当前位置：首页 > news >正文

AIGC浪潮下，图文内容社区数据指标体系如何构建？

news 来源：原创 2025/6/7 13:03:20

文章目录

01 案例：以图文内容社区为例实践数据指标体构建
02 4个步骤实现数据指标体系构建
- 1. 明确业务目标，梳理北极星指标
- 2. 梳理业务流程，明确过程指标
- 3. 指标下钻分级，构建多层级数据指标体系
- 4. 添加分析维度，构建完整的数据指标体系
03 构建数据指标体系的过程总结
- 作者简介
- 目　　录

数据指标体系构建是数据分析师的日常工作之一，常见的指标体系方法论包括根据业务发展进程选取由合成略旦易于拆解的指标作为北极星指标。但在实际业务场景中如何运用方法论构建数据指标体系，以监控业务发展呢？

互联网产品按照用户需求进行分类，可以分为工具类、内容类、社交类、交易类以及游戏类。当然，每一个互联网产品并不一定属于单一的某一类别，其类别可能是交叉的。

那各种不同类型的互联网产品都有什么特点?它们对应的北极星指标又分别是什么呢?各类型互联网产品的特点以及北极星指标总结如表1所示。

$表 1 各类型互联网产品的特点以及北极星指标$

内容类产品主要是指创作者持续为粉丝提供有价值的文章、音频、视频等内容的平台，例如，知乎、微信公众号、持音等，其北极星指标是浏览量、;浏览时长、点赞量、转发量等。

社交类产品主要是为用户提供建立社交关系的平台,例如微信、微博等，其北极星指标是活跃用户数、好友数、互动次数等。

图文内容社区既包括了内容类产品的特点，又包括了社区类产品的特点。下面，我们将以图文社区为例，实践数据指标体系的构建。

01 案例：以图文内容社区为例实践数据指标体构建

某产品是一个专注于做图文内容社区的平台，该平台为用户提供一个知识交流的空间，10年间已经积累了海量用户，在垂直类产品独占鳌头，目前处于成长期和成熟期的拐点阶段，优质的活跃用户以及商业变现是该阶段的关键目标。

其主要业务场景如图1所示。

$图 1 内容社区业务场景$

当用户遇到或者想要讨论某个问题就可以在内容社区进行提问；平台审核问题之后就会将其推送给相关领域的创作者，回答者回答问题以建立自己的行业影响力。
提问者和回答者作为内容生产者产出内容，而大部分用户是以内容消费者的身份存在，在内容社区浏览内容以“杀时间”。

提问者、回答者以及其他浏览者在相关问题下产生良性交流、互动讨论从而形成一个良好的内容社区氛围。

根据上面的分析，我们可以看出内容社区类的产品是内容类产品和社交类产品的有机结合体，既包含了内容类产品通过内容为用户提供价值的特点，又包括了社交类产品通过内容、互动以沉淀陌生人关系链的特点。

02 4个步骤实现数据指标体系构建

我们将通过业务目标梳理北极星指标；对达成北极星指标的用户行为路径进行拆解，梳理过程指标；然后进行指标的下钻分级，构建多层级的数据指标体系；最后，添加分析维度，构建完整的数据指标体系。

1. 明确业务目标，梳理北极星指标

如图2所示，我们汇总了该产品的业务目标与用户价值的商业闭环。

$图 2 业务目标与用户价值的商业闭环$

该产品为了实现社区活跃和和营收增长，需要有足够多的优质活跃用户发布问题和回答问题，以产生更多的内容互动，从而实现广告、带货等多种方式的用户转化，进而实现收入增长，最终投入更多的运营活动，继续提升内容社区的活力。

那如何去定义优质活跃用户呢，有哪些指标可以表征优质活跃用户，且可以作为北极星指标呢?

