随着中国人口老龄化进程加快与社会群体健康意识提高，医疗健康行业在过去10年中发展迅猛，其规模和营收均实现稳步增长。历经疫情三年，伴随医疗秩序和医疗消费的正常化，2023年行业进入新一轮发展期。

凯联资本基于2023年Q1企名片数据，按照自定义范畴和关注重点进行数据处理后，对医疗健康行业投融资情况进行研究分析；后续将持续推出季度医疗健康市场投融资跟踪报告。

1.医疗健康行业融资事件数与金额均排名领先

过去10年，一级投融资市场飞速发展，不管是融资事件数还是融资金额都取得了爆炸式的增长。医疗健康作为直接关系到国计民生的基础行业，受到了资本市场的高度关注，其融资规模长期以来均位于所有行业的前列。

2.23Q1医疗相关投融资事件合计538起，医药与器械各占30+%

医疗健康行业包括医药、医疗器械与医疗服务3大领域。根据企名片数据及凯联资本产业研究院的定义与加工，一季度市场共计发生538起医疗相关融资事件。

其中，医药领域投融资177起，含81起已披露融资额，平均融资额21993万元；医疗器械领域投融资206起，含89起已披露融资额，平均融资额10076万元；医疗服务领域投融资118起，含40起已披露融资额，平均融资额14275万元；其他领域投融资37起，主要涉及兽药、营养保健品与应用于非医领域的合成生物相关企业。医药、器械、服务3领域投融资事件占比分别为33%/38%/22%。

3.医疗健康行业23Q1早期融资占比大;有10家公司IPO

从融资阶段来看，一季度行业早期和偏早期融资占比较大；其中A轮融资项目达到189起，出资设立、天使轮与B轮等阶段融资事件均超过60起。另有10家公司IPO，其中7家在医药领域（宏源药业、百利天恒、华人健康、硕迪生物、康乐卫士、新赣江、峆一药业），2家在器械领域（亚光股份、中进医疗），另有1家在服务领域（美丽田园）。

4.大额融资在医药与器械领域居多，早期大额事件多见于医药领域

参考金额超过1亿元的投融资事件中，医药领域合计有45起，其中15起主要涉及创新药物研发、6起涉及抗肿瘤药物。器械领域合计20起，其中介入类医疗器械3起。服务领域16起，其中CXO企业5起、康复养老机构3起，另有1家综合医院和1家口腔医院。其他分类中仅1起，为天康生物6.55亿元拟收购冠界生物事件，后者主要业务为兽用生物制品研发。

5.医药：创新仍为大趋势，抗肿瘤药物持续受到资本热捧

2023Q1医药投融资事件中，创新药、抗肿瘤与中成药是3大高频提及词。从医药整体市场来看，中国医药创新响应全球趋势变革，同时，伴随一系列医药政策的改革实施，国内创新药上市周期有望缩短，对于医药企业与投资企业来说，无疑是重大利好因素。未来几年，随着国内人才与技术的进一步突破和政府的长期研发投入、政策支持，中国生物医药创新将继续蓬勃发展。

6.器械：IVD赛道仍然火热，心血管介入器械值得关注

器械领域的投融资事件中，IVD、心血管介入与医疗机器人等是高频关注赛道。目前国内医疗行业体外诊断与心血管市场应用广、需求大，市场均还在快速扩张，厂商纷纷进场抢夺市场份额，竞争激烈。

7.服务和其他：CXO景气度持续，康复养老快速发展

CXO（医药外包服务）赛道一级市场投资热度持续，23Q1所有CRO、CMO、CDMO在内的企业融资事件超过15起，其中包括金斯瑞蓬勃生物C轮融资15亿元，这是2022年下半年以来国内最大规模的CDMO产业融资。

医药服务中的医美机构、康复医院和养老机构等，更多偏向于消费性医疗，另外包括其他分类中的兽药和营养保健等，这些投资方向在一季度均维持了较好的活跃度。

作者：凯联产业研究院

来源公众号：凯联资本（ID：Capitallink_KLZB）

一提起指标体系，很多同学像说相声一样，脱口而出“AARRR”“OSM”“UJM”……讲得好开心，可面试官多反驳一句：“我这是销售运营的指标体系！”“说清楚到底O是什么O，U是怎么U的！”就会让很多同学没了办法。今天系统讲解下，该如何处理此类问题。

和很多数据分析问题一样，OSM等理论本身没有问题。问题是不能把理论当教条，不深入业务流程之中，不考虑具体场景，是没法搭建出好用的指标体系的。

一、清晰业务场景

所谓的业务场景，即：数据指标要反映的业务是啥。

它包含了四个方面：

1. 业务方目标是什么？
2. 业务的流程是什么？
3. 业务方做哪些动作影响结果？
4. 业务流程/业务流程，有啥数据记录？

很多同学面对具体业务，不知道该怎么梳理指标，本质上是对业务不熟悉。即使不问“销售运营指标体系”，而是问：

• “销售卖的是啥呀？”
• “销售目标客户是谁呀？”
• “销售人员咋卖的呀？”
• “销售运营又运营啥呀？”

一个都答不上来，那还咋梳理指标。懂业务是第一位要求，了解业务场景后，可以一步步开始梳理。

二、清晰业务目标

业务目标是业务最关心的东西，也决定了指标体系的主指标是啥。数据采集，得优先保证主指标有采集；指标体系的展开，也优先展示主指标的产生过程。

在业务方的心中，业务目标是很清晰的。因此可以直接沟通。

比如销售运营工作，常见的主指标有：

• 销售目标达成→指标：销售收入（金额）
• 销售业绩增量→指标：销售收入增长率
• 销售队伍稳定性→指标：整体离职率/A级离职率
• 特定客户开发数量→指标：整体离职率/A级离职率
• ……

