基于这个指标的策略效果更好

七月 关注 已关注

关键绩效指标

关键绩效指标(KPI, Key Performance Indicator)是通过对组织内部流程的输入端、输出端的关键参数进行设置、取样、计算、分析，衡量流程绩效的一种目标式量化管理指标，是把企业的战略目标分解为可操作的工作目标的工具，是企业绩效管理的基础。KPI可以是部门主管明确部门的主要责任，并以此为基础，明确部门人员的业绩衡量指标。建立明确的切实可行的KPI体系，是做好绩效管理的关键。关键绩效指标是用于衡量工作人员工作绩效表现的量化指标，是绩效计划的重要组成部分。

KPA（Key Process Area)意为关键过程领域，这些关键过程领域指出了企业需要集中力量改进和解决问题的过程。同时，这些关键过程领域指明了为了要达到该能力成熟度等级所需要解决的具体问题。每个KPA都明确地列出一个或多个的目标（Goal），并且指明了一组相关联的关键实践（Key Practices）。实施这些关键实践就能实现这个关键过程域的目标，从而达到增加过程能力的效果。KRA（Key Result Areas）意为关键结果领域，它是为实现企业整体目标、不可或缺的、必须取得满意结果的领域，是企业关键成功要素的聚集地。

关键绩效指标 理论基础

关键绩效指标 假设前提

关键绩效指标 考核目的

关键绩效指标 指标产生

关键绩效指标 指标来源

关键绩效指标 指标构成

关键绩效指标 主要特点

关键绩效指标 用途

关键绩效指标 效果

关键绩效指标 要点

关键绩效指标 特征

关键绩效指标 原则

一般来说，指标指的是从哪些方面来对工作进行衡量或评价；而标准指的是在各个指标上分别应该达到什么样的水平。指标解决的是我们需要评价“什么” 的问题，标准解决的是要求被评价者做得“怎样”、完成“多少” 的问题。

关键绩效指标 设计思路

关键绩效指标 鱼骨图分析法

关键绩效指标 工作量化

关键绩效指标 PDCA循环

关键绩效指标 支持环境

关键绩效指标 目标制定

关键绩效指标 设计误区

具体原则的本意是指绩效考核要切中特定的工作指标，不能笼统。但是，不少设计者理解成指标不能笼统的话，就应尽量细化。然而，过分细化的指标可能导致指标不能成为影响企业价值创造的关键驱动因素。比如，天津某化工原料制造企业在其原来的 KPI考核系统里，对办公室平日负责办公用品发放的文员也设定了一个考核指标：“办公用品发放态度”，相关人员对这一指标的解释是，为了取得员工的理解以便操作，对每个员工的工作都设定了指标，并对每个指标都进行了细化，力求达到具体可行。而实际上，这个“办公用品发放态度”指标尽管可以用来衡量文员的工作效果，但它对企业的价值创造并非是“关键” 的。因此，将该指标纳入KPI系统是不合适的。

可实现原则是指绩效指标在付出努力的情况下可以实现，要避免设立过高或过低的目标。由于过高的目标可能导致员工和企业无论怎样努力都无法完成，这样指标就形同虚设，没有任何意义；而过低的目标设置又起不到激励作用，因此，KPI系统的设计者为避免目标设置的两极化，往往都趋于“中庸”，通常爱选择均值作为指标。但是，并非所有“中庸”的目标都是合适的，指标的选择需要与行业的成长性、企业的成长性及产品的生命周期结合起来考虑。比如，厦门某软件公司是一个成长型企业，2003年的销售收入是800万元。在制定2004年KPI 体系时，对于销售收入这一指标的确定，最初是定在1980万元。咨询公司介入KPI体系设计后，指出这一目标定得太高，很难实现，会丧失激励作用。而后，该企业又通过市场调查，重新估算了2004年的销售收入，认为应在900万元至1300万元之间，并准备将两者的平均数1 100万元作为KPI考核指标。咨询公司在综合各方面因素，尤其是分析了公司的成长性后提出，1100万元这个看似“中庸”的目标对一个处在成长阶段的公司来说尽管高于上一年的销售收入，但与通过积极努力可以实现的1300万元相比，激励仍显不足。咨询公司建议选择1300万元作为KPI 指标，该指标是在企业现有实力下，员工们经过努力，而且是巨大的努力可以实现的。因此，对于可实现这一原则的理解，指标不仅要可以实现，还必须是经过巨大努力才可以实现的，这样考核才可以起到激励作用。

问题二：极端值的处理

因为用户的行为千奇百怪，为了减小方差提高估计效率，我们一般会对结果里面的极端值进行处理（要么直接移除出数据集，要么给其一个上下限，即 capping）。这样的处理亦可以保证中心极限定理收敛——互联网的用户行为数据多呈现重尾分布（heavy-tail distribution）， 即超越了指数分布的界限（此处沿用wiki上重尾分布的定义），此时中心极限定理及bootstrap都会可能失效。如果我们不去衡量尾部，那么人为的给一个上下界就是保证一二阶矩存在的简单处理办法。