我们找出了5个备选指标：阅读用户数、阅读时长、内容阅读数、内容创作数、用户互动数。

我们通过评价北极星指标的4个评价标准依次评价筛选出的5个候选指标，其结果如表2所示。

$表 2 评价 5 个候选指标是否满足北极星指标的评价标准$

这里的阅读时长、内容创作数以及用户互动数3个指标都满足北极星指标的评价标准，到底选择哪个作为北极星指标呢?

其实很多情况下，多个北极星指标共同指引业务发展也是较为常见的。如果只需要一个北极星指标，用户互动必然是最优选择；但如果需要多个北极星指标共同指导业务发展，用户互动数量可以作为主要的北极星指标，其他两个则可以作为次要的北极星指标。

2. 梳理业务流程，明确过程指标

确定了该内容社区的北极星指标为用户互动数之后，我们对业务流程进行梳理。如图3所示。
在这里插入图片描述

图片
$图 3 业务流程梳理$

无论对于内容生产者还是对于内容消费者来说，互动转化的机制都是基本一致的，但是数据分析师在内容生产层面和内容消费层面关注的重点是不太一样的。

内容生产者会更加关注他们的创作力、影响力、发文质量以及行为健康度，因为优质上且持续的创作是带来用户互动的基础。

而内容消费者则会更在意其互动数，也称作行为参与度，要达成用户互动,内容消费者需要阅读完相关的文章上且对文章有一定的情感偏好。

除此之外，内容消费者的浏览广度和浏览时长也是数据分析师较为关心的，因为用户浏览内容越广、浏览时间越长，用户黏性就越高，用户发生互动的概率也就越大。

基于以上的过程分析，我们将该内容社区的过程指标梳理如图4所示。

$图 4 图文内容社区的过程指标梳理$

3. 指标下钻分级，构建多层级数据指标体系

明确了过程指标之后，需要对过程指标进一步拆解，从而梳理出二级指标、三级指标，以便数据异动时方便排查。图文内容社区的数据指标体系下钻分级的结果如图5所示。

$图 5 内容社区数据指标下钻分级$

4. 添加分析维度，构建完整的数据指标体系

最后，就到了添加分析维度的步骤了。如网图6所示，该内容社区也有和其他产品同样的分析维度。

$图 6 内容社区分析维度汇总$

除了以上各类产品几乎共用的分析维度之外，内容社区还具有一些较为独特的分析维度。

在内容层面上，内容的垂类、主题以及评级都是衡量内容质量以及内容丰富度的相关维度。

内容垂类可以是财经、娱乐、职场、知识、影视等较大的分类。

内容主题则是某一垂类下的细分，以知识垂类为例，可以将其分为数据分析、算法、前端开发、后端开发等不同的主题。

内容评级是衡量内容质量最重要的标准，运营人员和数据分析师可以根据一定的规则，例如，文章长度、内容与主题的关联度、图片质量等多层面的信息，将内容划分为不同的等级，统计各评级内容的占比即可评估图文内容质量。

03 构建数据指标体系的过程总结

经过上述4个步骤的分析，我们为内容社区梅建了一套完整的数据指标体系。

首先，先根据其商业模式，梳理了业务目标，明确了北极星指标是用户互动数，这里需要注意的是产品所处的生命周期和业务目标是具有强相关性的，明确产品所处的生命周期是梳理北极星指标的关键要务。

其次，我们通过梳理达成北极星指标的业务流程，从而提炼出相关的过程指标。

为了使数据指标体系更加完善，我们对过程指标进行下钻分级，构建多层级的数据指标体系，以满足不同用户群林对于指标监控的需求。

最后，我们汇总了分析维度，内容社区的部分分析维度和其他类型产品几乎大同小异，但是除此之外还有一些特有的分析维度，例如内容垂类、内容主题、内容评级等。

本文摘编自《数据指标体系：构建方法与应用实践》，经出版方授权发布，转载请保留文章来源。

获取方式：https://item.jd.com/14870454.html

本文摘编自《数据指标体系：构建方法与应用实践》（书号：9787111764656），经出版方授权发布，转载请保留文章来源。

《数据指标体系：构建方法与应用实践》 是一套数据指标体系全流程构建（从规划、框架设计、数据采集加工到应用）方法论与实践指南。它不仅深入浅出地分享了通用的数据指标体系构建策略，还通过多个行业实例展示了具体操作方法。书中从数据采集入手，借助BI工具Superset实践构建过程。