梳理清楚这些，定下主指标，就能结合具体业务流程，看主指标是怎么实现的。

三、梳理业务流程

业务流程是主要数据来源，指标体系首要任务是反馈业务流程情况。有了主指标以后，要结合业务流程，梳理出过程指标。有了过程指标，才能解释主指标为什么低，为什么高。

还拿销售运营举例。销售运营的工作，是叠加在销售正常的工作之上的，因此有两个业务流程要梳理：

1. 销售的操作流程
2. 销售运营做了哪些优化

不同销售流程的操作不一样，想让指标体系具体、能落地，就得深入业务细节之中，看具体是怎么操作的。有的流程可能很简单，比如销售自带客户资源，那就自己联系客户→签约，结束。但有的流程可能很长，比如卖软件的，从接收客户线索到成交，有N多步骤，这里是不能偷懒的，要一步步认真梳理，最好画出流程图。（如下图）

销售运营的动作，大体上可以分成三部分：

1. 培训：培训销售们产品知识、话术、技巧
2. 激励：物质激励、精神激励
3. 组织：SOP制定、流程管理

这里也不能偷懒，需要了解到细节。比如培训，什么时间、什么话题、多少人参与，要了解到位。比如激励措施，物质奖励的奖励规则，要了解到细节（如下图）这些细节才是直接驱动销售干事情的动力。

这里有个常见的误区，就是很多同学在梳理指标体系的时候，只关注用户行为，不关注业务动作。比如梳理销售指标，就简单地：销售额=业务员人数*有成交比例*人均成交金额，就拉倒完事。

至于有啥奖惩措施，有啥规范制度，一概不知。这样会导致指标体系只能展示结果，不能解释原因，也没法对比分析。最后对着人数、比例、人均金额三个指标狂抓脑袋：为啥它就涨了呢？为啥它就跌了呢？（如下图）

四、确认数据采集

数据记录是保障。业务流程数字化程度不高，没有数据记录，一切免谈。比如销售运营指标体系；如果想解读销售业绩，就得掌握销售过程，得先知道销售干了啥，没干啥；如果想诊断销售能力，就得掌握销售个人画像，得先知道销售有啥经验、啥背景；如果想分析运营动作有效性，就得记录每个动作上线时间，作用在哪些人身上。

如果以上统统没有，只有一张成交订单和订单上的销售个人编号。那就真的没啥好分析的了。最后的数据就只有：销售额=业务员人数*有成交比例*人均成交金额。基于这么点可怜的数据，可以做一些简单的、粗线条的分析，比如：

• 对业绩排名，分析业务员业绩稳定性、找出标干
• 对团队排名，分析团队管理水平高低
• 对比活动/政策上线前后差异，粗略观察效果

当然，因为缺少细节，所以这些分析很容易被人质疑。没有数据，分析什么呢！这一点一定要牢牢记在心里。在各种场合，努力推动数字化进程，努力提高业务部门对采集数据的重视（而不是提高业务部门对数据分析成果的期望），才是数据分析师们自救法宝。至于那种大吹特吹：“我有神威无敌大将军算法，代码一跑上知天下知地中间知空气”的主，你就跟他划清界限，让他独自面对销售的质疑，死几次他就知道改了。

五、更多的场景

不止销售运营，但凡数据想落地到具体业务中，都得经历这个过程。

比如商品管理场景，得先知道：

• 是啥类型商品、保质期、储藏要求、物流要求如何？
• 商品选品、定价、入仓、出货、上架流程是啥？
• 商品管理部门改价格、做促销、做陈列的方案是哈？

比如内容运营场景，得先知道：

• 是啥类型内容、视频、文字、海报？
• 内容创作从目标、选题、素材、发布流程是啥？
• 内容运营团队对不同内容主题的运作计划是啥？

了解业务才能做出切合实际的指标体系。

这篇文章从多个角度分析了如何准确判断数据异常。通过讲解正常波动与真正异常的区分，关键指标的变化，ROI和趋势变化，过程指标变化以及关联指标变化等情况，介绍了判断数据异常的五大技巧，希望对你有所帮助。

01 看似异常的正常波动

有三类波动，是典型的看似异常，实则正常：

1. 业务指标季节性波动
2. 业务指标生命周期变化
3. 业务主动行为引发变化

因此，在做异常波动识别之前，应该主动对业务指标历史走势进行分析，发现其中季节规律/生命周期趋势，分析业务动作对指标的影响，这样才能建立起基础判断标准，避免犯诸如低级错误（如下图）：

真正要关注的，是长期、持续性、违背发展常规走势的变化。这些情况常常意味着业务出了问题，需要深入追查（如下图）。

02 即使很小，也要关注的波动

典型的，比如对收入/成本两个关键指标的异动。收入/成本是大部分企业的KPI指标。增收减支是企业核心任务，因此这俩指标都有具体到月/周/日的明确要求。哪怕波动很小，也得追查，这样才能让业务安心。

