指標的解讀，包括日常看數，目標的達成情況監控，異常問題定位等等。指標對業務的執行進行好壞衡量或是建議指導，最關鍵就是指標的解讀。指標的解讀，並不等同於彙報指標的值+同比環比，更多的是需要反饋指標背後的業務問題或者流程問題，對於業務操作能有問題的發現和解決問題的建議。
指標解讀，大家第一感覺就是對於指標的資料進行波動彙報，認為不需要訓練能直接上手，並且在短期之內還感覺解讀的不錯。但是長遠下來會進入到一些誤區當中，這裡列舉三種誤區。
第一種是會發現自己解讀的資料，跟讓聽眾自己去看資料效果差不多，解讀的內容帶不來聽眾任何驚喜感。其本質原因是，解讀的方式，是“觀察式解讀”，缺少對於指標背後業務本質的理解。
第二種是沒有弄清楚相關關係和因果關係，這種解讀極易引發大家的邏輯爭議，甚至會引匯出錯誤的決策判斷，屬於資料分析裡面所謂的dangerous areas。
第三種是指標解讀的節奏，抓不住重點。往往全盤解讀，有點低效，個別解讀，又害怕漏了重點。
以下我們便針對這三個資料解讀的誤區進行詳細的說明。
1
走出“觀察式解讀”誤區
所謂觀察式解讀，是指只從指標的表面資訊去分析指標的情況和定位指標的問題，看起來很合理，也很高效，但是其實並沒有get到指標背後真實的情況，這種解讀方式，是資料分析中最常見的資料分析誤區。以下講述一個模擬的案例來幫助大家走出這個誤區。
背景介紹：使用者在嚴選下單後，嚴選會從倉庫打包好包裹傳送給使用者，我們會針對不同的線路，不同的訂單型別，進行承運商的選擇，我們的承運商主要是三種：順豐，京東和中通，三種承運商報價不一樣，服務水平不一樣，因此單量佔比也不一樣。
基於以下的資料，解讀為什麼單均運費從8。7元下降到了8。2元？
備註：
1。本文的資料皆為杜撰資訊，請勿傳播和使用；
2。報價10+2表示包裹3kg以內都是10元，每續重1kg增加2元。
單均運費，跟單量佔比有關，也跟報價有關。讀到這裡，大家可以先嚐試解讀一下試試。
我猜測，有不少的人會有如下的解讀解讀：
“單均運費從9月8。7元下降至10月8。2元，原因是價格相對比較便宜的中通的單量佔比上漲5%，京東單量上漲10%，以及京東的續費價打9折”
這種解讀很常見，就是標準的“觀察式解讀”，一般資料分析新手很容易陷入到這種解讀習慣中。這種解讀有如下幾個問題：
中通單量上漲或者順豐單量下降的原因沒有說清楚；
京東單量上漲和打折其實是一個原因，因為系統會基於報價情況來選擇更低價格的配送商；
幾個原因之間的影響沒有量化；
是否存在資料外的影響因素沒有評估。
這裡直接給出更精準且有效的解讀方式：
第一句：“10月單均運費從8。7元下降至8。2元，表現向好”
——說明現象
第二句：“原因是淘系活動帶來渠道單量比例上漲6%，渠道70%發中通，引起中通整體的單量佔比上漲5%，”
——中通變化的原因
第三句：“渠道發中通引起的客訴問題可控”
——對於業務的影響
第四句：“這部分影響0。4元”
——量化影響
第五句：“京東續費打折，選倉選配優先順序提升”
——另外的原因
第六句：“以及業務主動調整江浙滬京東比例”
——所給的資料範圍外的原因
第七句：京東單量上漲10%，影響0。1元”
——量化影響
這種解讀方式，也是聽眾，特別是業務方高層更願意聽到的資訊，以及基於這些資訊，可以做進一步的決策升級等。
簡單的總結一下，非“觀察式解讀”的要點：
先說明指標現象
研究透指標變化的【本質】原因
原因的影響進行量化
其他影響的說明
到這個層面之後，可以再加上針對這個指標未來的規劃，那麼就很完整了。
2
理清相關關係和因果關係