问题三：用户行为的时间自相关

总结：如何定义观测数据集

总结：如何定义指标

总结：如何控制极端值。

总结：如何控制时间自相关。

显然，如童鞋e所言，这样的t检验难逃问题三提到的用户的自相关问题。由于自相关影响的主要是方差而不是均值，所以我们可以加总到用户级别再计算方差。如果一个用户买了多件商品，我们可以加总该用户的总花费、以及购买的商品的总数量这两个指标。从而，对于他而言，加权平均的商品价格实际上就是 总花费/总购买量。这样，商品价格就变成了其他两个指标的商，可以理解为一个广义的比率指标（ratio metrics，简单的如转化率等），亦可以重写为加权平均数。

对于比率指标，平均效应可以直接计算，而其方差的估计没有显式解，一般通过泰勒展开的到delta method的近似解…（参见：TaylorAppDeltaMethod.pdf ，第六页第二个公式）。

1. 什么都不做…（也算是一个基准值吧）。
2. 平均价格受单一商品极端价格的影响，所以我们应该对单一商品的价格设置上限（下限反正是0），然后加总到用户级别。
3. 极端值的来源是极端的用户，所以加总到用户级别之后，对于销量和销售额设置上限，然后直接算平均效应、用delta method来算方差。
4. 用户可能有些购买行为是不受实验影响的（比如他总要买那100块橡皮），但是他买其他东西可能就是受实验影响的（比如他还买了一个200块的计算器）。我们要担心的是对单一商品的大宗购买，而不是其他来源于同一用户的购买。所以可以在商品级别对销量设上限，然后再加总到用户级别。
5. 我们可以把平均商品价格视为一个加权平均数（商品价格用销量来加权），所以对于某一用户如果他的平均价格很高的话，那么我们只需要对他进行降权就可以了。所以我们应该计算每个顾客的平均价格和购买量，然后对商品价格和购买量设上限，然后再计算平均效应和方差。

对于各种极端值处理的微妙办法，园主只能说用数据说话了。取决于数据生成过程（data generating process），上面的各个方法其实可能相互等价。

下一期，园主会介绍一个基于排序的统计检验——Wilcoxon rank-sum test。它可以和t-test相互补充，帮助我们查缺补漏。

利用用户本身的信息进行分组（或分层, stratification）

多重比较问题 （multi-comparison） 当我们由多个衡量指标的时候，就会可能存在多重比较问题。但是各个指标之间可能并不相互独立。比如在此例中，如果我们同时做销量、销售额和均价价格的t检验，我们需要调整p-vaue吗？

相对效应与绝对效应 (relative effect，我们常称之为lift） 简单的来说，绝对效应就是实验组和对照组绝对的差值，而相对效应就是实验组相较于对照组提升的百分比。这两者的估计并不尽然相同。

版权声明：本文参考作者首发于 eBay Techblog 的 Significance Test for Ratio 基于这个指标的策略效果更好 Metrics 基于这个指标的策略效果更好 in Experiments 一文，并在翻译的过程中进行了适当内容扩展以易于阅读。英文版权属于eBay Techblog所有，中文版权归译者。

基于这个指标的策略效果更好

对于企业而言，实现营销数字化转型的核心是数据，其中有两个要点：第一，企业必须拥有足够量级的一方数据，第二是数据要应用于业务侧，而非只是用于分析洞察，仅停留在数据表面，成为数据库。

对内提升经营效率：通过全渠道数据分析，辅助企业制定更为科学的经营决策，例如销售预测、商品分析、供应链赋能等细分场景；

对外提升营销效果：构建用户标签画像以实现分层精准运营，有效提升营销运营的效果，增加粘性创造增长，例如会员权益、复购分析、成长路径分析等细分场景。

这也就要求着企业在构建One-ID体系下，根据业务增长目标和用户运营场景，进行包括前后链路数据，业务系统与运营系统数据的数据指标体系规划。创略科技认为，数据指标体系是实现数据驱动决策的“指南针”。

一、数据指标体系是什么？

业务目标：明确业务目标是实现数据驱动的核心。往往业务目标是基于公司、业务、产品等多维度拟定，如提升GMV、盘活沉睡会员、用户日活量等依托于现阶段发展现状的核心价值。

业务过程：业务目标是最终企业希望达到的效果，为实现这一目标则会有一系列的业务流程与策略。以提升GMV为例，用户的常见购买流程多以浏览-注册-下单-支付-复购-裂变，为提升GMV企业则需要关注用户数、转化率以及客单价，为此需要梳理用户全渠道生命旅程，基于消费者核心运营链路（消费生命周期、会员运营周期、互动生命周期、产品消费周期等）展开策略设计。