比如今日销售收入KPI：1000万，实际完成990万，那就肯定是异动了，没得跑。至于少的10万去了哪？可以按销售渠道做拆解，找到问题源头（如下图）。

短期内的KPI异动，都能解释为：“业务没发挥好”，但是如果某个连续数周表现不佳，则可能存在业务能力不行/方法不对等等深入问题，需要做进一步追查。

03 隐藏问题1：ROI异动

收入/成本指标是可以连起来看的，这时候会有更多发现。因为理论上，有成本投入，才有收入产生，收入/成本应该按一定比例，同步发生才对。

如果两个指标的关系发生错位，就很有可能存在异常，比如：

• 投入持续增长，收入不见涨……
• 投入没有到位，收入还在涨！

这都是问题。

这些时候，典型的表现就是业务的ROI异常，要么异常高，要么异常低。这时候都得查原因。ROI异常低意味着需要做优化，提升业务表现。ROI异常高则说明有猫腻，常常和业务贪污浪费有关系。

注意！这种问题经常被数据分析师忽视，却容易被财务/管理层发现。因为做监控报表的时候，经常是收入/成本分开做，成本分类又是按财务科目，数据分析师看不懂。所以做监控报表时，尽可能把收入/成本KPI做在一起，更容易得出结论。

04 隐藏问题2：趋势异动

有时候并不是KPI没达标，而是指标走势不对！比如：

• 虽然销售暂时达标，但成本越来越高。
• 明明之前走势良好，最近突然变差。
• 收入增长越来越慢，眼看临近拐点。

这些时候都会引发管理层、业务方的焦虑，从而判定为“异动”，然后要求深入分析。

这里，有些异动是业务闯的祸，比如下图这种月底突然踩刹车的走势，很多依靠业务员销售的公司都有，这就是销售们眼看业绩要完成了，故意推迟报单，藏业绩的行为。这种事做多了会让商品备货、绩效核算、成本控制、经营分析都出现偏差，肯定要查。

有些则涉及深层问题，比如：

• 产品生命周期到头了
• 潜在目标用户耗尽了
• 营销刺激让人疲倦了

这些一边表现为持续衰退的曲线，一旦看到衰退迹象，就得提前向业务方拉警报。因为这些长期趋势，往往需要配合测试来确认，处理难度也很大。真等问题发生，可能已经来不及处理了。

05 隐藏问题3：过程异动

有很多指标变化是来自过程指标，比如曝光量、用户登录数量、某个业务访问量等等。这些指标是KPI指标的过程指标，因此一旦发生异动，有可能影响KPI结果。因此会引起人们注意。

第一种：同涨同跌。这是最好理解的，比如流量小了，收入应声而降。这种问题可以直接用数据观察出来，是很容易发现的。要注意的是，如果涨跌不同步，比如流量上升30%，转化才上升10%，那么很有可能意味着有大量低质量流量进来，而低质量流量又经常和业务贪污浪费相关，因此涨跌不同步也算异常，需要额外关注。

第二种：有涨有跌。比如虽然我的流量变小了，但是转化率却提升了，总收入目标还是达成的。这种情况算不算异常？当然算。因为这种变化，很有可能意味着：用户需求的转移，渠道特征的改变，产品吸引力变化等等深层次问题。而且想确认深层次问题，都得复杂的分析。因此一旦发现这种变化，一定要及时提醒业务方，发起深入分析。

第三种：结构转化。比如我有3个渠道ABC，之前依赖A，现在A越来越少，C越来越多。这种情况算不算异常？当然算。因为业务实际已经和预算发生背离。这时候得考虑是否这代表了长期趋势，要不要调预算。这又是复杂问题。发现此类迹象以后，一定要提醒业务方，发起深入分析。

06 隐藏问题4：关联异动

关联异动，指发生问题的指标和主要KPI指标没有直接关系，但是在业务上有关联。导致业务方很紧张。比如舆情，领导早上起来看到一条热门视频怒喷我司产品，那心情肯定好不到哪里去，就会问：“是否有异常！”这时候哪怕KPI指标没问题，领导还是会担心。因此需要结合内部数据来解读（如下图）。

注意！关联异动也有可能是：“我期望的好事没发生”。比如我组织运营人员搞一场培训，到场率90%，培训完了考试平均90分/100分。于是我大喜过望，觉得下个月活动肯定出彩。结果做完了并没有啥差异。看到这场面，我也会纳闷：“啥情况？！”同样会问：“会不会有什么异常呀！”

因此，当遇到管理层/业务方问：“是不是有异常？”的时候，请一定让他们把“什么叫正常”讲清楚！这样才能真正知道他们关心的问题，才能对症下药。

07 小结

想做准确识别业务异常，需要：

1、搭建完善的数据指标体系

2、清晰问题指标在体系中位置

3、了解过往指标走势

4、了解业务动作/业务期望

5、树立恰当的“正常”标准

做1次大型活动，要先做引流推广，再转化，再做售后支持，一场活动下来，各个类型工作都有关联。

这种工作特点，使得做运营数据分析的时候，得特别注意以下四点：

第一：清晰目标

运营工作目标多，因此事前清晰目标很重要。清晰目标才能选择合适的方案，配置恰当的资源，事后分析也才有方向。

运营常见的目标设定方式有三种：

1、达成绝对值目标，比如：在5月内，实现总用户100万

2、达成比例/比例类目标，比如：5月份全月，交易转化率从10%提升到15%

3、达成增量目标，比如：在5月份内，较自然增长额外拉动交易3000万

这里目标1、2都可以直接用数据观察，但目标3涉及“自然增长”的定义，必须事前谈清楚。不然事后很可能无法分析。常见的自然增长定义有3种（如下图所示）每一种都各有利弊，并没有一个完美方案，因此事前一定要和老板、各部门达成共识。