作者简介

李渝方（网名：森夏恩），现就职于某互联网大厂担任数据分析师，曾先后就职于游族网络、阿里巴巴等大厂，均从事数据分析、数据指标体系构建相关工作。复旦大学硕士，畅销书《数据分析之道——用数据思维指导业务实战》作者，公众号“数据万花筒”运营者，累计发布数据分析相关原创文章100余篇，全网阅读量超过200万。

目　　录

前　言
第一篇　数据指标体系基础知识
第1章　数据指标体系简介　2
1.1　数据指标概述　2
1.1.1　什么是数据指标　2
1.1.2　数据指标的分类　3
1.1.3　好的数据指标的4个评价标准　4
1.1.4　选择数据指标时需要注意的4个问题　6
1.2　数据指标体系概述　8
1.2.1　数据指标体系的3个要素　8
1.2.2　基于数据指标形成数据指标体系　9
1.2.3　为什么需要数据指标体系　10
1.3　数据指标体系的构建及落地流程概括　11
1.3.1　数据指标体系的构建流程　11
1.3.2　数据指标体系如何落地　12
1.4　构建数据指标体系的方法论汇总　13
1.4.1　北极星指标　13
1.4.2　OSM/GSM模型　14
1.4.3　AARRR模型　15
1.4.4　UJM模型　15
1.4.5　HEART模型　15
1.4.6　PULSE模型　16
1.4.7　MECE模型　16
第二篇　数据指标规划
第2章　数据指标梳理　18
2.1　梳理数据指标的不同视角　18
2.2　用户数据指标概述　19
2.2.1　用户规模指标　20
2.2.2　用户行为指标　20
2.3　业务数据指标概述　21
2.3.1　工具类产品数据指标　21
2.3.2　内容类产品数据指标　22
2.3.3　社交类产品数据指标　23
2.3.4　交易类产品数据指标　23
2.3.5　游戏类产品数据指标　24
第3章　用户规模数据指标　25
3.1　获取用户　25
3.1.1　获取用户的渠道　25
3.1.2　获客阶段的关键指标　26
3.1.3　买量用户成本相关指标　26
3.1.4　构建渠道成本用户字典时需要注意的问题　28
3.1.5　用户成本指标在数据分析中的作用　29
3.2　新增用户　30
3.2.1　如何定义用户　30
3.2.2　如何定义“增”　31
3.2.3　如何定义“新”　31
3.3　活跃用户　32
3.3.1　什么是活跃用户　32
3.3.2　评价活跃用户的指标　32
3.3.3　活跃用户的构成　33
3.3.4　警惕活跃用户存在的陷阱　34
3.3.5　活跃用户数量持续增长与业务的关系　36
3.4　留存用户　37
3.4.1　用户留存率的计算及问题本质　37
3.4.2　平均留存率与加权留存率　39
3.4.3　深入解读用户留存　42
3.4.4　反映用户留存的相关指标　43
第4章　用户行为数据指标　45
4.1　使用类指标　45
4.1.1　使用次数　45
4.1.2　使用时长　46
4.1.3　使用时间间隔　47
4.2　访问类指标　48
4.2.1　访问人数与访问次数　48
4.2.2　转化率　49
4.2.3　页面访问深度　49
4.3　付费类指标　50
4.3.1　付费行为指标概述　50
4.3.2　付费规模及质量相关指标　51
4.3.3　人均付费情况相关指标?　53
4.3.4　生命周期价值　53
4.4　传播类指标　54
第5章　业务数据指标　55
5.1　工具类产品及其数据指标　55
5.1.1　工具类产品的细分　55
5.1.2　工具类产品的价值　56
5.1.3　工具类产品的盈利模式　56
5.1.4　工具类产品需要关注的数据指标　57
5.2　内容类产品及其数据指标　58
5.2.1　内容类产品的特点　58
5.2.2　内容类产品需要关注的数据指标　59
5.3　社交类产品及其数据指标　62
5.3.1　社交的流程　62