业务要素：支撑业务过程的则为关键业务要素，如以会员运营周期为例，其业务要素即为未入会率、等级和贡献度变化、付费和VIP会员、会员激活率等。

二、数据指标有什么注意事项？

数据质量和数据标准：数据标签度量效果对数据样本数以及数据质量，有着强依赖性。为此，企业需要明确数据标准化梳理需求、新增维度需求等，并将数据进行科学治理确保数据价值及数据唯一性治理；

业务在线化建设：由于部分企业尚未构建完整的在线化流程，使得执行和过程管理数据在线化缺失，并且目标管理大多依赖于手工管理，进度监控较难。企业需完善在线化能力，确保数据及流程记录在案，并利用数字化能力提高管理效率以及效果；

业务规则和制度优化：多数企业拥有线上线下多渠道，但往往不同渠道对业务的理解，对权益的制定并不相同，这导致数据指标的衡量标准参差不齐、效果大打折扣。企业需要推动全渠道会员权益、业务理解统一化发展，并对类似于异常会员判定、监管机制等制度标准化完善，形成统一标准；

数据应用体系缺失：数据指标体系只是数据应用的一环，其中还包括标签体系构建、分层分群策略、数据模型应用等多个环节，所以企业仍同步完善基于标签体系的消费者运营体系、私域裂变链路等维度，确保可以环环相扣。

基于这个指标的策略效果更好

【干货】内容营销该如何进行效果的衡量？看哪个指标最重要？

七月 关注 已关注

1年前我在知乎上回答了一个问题「内容营销该如何进行效果的衡量？」，1年后重新思考这个问题，本文展开说说，分为理念回顾、Why为什么看、What看什么、Where 从哪看、How 怎么评估几部分（其中Where和How以知乎举例）。

一、理念回顾

内容营销ROI=（内容实时转化率*内容转化客单价*潜在客户系数*时间周期系数）/（内容生产成本+内容流通成本）

• 「内容实时转化率*内容转化客单价」是短期收益，和传统信息流广告一样是可以快速验证的。
• 「潜在客户系数」是指因为内容影响可能产生的延迟转化和流量溢出（即所谓的种草价值，这部分转化会拉长时间周期或产生在电商平台内的自然搜索，参考如何合理评估内容型媒体的种草带货价值等历史文章）
• 「时间生命周期」是指内容生命周期的加成系数，不同媒体会不一样，总得来说长图文＞中视频＞短图文＞短视频；公域媒体＞私域媒体。

P（内容预期收益）=短期收益+P长期收益=内容投入*f（内容媒介、媒体平台、内容属性、账号属性、转化路径各因素等）

二、Why为什么看

三、What看什么

视频权重=硬币*0.4+收藏*0.3+弹幕*0.4+评论*0.4+播放*0.25+点赞*0.4+分享*0.6最新视频(一天内发布)提权【总值*1.5】

四、Where从哪看

五、How怎么评估

收藏率＞插件点击率＞点赞率，而用户完读率呈现微弱的负相关。

• 收藏率代表着干货程度，对内容质量「获得感」有着很强的相关性。知乎是个冷静场，不是短视频、直播那种冲动场，所以能让用户收藏下来想想的内容综合转化力也更强。
• 而插件点击率代表着导流的效率，是最直接的短期指标，很多优化师投放时就是实时看插件点击成本、隔日核对后端ROI，所以插件点击率也会影响到预算分配。
• 点赞率的相关性并不高，因为商业内容的目的不是要获得内容本身的认同而是内容推荐的产品或服务的认同，所以要么影响了心智（收藏）、要么影响了行为（点插件）更有价值，只影响情绪（赞同）是价值相对较低的。
• 完读率这个指标，就像短视频的完播率、直播的用户停留时长一样，似乎代表着用户的沉浸感，但影响完读率的最大因素其实是内容长度，内容越长完读率越低（这和用户耐心有关，很好理解）。从内容质量来说长内容整体比短内容好，所以完读率高并不代表好内容、可能就是单纯地一滑就看完了……完读率低也不代表差内容，可能是还没看完就成功把用户转化了（跳到私域场景或者电商平台了）。

• 高相关性排序：插件点击率、喜欢率、收藏率（数值差距不大）
• 低相关性排序：点赞率（和经验接近，依然是那个神奇的比例，相关性只有收藏率的1/3左右）、分享率很低（基本可忽略，可能是商业内容的分享行为太少了）
• 负相关性：内容点击率。

我又看了互动指标间的相关性，与短期实时指标「插件点击率」相关性最高的是收藏率和分享率、其他指标都是负相关。因为喜欢指标的结论互斥、分享指标的低样本量，唯一和长期指标（消耗）、短期指标（插件点击）都呈现出高度正相关性的指标就是预期内的——「收藏率」。