这里经常有人偷懒，在事前不设量化目标，只是笼统说一句：“为提升业绩”、“为拉升用户活跃”……企图在事后，通过数据分析的手段来区分哪些是自然增长，哪些是活动效果。结果经常区分不出来，搬石头砸自己的脚，大家要引以为戒。

第二：梳理指标

运营工作形式灵活，因此经常需要根据实际工作流程，来设定数据指标。一来方便监控执行进度，二来在复盘的时候，好观察哪个环节出了问题，便于追查原因，寻找机会。

比如，运营部门上一个“签到领福利”的活动，每月打卡7/14/21次可以得奖励，奖励包含优惠券，希望同时刺激用户活跃+转化。此时要把下面这些过程指标都梳理出来，方便后续追踪数据，复盘效果（如下图所示）：

1、从什么渠道输出信息

2、一共吸引多少用户参与

3、 每个阶段有多少人完成

4、领取奖励后多少人消费

注意，如果有连续开展的运营活动，需要持续追踪用户参与情况。比如上边说的打卡签到，在持续n个月以后，会有相当数据积累，可以观察：

1、 整体影响到用户是否增加

2、有多少用户重复参与

3、有多少用户从不参与

不同的数据走势，可以得出不同结论（如下图），结合数据走势，可以更好地判断：一个运营手段应持续做下去，还是做出调整。

第三：打好标签

影响运营效果的因素很多，推广渠道、推广文案、活动形式、操作步骤、转化商品、优惠力度等等，都会影响到效果好坏。因此需要在开始干活之前，先对推广文案、推荐商品、操作流程等关键因素，打好标签，才好在事后进行分析（如下图）

除了单个标签外，还可以对运营措施整体打标签，对整体情况进行判断。比如提升用户活跃，领红包、签到、大转盘、积分榜等等好几种手段都可以用，每种手段都可以配置奖励，此时就可以利用标签，把各种手段分组对比，从而了解每一种手段的效果范围，为后续运营提供经验积累（如下图）。

第四：按图索骥

如果做好了前三步，在做运营数据分析的时候，难度就非常小了。

1、对比目标，看完成了多少，看投入是否超支，先下个判断：本次做得好/不好

2、对比同样目标下，历次运营活动的效果，看本次属于：上、中、下什么水平

3、检查过程指标，看看引流→承接→转化，哪个环节有问题

4、对比不同标签下转化效果差异，看哪种手段好用/不好用

这样就能输出结论了。

在工作中，经常看到运营分析没结论，是因为：

1、目标不清晰，或者干脆没目标，光有一堆数据，没结论

2、过程指标收集少，只知道最后转化不行，不知道为啥不行

3、缺少标签，无法把运营手法量化，无法评价好坏

做好准备，才有好的分析结果，切记切记。

2023 年 2 月份，专业服务机构德勤发布了其年度报告。数据显示，2022 年，全球前 250 家零售商的收入同比增长了 8.5%。

该报告通过分析 2021 年 7 月 1 日至 2022 年 6 月 30 日的财政年度公开数据，汇总了全球 250 家主要的线上/线下零售商，重点介绍了增速飞快的零售公司和市场新进入者，其中还预测了这些企业在 2023 年的收入增长，探索了可持续性趋势，并提供了对零售行业未来的见解。

此外，该报告根据总部所在地按地区调研了全球前 250 家零售商的收入表现 ，这可能与实际获得大部分销售额的位置不一致。该报告将总销售额来源地统一归为其总部所在地区。其中，总部位于拉美地区的零售企业年度营收表现尤为亮眼，占比高达 15.2%。

该报告还根据主要品类统计了前 250 家零售商的市场表现，品类分别为服装和配饰、快速消费品、硬件产品、休闲商品以及其他多样化品类。如果一家公司至少 50% 的零售收入来自前三种特定品类之一，则该公司会被归类其中。若这些品类营收都不超过公司收入的 50%，则将其归类为多样化品类。其中，服装配饰类的企业营收占比最高，达到 31.3%。

2023 年 3 月，美国零售联合会发布了由咨询和数据提供商 Kantar 编制的年度零售商名单。

根据 2022 年初的收入进行全球排名。若要被列入其中，零售商需要在至少三个国家开展业务，具体排名如下：

沃尔玛与亚马逊分别以 5850 亿美元、3530 亿美元稳坐全球电商巨头宝座。

作者：跨境梅姐

来源：跨境梅姐

你说报表我就见过，我天天都在更新。可这玩意怎么就体系了呢？做了体系又怎么样呢？为啥我不觉得我做的是体系？

今天系统解答一下。要讲，就从数据指标讲起。

一、为啥需要数据指标

以下话是不是经常听到：

“大概有1万多人吧”

“有很多顾客都不满意”

“感觉我们门店都没人了”

不确定、不具体、不准确。

我们平时过日子都是这么说话的。没毛病，因为具体的消息是有很大成本的，大部分时候我们就是随口说说而已。但是企业经营要是都靠这个那就死翘翘了，花多少钱赚多少钱都不清楚，老板非气得翘辫子。