5.3.2　社交类产品的三要素　63
5.3.3　社交类产品的分类　64
5.3.4　社交类产品需要关注的数据指标　64
5.4　交易类产品及其数据指标　65
5.4.1　交易类产品的类型　65
5.4.2　交易类产品的核心模块　66
5.4.3　交易类产品需要关注的数据指标　66
5.5　游戏类产品及其数据指标　69
5.5.1　游戏行业产业链　69
5.5.2　游戏运营的核心要素　70
5.5.3　游戏的分类　70
5.5.4　游戏类产品的核心数据指标　72
第6章　分析维度　75
6.1　数据指标与分析维度　75
6.1.1　什么是维度　75
6.1.2　数据指标与维度之间的关系　76
6.1.3　维度在数据分析中的作用　77
6.2　数据分析中常用的分析维度　77
6.2.1　分析维度汇总　78
6.2.2　各类数据分析维度详解　78
6.3　维度在数据分析中的应用　81
第三篇　数据指标体系框架设计
第7章　数据指标体系构建的方法论　84
7.1　数据指标体系的通用方法论　84
7.1.1　数据指标体系的通用方法论概述　84
7.1.2　引领数据指标体系构建的OSM模型　85
7.1.3　通用方法论中各步骤实现方法简要概括　85
7.2　明确业务目标，梳理北极星指标　86
7.2.1　如何找到业务的北极星指标　87
7.2.2　如何判断是否为优秀的北极星指标　88
7.2.3　选择北极星指标还需要关注产品的生命周期　91
7.2.4　梳理北极星指标的方法论　94
7.3　梳理业务流程，明确过程指标　95
7.3.1　两个模型指导业务流程梳理　95
7.3.2　梳理业务流程并明确过程指标的方法论　967.3.3　案例分析：拆解业务流程，明确过程指标 977.4　指标下钻分级，构建多层级数据指标体系 987.4.1　如何实现指标的下钻分级 987.4.2　案例分析：完成指标下钻分级 1007.4.3　案例分析：数据分析培训机构的北极星指标课程收入拆解 1017.5　添加分析维度，构建完整的数据指标体系 1027.5.1　数据指标体系的维度概述 1027.5.2　案例分析：电商北极星指标GMV的分析维度 103第8章　数据指标体系方法论的案例实践 1058.1　案例：以职场在线教育为例实践数据指标体系构建 1058.1.1　业务场景介绍 1058.1.2　4个步骤实现数据指标体系构建 1068.1.3　数据指标体系如何辅助业务目标实现 1098.1.4　构建数据指标体系的过程总结 1108.2　案例：以电子阅读工具为例实践数据指标体系构建 1108.2.1　业务场景介绍 1108.2.2　4个步骤实现数据指标体系构建 1118.2.3　数据指标体系如何辅助业务目标实现 1178.2.4　构建数据指标体系的过程总结 1188.3　案例：以图文内容社区为例实践数据指标体系构建 1188.3.1　业务场景介绍 1198.3.2　4个步骤实现数据指标体系构建 1198.3.3　构建数据指标体系的过程总结 1258.4　案例：以网约车为例实践数据指标体系构建 1258.4.1　业务场景介绍 1258.4.2　4个步骤实现数据指标体系构建 1268.4.3　数据指标体系如何辅助业务目标实现 1308.4.4　构建数据指标体系的过程总结 1318.5　案例：以社交电商为例实践数据指标体系构建 1318.5.1　业务场景介绍 1318.5.2　4个步骤实现数据指标体系构建 1338.5.3　数据指标体系如何辅助业务目标实现 1368.5.4　构建数据指标体系的过程总结 138第四篇　数据采集和加工第9章　数据采集 1409.1　数据埋点概述 1409.1.1　什么是数据埋点 1409.1.2　数据埋点在数据指标体系构建中的作用 1429.1.3　数据埋点能够采集哪些数据 