讲数据分析体系的文章很多，经常是开篇一句：互联网分析体系，下边几百个指标blabla汹涌而出。搞得很多同学很晕菜：这么多指标，实际中到底怎么看?今天系统讲解一下。话不多说，直接上场景。
场景：某视频app内容运营，每天会固定输出游戏主题节目，节目以介绍游戏为主，目前暂无带货环节，也没有其他KPI考核，就这么先做着。
每一个视频，有：播放次数、播放人数、人均播放时长、会员观看数、10%/30%/50%/90%播放完成数、单个视频发布后首日至第七日每日播放数据。还能分成：仅PC端播放、仅移动端播放，PC+移动端播放…同时由于是自己的平台播放，所以能统计到每个用户站内其他视频浏览行为。
问题是：这一堆指标该咋看?
1常见问题
很多同学会直接把这一堆指标铺出来。
PC渠道的播放次数、播放人数、人均播放时长… 移动端的播放次数、播放人数、人均播放时长… 本周的、上周的、上上周的… 本次的、上次的、最近10次的…
一大堆指标摆完，发现个严重的问题：这一堆说了啥呀!
因为没有刚性考核的KPI，因此很难讲清楚到底多大算好。你说播放次数越高越好吧，播放次数本身是个经常波动指标，今天高了明天低了，这么分析法得弄死自己，还没分析完为啥不好，丫指标又变好了!
而且但看一个指标也显得不科学，比如有的视频就是播放很多但人均时长很短，还有一堆人涌过来看，然后秒退的情况。
实际情况千奇百怪，连好/坏都没法评估，咋进一步分析：为啥好/为啥坏呢?
2解题思路
会导致晕头转向的核心问题，在于：没有明确目标。如果是销售的业务场景，目标很清晰：销售收入/GMV。但是运营的场景不见得都有如此清晰、刚性的目标。特别是内容运营，本身就有“放水养鱼&Rdquo;的作用，有好的内容积攒粉丝、吸引关注非常重要。
无刚性目标，导致建立评价标准很难。如果只看一个指标，比如播放量，似乎有失偏颇。如果看两个、三个、四个指标，比如播放人数、10%跳出人数、人均时长，则指标间相互交叉，情况错综复杂，很难下结论。
更不用说，很多新手会习惯性忽略建立标准环节。于是导致了大量铺陈数据，然后不知道下啥结论的晕头鸭子问题。如何在无刚性目标情况下，建立评价标准，读懂数据含义，是搭建体系的关键。
3认识问题，从单指标开始
想理清头绪，当然得从一个指标开始。连一个指标的走势都没看清楚，就扯上二三四个，只会越看越晕。选第一个观察指标的时候，尽量选简单、直接、不用计算的指标，这样更容易看清楚情况，避免牵扯太多。因此在众多指标中，可以先看播放次数/播放人数(选一个)。
假设先看播放次数，对单指标而言，肯定是越多越好。播放量是内容运营的基础，连看都没人看，其他的更谈不上了。但是这里要注意，观察：播放量指标是否有周/月/日的规律。如果有规律性波动，就不能简单地说：昨天比今天高，所以昨天好(如下图)
假设播放量有周波动规律，则可以建立单指标的简单评价标准：
1、以周为单位观察，数值越大越好
2、以日为单位观察，数值越大越好
3、超过自身类型月平均水平，超过越多越好
这样就能对播放次数，这样的单个指标讲清楚：好/坏
4从单指标到多指标
整明白了一个指标，可以加入其他指标。在加入其他指标的时候，要首先观察：两指标之间关系。有可能两指标相关系数高，有可能相关系数低。这两种情况下处理方法不同。
相关系数高：比如播放次数和播放人数，两个指标很有可能高度相关。一个视频玩家短时间内可能只看1次就够了。高度相关的两个指标，在评价好坏时不需要重复评估，看一个就好了。这样能减少数据干扰，更容易得出结论(如下图)
相关系数低：比如播放次数和人均时长，不见得高度相关。很有可能有的视频太过标题党，标题太刺激，配图很色诱，把玩家骗进来结果发现货不对板。如果出现两个指标相关度低，就能用矩阵分析法，把视频分类(如下图)
经过这一步梳理以后，就能对两个指标情况做出判断。理论上播放次数越高越好，但人均时长不能低于一定水平，或者10%跳出用户比例不能超过一定水平，这样就能对每一期视频进行评价。有了评价，就能做出进一步分析.
5从多指标到原因解读
评价了好/坏，就能进一步分析：为什么好、为什么坏。到这一步，就会发现，现有数据指标的问题：虽然看似一堆指标，可都是结果性指标。并不能直接从指标里推出：到底为啥用户喜欢看。这时优先考虑的是：补充数据，看看添加哪些数据能解释清楚问题。
首先想到的是视频本身的数据，视频本身可以有多种标签：
1、视频主题：讲哪一类游戏
2、视频内容：游戏八卦、玩法、比赛…
3、视频讲解：找技术高手还是找个美女亮腿…
4、视频时长：太长的可能中间关掉的多
5、发稿时间：选播放好的时间发
做内容运营，首先得对自己做的内容有清晰的了解，打好标签，再做其他工作。有了标签，单纯地结合标签分析结果指标，也可能得出一些有用的结论，比如：
5分钟比10分钟效果好 美女亮腿比男主持人效果好 讲比赛比讲八卦效果好
这些已经足够优化运营了.
更进一步的还可以结合用户画像来看，比如：
观察用户看别的游戏类视频行为，给用户喜欢的游戏类型，游戏内容贴标签 观察用户近期关注的热点内容、流行的梗 观察用户更喜欢技术宅还是美女
有了这些用户标签，可以查看：
目前观看视频的用户群体是否是目标群体 根据群体规模大的用户，制作新的内容 根据用户近期关注的话题、主播喜好，选话题和主持人
当然，并不见得投其所好一定有效，更有可能有“标题党蹭热度&Rdquo;的效果—播放次数很多但看一眼就跳出。所以最后还是得结合优化前后效果，做最终定论.
6小结
搭建数据分析体系可以很简单
真正阻碍搭建指标体系的，是：
1、数据间没逻辑，写的越多，看得越晕
2、没有刚性KPI做统领，不知道怎么评价好坏
3、只有结果指标，不能解释原因.
因此在观察一个业务的时候，一开始宁可看的指标少一点，先观察出规律，再看指标间关系，这样更容易让众多指标关系清楚，读出含义。本文用的方法还是先抓关键指标的方法，有的同学会问：如果一定用N个不相关的指标评估一个业务，该如何做呢?