数据指标就是对抗这种不确定的。

如果我们把上边的表述改成：

4月1日新注册用户9800人，超目标1000人

4月1日当日A产品退货100件，累计30天退货率2.5%

4月1日全国到店用户30万人，到店率30%，低于32%的期望值

是不是爽快多了。这就是数据指标的直观用途。

二、为啥需要数据指标体系

实际工作中，想要准确说清楚一件事是挺麻烦的，比如我们想说：“2月份A产品卖得非常棒！”如果对方想较真的话，可以挑一堆刺出来（如下图）

一个问题，往往有很多方面，只用一个指标不能充分说明问题。这就需要一组有逻辑的数据指标来描述，这就是数据指标体系。

三、数据指标体系五大件

1. 第一要素：主指标（一级指标）

用来评价这个事到底咋样的最核心的指标。比如说：“产品卖得好”。直观地想到是“销售金额”这个指标，因为这是我们卖货直接收到手里的钱，钱多了当然好。

每个指标得有以下要素：

• 业务含义：在业务上它的意义是……
• 数据来源：哪个系统采集原始数据
• 统计时间：在XX时间内产生的该数据
• 计算公式：如果有比例、比率，得说清楚谁除谁；如果是汇总，得说清楚谁加谁。

注意：有可能需要多个主指标，来做综合评价。比如产品卖得好，光看金额还不够，可能还要关注毛利，这才是真正赚到的钱。可能还得看销售数量，因为销售数量和库存直接挂钩，得防止积压太多。这样就至少有了三个主指标：销售金额、销售件数、销售毛利。

2. 第二要素：子指标（二级/三级指标）

主指标可能由几个子部分构成。比如：

销售金额=用户数 * 付费率* 客单价

如果销售金额没达标，我们会很好奇：到底是购买的客户少了，还是卖的人不够多，还是卖得太便宜了，了解细节有利于我们找到真正的问题，这时候就得拆解子指标。

3. 第三要素：过程指标

主指标往往是最终的结果，比如B2B行业的销售金额，是销售线索-售前跟进-需求确认-产品体验-价格谈判-竞标-签约这一系列过程最后的一个结果。光看一个最后结果是无法监督、改进过程的。如果想更进一步管理，就得看得更细一些，从而添加子指标（如下图）

4. 第四要素：分类维度

有可能一件事是很多人、在很长时间内完成的。想知道总销售金额是怎么构成的，每个地区、每个团队分别完成多少，可以增加分类维度。

通过分类维度，把主指标切成若干块，这样能避免平均数陷阱，把整体和局部一起看清楚（如下图）

5. 第五要素：判断标准

即使有了以上四个点，我们还是不能说：A产品卖得好。因为好是个形容词，是和差相对的。因此就需要一个对比的参照物。参照物的选择，本身是个复杂的分析过程，需要做深入的分析。

在构造指标体系的时候，往往这些判断标准是和当前数据一起呈现的。这样在看数据的时候，可以直观地做出判断，使用起来就很方便了。

四、数据指标体系如何发挥作用

小结一下，构成指标体系五部分是：

1. 主指标
2. 子指标
3. 过程指标
4. 分类维度
5. 判断标准

有了这五部分，诊断起问题来非常轻松。

先看主指标+判断标准，比如主指标是：销售金额，先看本月是否达标了，没达标差多少达标。再看年累计达标没有，有多少亏空/盈余。这样很容易看清楚：问题是什么，有多大。

再看分类维度。哪些区域没有做好，是不是一贯做不好；哪些区域做得好，是勉强完成还是持续上涨。这样谁有能力兜底，谁是拖后腿的一目了然。

再看子指标/过程指标。哪个环节没做好，是线索太少了，得加大推广力度；还是跟进成功率低，得提升销售能力；还是报价总miss，得增加一些折扣。怎么处理问题一目了然。

可以说，做好了数据指标体系，基本上能干60%数据分析师的活。好的数据指标体系，就能让业务人员看一眼就知道该在哪里干，该往什么方向干，非常好用。

注意：基于指标体系的诊断，只解决战术问题，不解决战斗层面的细节问题。

比如这些问题：

• 我没有思路，该怎么设计方法？
• 我有三种方法，哪种更适合当前问题？
• 我想用方法一，成功几率有多大？

这些用专题分析的方法更容易解决。毕竟报表报表，只是报告状况的表，至于未来怎么干，得有更针对性的分析才行。

五、如何构造数据指标体系

1. 第一步：明确工作目标，清晰主指标

这是最重要的第一步，先整明白：我做这一堆指标为的是什么。把主指标树清楚，后边判断标准才知道围绕谁做，子指标才知道对应哪些流程。只要是在企业上班的部门，都有各自KPI，因此主指标是肯定能找到的。

2. 第二步：清晰判断标准

这一步也非常重要，涉及到这是“一个有用的报表”还是“一堆花花绿绿的数字”。什么算“好”是一个非常关键的问题。

既然已经找到了主指标，就得为它建立配套的判断标准。这样才能解读数据含义，才知道怎么看分类维度。常见的有四类标准（如下图）。

当然，立标准本身是个很复杂的分析，也可以做得很复杂。但最后，哪些算好，哪些算不好，得区分得很清晰。

3. 第三步：了解业务管理方式，找合适的子指标

有了主指标和主指标的判断标准以后，可以进一步梳理子指标。子指标和业务管理方式有直接关系。

比如销售金额，既能以分公司为单位进行指标拆解，也能以用户为单位进行。具体怎么看，要看业务能怎么管这件事。比如销售一般按区域管理，那就按分公司拆。市场一般按用户管，就按用户拆。总之，业务方便最重要。