我們在解讀資料時，往往需要理清楚事情背後的真實原因，我們需要的是指標現象和原因之間的“因果關係”，但是太容易出現解讀出的“原因”是“相關關係”了。
舉例1：如上面的那個案例，“單均運費變高的原因是京東和中通的單量佔比增加”
“單均運費變高” 和 “京東和中通的單量佔比增加” 其實都是現象，後者並不是前者的“因”
舉例2：“上週GMV的增加是因為人均arpu值增加”
舉例3：“昨日新進人數增加是因為曝光轉換率增加”
舉例4：“30日留存比較高的那一批使用者，發現他們的特點是7日留存比較高”
相信很多人都能看出這些解讀，其實很多都是指標之間的相關性影響，並沒有給出背後的本質原因。其實當我們真的花時間多琢磨一下，這些背後的原因其實都是不難被挖出來的。那麼如何能夠避免出現這種情況呢？我覺得主要在於解讀習慣。
這裡我分享一下我是如何避免陷入這個坑的：解讀時，不斷問自己為什麼？問到不能再問的時候，就是最終的答案了。
我們拿上面的案例2來舉例：為什麼GMV增加了？我們可以透過杜邦分析定位到是人均arpu值漲了。
那麼下一步就是問自己，為什麼人均arpu值漲了？答案是使用者購買商品的件數增加了？
繼續問自己，為什麼購買商品件數增加了？發現是因為對xx商品新加了滿贈的營銷活動。
似乎是問到底了，其實不然，我們可以分析一下這個活動的影響，是不是對全域性影響的主要原因，那麼我們可以繼續發問，為什麼這個活動沒有造成付費人數的上漲？
然後發現活動裡面有限制，必須是超過一定購買金額，才有這個優惠。因此還是隻有少部分的使用者參與了這次活動。這樣結論和資料表現，就能夠完全對應上了。
當然有的人還會問，為什麼要上這個活動？嗯嗯，這個就問業務方好了，可能這個問題，聽眾比我們分析人員更清楚~
3
指標解讀的節奏
這一部分，我們需要重點解決一個問題：在什麼時候，解決什麼指標？
當只負責單一指標的時候，日常觀察指標的波動就好了。我們可以定義一個預警條件，比如說收入波動超過10%就需要去解讀分析一下，或者達成率不足99%的時候去分析原因。或者距離目標值完成的很好，或者很不好的時候，可以去覆盤一下原因。
但是當面對一個指標體系的時候，我們什麼時候去關注什麼指標呢？核心的思路，分兩步：
對業務節奏分段；不同的時期，業務操作層面更關注什麼？
業務分段，可以先分為【日常】和【活動】兩部分，然後看日常需要關注什麼，活動需要關注什麼。以及日常和活動裡面，尋找一些週期性的規律。以嚴選來講，其實業務操作具有很強的週期性，就是圍繞幾個大促（618，雙11，雙12），進行平銷期和大促期的切換，以及大促期，又分為促前、促中、促後，不同的階段，哪些指標更重要，就很清晰了。
以供應鏈為例，我們分為促前、促中和促後。
促前：缺貨風險，到貨及時率，逾期率，倉庫儲存風險，分倉平衡性等
促中：生產及時率，配送及時率，配送時效等
促後：退貨率，客訴率
除了大促，日常也可以有規律的、階段性的去解讀一些核心指標，比如庫存情況，成本情況，客訴情況，等等。當然，如果遇到很重要的指標，需要做突破或者深入的分析，可以啟動指標的專項分析，這個後續再介紹。
4
總結
指標解讀是做好資料分析的第一步。同樣的指標資料，在不同的人眼裡，會呈現完成不一樣的意義和價值。我們傳頌啤酒與尿布的故事，谷歌基於關鍵詞預測流感的故事，這些事情的基礎就是深入理解指標。
如何能做到更高效的吸收資料知識，這個需要不斷的訓練和沉澱方法。希望人人都是分析師，這個時代下資料量級爆發的同時，資料價值也能爆發。祝好~
作者簡介
九餅，網易嚴選資料分析師，資料愛好者，認為資料可以改變世界。現負責嚴選主站和供應鏈的分析工作。
