指标的解读，包括日常看数，目标的达成情况监控，异常问题定位等等。指标对业务的执行进行好坏衡量或是建议指导，最关键就是指标的解读。指标的解读，并不等同于汇报指标的值+同比环比，更多的是需要反馈指标背后的业务问题或者流程问题，对于业务操作能有问题的发现和解决问题的建议。

指标解读，大家第一感觉就是对于指标的数据进行波动汇报，认为不需要训练能直接上手，并且在短期之内还感觉解读的不错。但是长远下来会进入到一些误区当中，这里列举三种误区。

• 第一种是会发现自己解读的数据，跟让听众自己去看数据效果差不多，解读的内容带不来听众任何惊喜感。其本质原因是，解读的方式，是“观察式解读”，缺少对于指标背后业务本质的理解。

• 第二种是没有弄清楚相关关系和因果关系，这种解读极易引发大家的逻辑争议，甚至会引导出错误的决策判断，属于数据分析里面所谓的dangerous areas。

• 第三种是指标解读的节奏，抓不住重点。往往全盘解读，有点低效，个别解读，又害怕漏了重点。

以下我们便针对这三个数据解读的误区进行详细的说明。

1. 走出“观察式解读”误区

所谓观察式解读，是指只从指标的表面信息去分析指标的情况和定位指标的问题，看起来很合理，也很高效，但是其实并没有get到指标背后真实的情况，这种解读方式，是数据分析中最常见的数据分析误区。以下讲述一个模拟的案例来帮助大家走出这个误区。

背景介绍：用户在下单后，公司会从仓库打包好包裹发送给用户，我们会针对不同的线路，不同的订单类型，进行承运商的选择，我们的承运商主要是三种：顺丰，京东和中通，三种承运商报价不一样，服务水平不一样，因此单量占比也不一样。

基于以下的数据，解读为什么单均运费从8.7元下降到了8.2元？

1.本文的数据皆为杜撰信息，请勿传播和使用；

2.报价10+2表示包裹3kg以内都是10元，每续重1kg增加2元。

单均运费，跟单量占比有关，也跟报价有关。读到这里，大家可以先尝试解读一下试试。我猜测，有不少的人会有如下的解读解读：

“单均运费从9月8.7元下降至10月8.2元，原因是价格相对比较便宜的中通的单量占比上涨5%，京东单量上涨10%，以及京东的续费价打9折”

这种解读很常见，就是标准的“观察式解读”，一般数据分析新手很容易陷入到这种解读习惯中。这种解读有如下几个问题：

• 中通单量上涨或者顺丰单量下降的原因没有说清楚；
• 京东单量上涨和打折其实是一个原因，因为系统会基于报价情况来选择更低价格的配送商；
• 几个原因之间的影响没有量化；
• 是否存在数据外的影响因素没有评估。

这里直接给出更精准且有效的解读方式：

• 第一句：“10月单均运费从8.7元下降至8.2元，表现向好”——说明现象
• 第二句：“原因是淘系活动带来渠道单量比例上涨6%，渠道70%发中通，引起中通整体的单量占比上涨5%”——中通变化的原因
• 第三句：“渠道发中通引起的客诉问题可控”——对于业务的影响
• 第四句：“这部分影响0.4元”——量化影响
• 第五句：“京东续费打折，选仓选配优先级提升” ——另外的原因
• 第六句：“以及业务主动调整江浙沪京东比例”——所给的数据范围外的原因
• 第七句：京东单量上涨10%，影响0.1元” ——量化影响