4. 第四步：梳理业务流程，设定过程指标

过程指标理论上越多越好，越多过程指标，可以越细地追踪流程，发现问题。但在业务上，不见得每个动作都做了数据采集，因此要结合具体业务流程来，在关键节点加以控制。

5. 第五步：添加分类维度

有很多维度都能当分类维度，选用哪些，完全看业务上能从什么角度管理问题。把对管理有意义的维度加进来。（如下图）

这样就搞掂了一个数据指标体系，过程一点不复杂。大部分时候，实际问题是：没做过数据采集，没有数据记录可以做指标。这才是最头疼的。然而问题是：为啥看起来简单的过程，做出来却没那个体系化的感觉呢？

六、为什么我做的不是指标体系

常见问题一：没有主指标，不知道在干啥。

这是最常见的问题。很多同学的报表是从离职同事那里交接来的。为什么做？做了给谁看？看了又怎样？一问三不知。反正每天照猫花虎，定时更新就好了。

有些同学试图搞清楚，但是业务方自己是糊涂蛋。你问他：你们目标是什么啊？他答：提升GMV啊~~亲，GMV这么宏观的东西，他到底管哪一块？提升的话从多少提升到多少？提升到多少算满意？丫自己做方案也是照猫画虎，稀里糊涂，更不要说和数据分析师讲清楚了。

常见问题二：没有判断标准，不知道说了啥。

这个是另一个常见，且致命的问题。很多同学都是盲目更新报表，数据列了一大堆，到底什么算“好”什么算“不好”，不知道。或者只是天真地认为：涨就是好，跌就是不好。结果引出特别多笑话（如下图）

常见问题三：没有拆解子指标，对着主指标发呆。

这个问题往往是部门分工问题的后遗症。

常见问题四：没有按业务流程构造子指标，单纯堆砌数据。

很多同学构建数据指标体系，喜欢堆砌数据。放一堆指标以显得丰富。可实际上如果不按业务流程找子指标，指标之间逻辑性就很差，看起来经常莫名其妙。更不要说，很容易弄出来类似“你幸福吗”这种稀奇古怪的玩意。

常见问题五：没有根据业务选分类维度，胡乱拆解。

把用户性别、年龄、地域、VIP等级、来源渠道、终端型号等等维度一通丢，显得报表很丰富，实际上业务意义不清楚。

你问他为什么拿男女分类，他答：分出来差异大……至于差异大了还能咋样，业务上有没有能力针对性别做事情，又不知道了。

以上种种问题，本质上都是没有站在对业务有用的角度进行思考。单纯地为了搞指标而搞指标。

这和工作习惯有直接关系。很多同学不是试图自己去理解业务流程，了解业务目标，而是去找一个“权威”“正式”“完美”“通用”版的指标体系。结果就是只会到处抄抄抄，看似做了很多，结果连看数据的人都没几个。

想改变，当然得从基础抓起，不要觉得我有个“数据XX的头衔”，就得看各种高深的算法理论才算有用。搞理论是科学家的事，在企业上班就得干点实际有用的东西。想助力业务，当然得从一线业务认真研究起。

这是我的“秘诀系列”的第一篇。后面我会多写写成功的经验，成功的案例。

我们做数字营销一个核心的迷局是：如何让数据发挥价值。企业老板们问我问得更多的问题，也是有没有看到数据用得特别好的企业。

让数据在数字营销中发挥价值，或者，更直白地说，用数据创造新的数字营销方式、提升数字营销的效果，是大家都希望实现的。

在我们为客户提供咨询服务的这七八年中，以及与数十位企业数据和数字负责人的沟通中，我总结了十多条能把数据用好的“独门”秘诀，以及这些秘诀对应的一些企业的实际例子。希望这篇简明扼要的文章，也能帮助你更好地应用数据。

秘诀一：现实一点，从需求出发

很多企业，一开始琢磨应用数据的时候，基本上都是从考虑自己拥有数据开始的。也就是，急于积累自己的一方数据，然后再畅想积累了一方数据之后能够如何“畅快淋漓”地应用这些数据。

但是，行业中却很少讲一个现实，基本上企业数字营销的数据应用中，门槛最高，难度最大的，是一方数据的应用。如果直接从一方数据着手进入数据领域，就如同玩游戏还没有肝好级就直奔boss PK，容易被虐。

而且，一方数据的应用，不仅要建设数据本身，还要建设配套的场景，搭建与数据对接的工具，这些都属于较高段位的数据应用。

成功者的秘诀：

一家快消饮品企业的数字化营销的数据应用极为老练，我询问他们的digital负责人，他说：微信、阿里（支付宝）、字节，到底哪个适合做私域？99%的人都告诉我，应该是微信。但是，真的是如此吗？不同的行业选择不可能一样。对于我们快消饮品而言，离最终消费最短最近的链路是最好的。因此，交易在哪里，私域就在哪里，我们选择的核心私域平台也就可想而知了。虽然不是微信，虽然也没有一方数据，但是这家平台仍然提供大量可用的数据，对于我们核心聚焦在转化和复购的短链上，足够了。

秘诀二：业务数据化和数据业务化并重

我刚刚听到业务数据化和数据业务化这两个说法的时候，觉得现在的甲方太能拽词了。现在觉得太有道理了。

业务数据化，就是把业务的状况（status）用数据去表现出来（monitoring）。

数据业务化，就是直接把数据用在正在运行的业务（数字营销）中，比如把消费者的数据直接应用在正在进行的数字营销中，用于针对性投放和运营。

数据业务化，也意味着能够通过掌握更多的数据，实现更创新的数字营销方式。

但二者不要混为一谈。

数据业务化（数据赋能），是老板们的追求，战略价值更大，但要求高（后面的秘诀会介绍如何实现它），而业务数据化（数据分析），相对比较容易实现，但不太容易受到重视，往往是表哥表姐的活儿。可是对很多企业而言，业务数据化（数据分析）的价值，同样很大。