1429.1.4　数据埋点的分类 1439.2　数据埋点的实现步骤 1459.2.1　数据埋点流程介绍 1459.2.2　实现数据埋点设计的6个步骤 1469.3　案例：以用户注册转化为例实践数据埋点方案设计 1479.3.1　实现用户注册转化埋点方案设计的6个步骤 1489.3.2　用户注册转化埋点方案汇总 150第10章　数据指标开发与数据仓库建模 15310.1　数据指标体系规范 15310.1.1　构建数据指标体系的理论支撑 15310.1.2　各类数据指标的命名规范 15510.1.3　用户规模、行为以及业务数据指标的中英文命名规范 15810.2　数据仓库模型设计 16010.2.1　数据仓库介绍 16010.2.2　数据仓库模型层次? 16110.2.3　数据仓库建模方法及实施流程概述 16410.3　案例：以用户注册转化为例实践数据指标体系规范设计 16510.3.1　数据调研，明确需求? 16510.3.2　业务过程及统计指标梳理 16710.3.3　数据仓库模型设计 17110.3.4　数据仓库建模流程梳理? 178第五篇　数据指标体系应用第11章　BI工具实现数据指标体系构建 18011.1　Superset概述 18011.1.1　常见的BI工具介绍 18011.1.2　Superset下载安装 18111.1.3　Superset连接MySQL数据库 18711.2　Superset的图表功能及基本操作 18911.2.1　Superset图表功能分类 18911.2.2　表格 19011.2.3　KPI图 19211.2.4　关系图 19611.2.5　分布图 20211.2.6　时间序列图 21111.2.7　地理空间图 21611.3　案例：使用Superset构建数据指标监控看板 21611.3.1　用户获客漏斗分析 21611.3.2　用户活跃及留存分析 22011.3.3　用户付费分析 22211.3.4　数据指标监控看板搭建 23011.4　案例：使用Excel代替BI工具搭建数据监控看板 23211.4.1　使用Excel制作动态看板的6个关键步骤 23211.4.2　Excel动态看板在实际工作中的运用? 235第12章　数据指标体系如何指导数据异动分析 23712.1　数据异动分析流程概述 23712.2　数据波动多少才是异动 23912.2.1　透过业务含义理解异常指标? 23912.2.2　数据异动的统计学理论支撑? 23912.2.3　快速确定数据是正常波动还是异常波动的方法? 24112.2.4　建立数据告警，及时监测数据异动 24312.3　数据异动的类型及引起因素 24312.3.1　数据异动的类型 24312.3.2　数据传输问题引起的数据异动 24412.3.3　业务内部因素引起的数据异动 24412.3.4　外部因素引起的数据异动 24612.3.5　其他未知因素引起的数据异动 24612.3.6　不同类型数据异动排查维度汇总 24712.4　维度拆解快速定位异动原因 24812.4.1　维度拆解概述 24812.4.2　维度拆解，分析共性? 24812.4.3　案例研究，分析个性? 25012.4.4　维度上升，验证共性? 25112.4.5　输出业务化的数据结论 25112.5　多个维度均有变化如何快速找出异常的维度 25212.5.1　多个维度均有变化怎么办 25212.5.2　相对熵方法介绍 25212.5.3　案例分析 25312.6　指标拆解量化异动对于大盘的贡献度 25412.6.1　加法指标 25412.6.2　除法指标 25612.6.3　乘法指标 26012.6.4　新增维度如何拆解贡献度 26412.7　案例：留存率下降5%应如何分析 26512.7.1　案例简介 26512.7.2　案例分析 265