业务方定一下目标是很重要的。因为不同难度的目标，意味着采取的手段不一样，软绵绵的业务手段也不会起到效果。比如召回流失用户，如果就孤零零地发条短信，啥好处都不给，那用户愿意傻乎乎回来消费就见鬼了。
此时业务让你“深入分析下，为啥召回没用”，有啥好分析的！作为用户，你看到一条短信就乐呵乐呵地给企业送银子呀！换你你也不会。
如果前期实在定不下来目标，可以预留一段时间做观察期。比如留仨月时间，留一笔预算，测试一下不同召回手段的效果，了解下在一定预算支持下，能实现的效果是啥。这样有了测试数据支持，后边再落实目标就容易了。
第三步：梳理数据流
梳理数据流，即明确业务的目标是否已量化记录，业务的操作流程是否已量化记录。这一步是确保前两步梳理的内容，能落地成数据表报，而不是悬在空中。考察的是数据采集的功夫。
比如销售流程，传统企业的最大问题就是数字化能力不行，除了最后一步的签约合同，之前啥过程数据都没有，这不就歇菜了，还建啥指标体系，指导啥业务工作呀。
回到用户流失的例子，除了流失用户人数这个孤零零指标外，上述两步梳理的内容，最好都有记录（如下图）:
图片
注意！数据指标体系不止有指标，标签也很重要：
1、流失前用户消费：高消费、中消费、低消费
2、流失前用户偏好：品类偏好/优惠偏好
3、流失前用户状态：有投诉、无投诉
4、对召回行为的响应：有响应、无响应
5、召回用户素材：优惠类、新品类、换季类
6、召回用户优惠力度：高、中、低
这些都需要打好标签，才能方便后续的深入分析。当需要解释：“为什么召回效果不好？““为什么流失增多”这些问题时，直接利用标签对比，就能得出初步答案，从而极大提高数据指标体系的可用性。
理想的效果
理想状态下，一个好的数据指标体系，可以指导业务实现工作闭环，用通俗的话说，是：我想干什么→我要针对谁干→我要怎么干→我干成了没有，全流程都有数据监控。这样在数据的指导下，业务方不断具体到用户流失案例，整个指标体系如下图运作：
图片
这样就不是一个孤零零“流失率35%”的指标，而是可以按图索骥，找到解决问题的思路，追踪效果，可以说能实现用数据驱动业务了。