毕竟，业务数据化（数据分析）还没有做好，就想做好数据业务化（数据赋能）是很难的。业务数据化（数据分析）的大量逻辑、方法、模型、技术、工具，是数据业务化的基础，更重要的是，业务数据化所积累的数据，同样是数据业务化能够实现的数据基础。我没有看到哪一家企业把数据业务化做得好，而业务的数据化一团糟的。

成功者的秘诀：

一家全球知名的中国3C品牌，他们在业务数据化（数据分析）的能力上，非常令人钦佩。无论是做什么营销活动，他们总是能把每一个细节的数据梳理的清清楚楚。因此，这种能力很容易过渡到类似于不断进行A/B测试这样一些更高级的业务数据化能力上来。

这样，也就大幅度降低了一方数据获取和应用的门槛：不断为实现数据分析而积累的大量数据（尤其是一方数据），又作为数据业务化的极好的基础。他们能够很快实现微信进行的线上线下打通（门店到小程序打通）的模式的背后，就是因为这些日复一日在业务数据化上所进行的数据积累加数据能力积累。

秘诀三：方法无限，但底层逻辑是有限的

数据的应用场景和方法变化万千，让初入此境的朋友非常困扰。

此时切记，方法无限，但是底层逻辑是很有限的。而且这些底层逻辑，不会随着时间推移而发生改变。

什么是底层逻辑？不随时间流逝而改变的规律，以及不会变化的底层变量。例如，对人（受众或者消费者）是如何用数据化的方法描述的，尤其是对他们的行为的描述。以及，在这些描述的基础上，对他们进行选择性的营销与运营。

此外，Engagement Rate和CVR的匹配、诱饵触点规则模型、推荐逻辑、基于监督的机器学习、基于撞库的数据交换等等，这些都是掌握之后，就能触类旁通甚至一通百通的基础逻辑。

不仅底层逻辑重要，这些底层逻辑实际上是相互关联的，构成了对于数据能力和数据应用能力的系统性的知识体系。掌握这些知识体系，对于未来无论何种数字营销进化过程中的数据应用，都会是手中有剑，心中不慌。

成功者的秘诀：

一位叫BEar的读者是我们的忠实读者，她告诉我，从传统以投放为核心的数字广告岗位到更能力要求更全面的数字营销转型岗位，她也就用了两三年时间就完全适应了，而且现在在负责整个公司的数字营销部门。她总结道：听宋老师的课，心态不是为了听答案，因为数字营销没有固定的答案，但核心是要听底层逻辑，以及通过这个课程所掌握的完整的体系结构。最终，这些知识和逻辑可以套用到各种各样的场景中。

她的心态是非常成熟的，她的提升也就肯定不是偶然。

秘诀四：不要被带节奏，要独立思考

行业从来不缺声音，但行业从来都缺乏真实的声音。

行业最容易传出两类声音，第一类，谁谁谁家（甲方）的营销做的特别牛逼，第二类，谁谁谁家（乙方）的工具产品特别垃圾。

数据工具和数字化营销工具能够做到完善是不可能的，因为不同客户的数字营销需求千变万化，一个工具无论如何都难以满足你的所有需求。但总有一些企业可以把这些工具用得更特别牛逼不一定是真的，特别垃圾也同样未必是真的。我们很容易把数据应用的失败推脱到工具的失败上，但我们却极少把数据应用的成功归因为工具。

好事不出门，坏事传千里。所以，我们听到的成功常常是企业自己大放喇叭的结果，而工具的失败与垃圾，则特别容易口耳相传。

数据工具，想要做好并不容易，想要用好，也不简单。很多时候行业中。数据工具和数字化营销工具能够做到完善是不可能的，因为不同客户的数字营销需求千变万化，一个工具无论如何都难以满足你的所有需求。但总有一些企业可以把这些工具用得更好，并。数据工具和数字化营销工具能够做到完善是不可能的，因为不同客户的数字营销需求千变万化，一个工具无论如何都难以满足你的所有需求。但总有一些企业可以把这些工具用得更好。

我并不想给真正垃圾的工具洗地，但我也很想让大家自问一下：我是真得仔细深入地使用过这个工具吗？还是在没有太多亲身体验的情况下，就人云亦云给这个工具贴上了“垃圾”的标签？

成功者的秘诀：

秘诀一中的快消饮品企业的数字化营销的负责人告诉我，他们会把所有的供应商拉在一个微信群里，然后随时为实现某一个业务目的而讨论。他所说的这些供应商中，我听了几个行业中普遍评价比较负面的供应商，但在他这里仍然在发挥非常关键的作用。

工具的好坏，并不一定是最关键的，能够找到它发挥作用的点，才是关键。如果你把Google Analytics这么成熟的工具，用来做国内的微信营销，照样不好用。他说。

秘诀五：不要执着于数据本身，数据能力更重要

用好数据的一个重要的底层逻辑，是拥有数据能力比拥有数据本身更重要。

媒体越来越加码的围墙花园，会让企业自己拥有数据的难度越来越大。企业确实还有至少六个渠道能够获取自己可被掌握的数据，但这并不意味着企业应该把全部力量都集中在获取数据上，而忽略了获取数据能力的重要性。