这种解读方式，也是听众，特别是业务方高层更愿意听到的信息，以及基于这些信息，可以做进一步的决策升级等。简单的总结一下，非“观察式解读”的要点：

• 先说明指标现象
• 研究透指标变化的【本质】原因
• 原因的影响进行量化
• 其他影响的说明

到这个层面之后，可以再加上针对这个指标未来的规划，那么就很完整了。

2. 理清相关关系和因果关系

我们在解读数据时，往往需要理清楚事情背后的真实原因，我们需要的是指标现象和原因之间的“因果关系”，但是太容易出现解读出的“原因”是“相关关系”了。

• 举例1：如上面的那个案例，“单均运费变高的原因是京东和中通的单量占比增加”、“单均运费变高” 和 “京东和中通的单量占比增加” 其实都是现象，后者并不是前者的“因”
• 举例2：“上周GMV的增加是因为人均arpu值增加”
• 举例3：“昨日新进人数增加是因为曝光转换率增加”
• 举例4：“30日留存比较高的那一批用户，发现他们的特点是7日留存比较高”

相信很多人都能看出这些解读，其实很多都是指标之间的相关性影响，并没有给出背后的本质原因。其实当我们真的花时间多琢磨一下，这些背后的原因其实都是不难被挖出来的。那么如何能够避免出现这种情况呢？我觉得主要在于解读习惯。

这里我分享一下我是如何避免陷入这个坑的：解读时，不断问自己为什么？问到不能再问的时候，就是最终的答案了。

我们拿上面的案例2来举例：为什么GMV增加了？我们可以通过杜邦分析定位到是人均arpu值涨了。

那么下一步就是问自己，为什么人均arpu值涨了？答案是用户购买商品的件数增加了？

继续问自己，为什么购买商品件数增加了？发现是因为对xx商品新加了满赠的营销活动。

似乎是问到底了，其实不然，我们可以分析一下这个活动的影响，是不是对全局影响的主要原因，那么我们可以继续发问，为什么这个活动没有造成付费人数的上涨？

然后发现活动里面有限制，必须是超过一定购买金额，才有这个优惠。因此还是只有少部分的用户参与了这次活动。这样结论和数据表现，就能够完全对应上了。

当然有的人还会问，为什么要上这个活动？嗯嗯，这个就问业务方好了，可能这个问题，听众比我们分析人员更清楚~

3. 指标解读的节奏

这一部分，我们需要重点解决一个问题：在什么时候，解决什么指标？

当只负责单一指标的时候，日常观察指标的波动就好了。我们可以定义一个预警条件，比如说收入波动超过10%就需要去解读分析一下，或者达成率不足99%的时候去分析原因。或者距离目标值完成的很好，或者很不好的时候，可以去复盘一下原因。

但是当面对一个指标体系的时候，我们什么时候去关注什么指标呢？核心的思路，分两步：

• ①对业务节奏分段；
• ②不同的时期，业务操作层面更关注什么？

业务分段，可以先分为【日常】和【活动】两部分，然后看日常需要关注什么，活动需要关注什么。以及日常和活动里面，寻找一些周期性的规律。以严选来讲，其实业务操作具有很强的周期性，就是围绕几个大促(618，双11，双12)，进行平销期和大促期的切换，以及大促期，又分为促前、促中、促后，不同的阶段，哪些指标更重要，就很清晰了。

以供应链为例，我们分为促前、促中和促后。

• 促前：缺货风险，到货及时率，逾期率，仓库存储风险，分仓平衡性等
• 促中：生产及时率，配送及时率，配送时效等
• 促后：退货率，客诉率

除了大促，日常也可以有规律的、阶段性的去解读一些核心指标，比如库存情况，成本情况，客诉情况，等等。当然，如果遇到很重要的指标，需要做突破或者深入的分析，可以启动指标的专项分析，这个后续再介绍。

4. 总结

指标解读是做好数据分析的第一步。同样的指标数据，在不同的人眼里，会呈现完成不一样的意义和价值。我们传颂啤酒与尿布的故事，谷歌基于关键词预测流感的故事，这些事情的基础就是深入理解指标。

如何能做到更高效的吸收数据知识，这个需要不断的训练和沉淀方法。希望人人都是分析师，这个时代下数据量级爆发的同时，数据价值也能爆发。祝好~

本文作者：九饼