在产品运营中，数据指标是衡量产品健康度的重要工具。但面对繁多的指标，很多人常常犯怵：到底哪些指标才是关键？不同业务阶段又该如何取舍？

这篇文章想探讨一个根本问题：如何从业务逻辑出发，系统性地找到产品的核心数据指标。

整体数据指标



先说整体数据指标。这是从产品全局乃至整个业务的高度来审视指标。

北极星指标这个概念在互联网圈被广泛讨论，但更重要的是推导它的思维方式。面对一个陌生业务时，怎样才能找到正确的核心指标？

我习惯从用户需求和产品价值的角度来拆解，用三个问题梳理：

WHY：产品提供的核心价值是什么？这是产品定位的根本，决定了产品最初要解决什么问题、创造什么价值。

WHAT：如何满足需求，提供什么解决方案？同样的问题可以有不同的解题思路，比如同样是信息平台，推荐机制和订阅机制就是两种截然不同的方案。

HOW：用户如何一步步获得产品价值？这条路径可以进一步拆成两条线——用户价值获取路径和产品价值交付路径。前者回答用户需要做什么才能获得产品价值，后者说明产品方需要完成哪些工作来交付价值。

把这三个问题想清楚，核心数据指标自然就浮现了，围绕它的关联指标也会变得清晰。

拿淘宝来说。WHY层面，早期用户选择淘宝的核心原因是能买到性价比高的商品，核心关键词是“多快好省”中的“多”和“省”。WHAT层面，淘宝作为电商交易平台，连接商家与买家。HOW层面，从用户价值获取看，用户需要经历发现商品、浏览详情、咨询沟通、确认交易、卖家发货、物流配送、收到商品这些环节；从产品价值交付看，平台需要完成招商入驻、商品发布、商品展示、买家咨询、订单确认、物流配送、用户收货、款项到账等步骤。这还只是主流程，像退换货、客户服务这些分支流程同样需要关注。

基于上述需求满足过程，可以提炼出几类核心数据：卖方维度包括商家数量、发布商品品类和数量；买方维度包括买家人数、成交转化率、成交额、复购率；服务维度包括咨询响应速度、成交到发货时长、物流时效、投诉处理等。



产品所处的不同阶段会决定这些指标的优先级。在《首席增长官》一书中，选取北极星指标有几个参考标准：是否体现产品核心价值、能否反映用户活跃度、指标变好是否意味着整体向好、团队是否容易理解和沟通、是先导指标还是滞后指标、是否具备可操作性。

除了北极星指标，还有一种常被忽视但同样重要的指标类型——护栏指标。这是李颖提出的概念，指的是追求北极星指标提升时，不能因之而下降的底线指标。比如收入和毛利率，当冲刺收入时采取的营销折扣手段可能会侵蚀利润，最终目标不仅是收入增长，更要兼顾盈利能力。因此常见的指标设定逻辑会表述为“在XX指标提升的同时，YY指标保持不下降”。

局部数据指标

说完整体指标，再看局部数据指标。在实际工作中，大多数人日常接触更多的其实是局部数据指标——启动新功能模块、优化现有功能是常态，这就需要建立局部数据的评估体系。

理解局部数据指标之前，需要建立两个基本认知：产品价值的实现路径是让更多用户更频繁地使用核心功能；同时要追求整体最优而非局部最优。



先看第一点。用户获得产品核心价值的方式是完成产品的核心行为，支付宝的支付、云音乐听歌、淘宝购物都是各自产品的核心行为，其他功能都建立在这个基础之上。根据对核心行为的影响程度，产品功能可以分为核心行为相关、支持行为相关和其他行为。在不扩展产品使用场景的前提下，所有工作其实都是在围绕“让更多用户更频繁地使用核心功能”这一目标展开。

再看第二点。很多公司按业务或功能模块划分组织结构，一个App中相邻页面可能由不同团队负责。这种情况下可能出现A功能数据上涨、B功能数据下降，或者A和B数据都上涨但整体反而下滑。这些都不是理想状态，我们需要的是整体最优，而非局部最优。

评估局部功能时，至少要从两个维度衡量：功能本身的性能，以及功能对北极星指标的影响。

定量分析的方法论与整体指标类似，也是从WHY、WHAT、HOW三个问题出发。WHY解决这个功能为什么会被用户使用；WHAT说明功能如何满足需求、包含哪些流程和模块；HOW描述用户逐步使用功能的过程，以及不同用户群体之间的差异。



在此基础上，可以将数据指标分为三个层级：

一级指标衡量对整体指标的影响，即该功能对北极星指标的贡献是正向还是负向。

二级指标评估功能本身的性能，以及对其他相关功能模块的影响。功能本身的表现可以从两个维度来看：功能层面包括用户量、使用频率、转化率等；市场层面包括覆盖率、渗透率等。需要警惕的是做一个数据表现很好的功能，但只占总DAU的1%，当覆盖率提升后数据是否还能持续增长。相关影响则是指对其他模块的连带效应，比如新用户免费X天会员功能确实提升了新用户留存，但新用户无法贡献广告收入，需要评估这之间的ROI是否合理，X天是否是最佳时长。

三级指标是功能本身的细分数据，常见维度包括自然属性（性别、年龄、地域）、终端属性（设备、操作系统、版本）、行为属性（渠道来源、新老用户、用户行为路径等）。

看局部数据时，除了关注自身数据和细分表现，不能忽略对相关模块和市场整体的影响。一个局部指标即便看起来很漂亮，如果对其他指标产生负面冲击，或者对市场指标没有任何贡献，也不能称之为好。

除了定量分析，定性思考同样重要。避免陷入数据分析中不可自拔，有时候需要退后一步思考：这件事真的有必要吗？最初的方向是否正确？定性分析应该是在决策之前就需要想清楚的事——做这件事的目的是什么，对用户、产品、业务的价值是什么。在目标和方向不明确时，数据只是辅助验证猜想的工具，而非决策本身。比如同样做短视频，微博和网易云音乐的逻辑有何不同？每个产品都要不要加直播模块？这些问题的答案不能仅仅依赖数据。

回到核心，在制定整体和局部核心指标时，都可以从这三个问题入手：产品提供的核心价值是什么？如何满足需求提供解决方案？如何一步步满足需求？在定义局部指标时，优先考虑目标和价值，然后关注不同层次的指标表现：一级指标看对整体指标的影响，二级指标看功能本身的性能和关联影响，三级指标看细分数据。

以上是关于产品核心数据指标制定的一些阶段性思考，实践中的情况往往更复杂，需要结合具体业务场景灵活运用。