获取数据之后能产生的价值，尤其是搞定一方数据之后能产生的价值，实际上并不是完全由一方数据决定的，而是由一方数据能够驱动的数据能力决定的。

这些数据能力，也并不是企业自己的什么数据挖掘、数据预测、数据看板之类的能力，而是将一方数据与各种外部资源（比如媒体或其他第三方）相打通之后所形成的能力。

比如，一方数据用于优化广告投放的ROI。这就是典型的需要把一方数据与媒体的投放平台相结合所产生的能力。又比如，车企的线索评级（线索评分）也是典型的把一方数据和外部数据相结合得到的能力。

很多时候，即使我们没有一方数据，也不妨碍我们直接应用媒体的二方数据或者其他的第三方数据。例如，线下门店为发生消费行为的顾客画像，所使用的数据大部分情况下都可以来自于支付网关的DMP。

成功者的秘诀：

某美妆个护企业是一个很好的例子。尽管他们在不断积累一方数据并且挖掘一方数据。但他们一直对与互联网平台的合作持极为开放的态度，他们是美妆行业中最早接入会员通的企业之一，也是最早跟腾讯的知数合作的企业之一。现在，他们也在跟零售商巨头进行数据合作，显然，这种合作并不是双方交换数据，而是互相借用对方的数据能力。

写到这里，已经4000多字了。太长了，还有好几个秘诀没写。我后面会再单独开一篇续篇。

英国数据科学家及数学家克莱夫·哈姆比（Clive Humby）说：数据是新时代的石油。

数据已经成为继土地，劳动力，资本，技术之后的第五大生产要素。这句话强调了数据对经济发展的价值，在企业的营销领域，甚至是传播领域，数据也成为核心驱动力。数据对于如今数字营销的重要性堪比鱼和水的关系。

那么，数据在营销领域的应用到底体现在哪些方面呢？

一、数据驱动营销决策

传统时代的营销依赖营销决策者对于自身业务和营销体系的理解，很多决策建立在其主观感受和判断之上，而也正因为数据的产生让营销成为一门科学，由此也变得可量化，更加理性。

具体又表现为:

1. 营销的投资回报率

企业一方数据的收集将夯实企业的用户（包括客户和潜在客户）数据库，在企业做广告投放时，将一方数据导入媒体平台进行匹配，提升广告人群投放的精准度，从而提升营销的投资回报率。

比如某运动品牌搭建了自己的一方数据库，将企业CRM系统，网站留资，媒体投放留资，微信端留资的数据导入到自建的数据平台（如数据中台）中去，沉淀下来作为企业的数据资产，并且随着营销活动的不断进行，用户数据的属性，用户行为等发生变化，数据本身始终不断迭代和完善，丰富用户的360画像。

而企业对于目标受众画像的定义也可以发生变化，将企业数据平台中的用户画像，所定义的营销活动的用户画像以及和第三方媒体平台的用户画像进行匹配（mapping），那么营销效果一定可以得到大幅度提升。

比如在电商平台的产品广告推荐，运用这种一方数据导入匹配的方式进行投放后，效果就非常明显，据统计，商品的针对性推荐，通常能带来10%左右的购买提升，这可是实打实直接产生的销售。

2. 敏捷性价值

营销活动效果可追踪，可监测，可衡量。这又体现在三个方面：一方面，一次营销活动带来了什么样的营销结果，相比较上次或者竞品，是否做得更好？什么渠道的获客成本是最低的？流量质量是比较高的？这些常见的营销问题分析，数据会告诉你答案。

另一方面，市场和销售经常会为客户线索的核心贡献者是谁争执不下，那么一个最终客户的成交到底是什么来源带过来的？市场部的贡献权重有多少？操作层面可以通过各种监测系统和手段例如UTM tracking布代码, 国双的web dissector, ads dissector等监测工具去进行追踪，了解客户最初接触品牌的源头在哪里，随后用户路径又是什么样的，市场部门起了多大的作用。

这些数据监测和线索归因系统和技术给与市场部客观的证据，帮助其量化价值。这在市场部门不直接面向客户，不直接转化客户，销售贡献容易被低估的情况下，还是很有意义的，无论是争取资源还是未来和销售部门的配合上数据的价值不可估量。

第三，数据帮助营销人员获得实时客户洞察，这恐怕在传统营销时代做不到的，一方面，数据要客观全面，另一方面，要足够敏捷，帮助营销决策者做出快速正确的决策，从而采取行动。

实际商业场景中，在客户有需求的时候，如果你没有足够快且准确地去洞察他的需求，等你发现的时候可能他已经转投竞争者的怀抱了，所以一定要快，而对单个客户行为数据的监测，实时追踪就让这种快速洞察客户需求，从而采取针对性的营销行动提供了可能性。

二、数据赋予企业进行销售贡献预测和客户终身价值的能力

企业进行营销活动的主要目标还是为了驱动销售增长，数据赋予企业进行销售预测的能力。预测的本质是寻找历史规律。因为企业有用户数据的积累，有沉淀和数据的演化，数据的演化代表了客户行为的演化和需求的变化，这些都帮助企业在未来对相似客户可能产生的生命周期价值（也叫终身价值）的预测提供了可能。

销售增长除了来自新客户（获客）带来的贡献，同时也来自老客户终身价值的增长，也就是说老客户买的多（即复购repeated purchase和交叉购买cross-selling），买的贵（即向上购买up-selling），那么销售额自然增加。

预测本身不是目的，预测的根本目的是从数据中寻找历史规律以获得单个客户未来可能的销售贡献，从而根据这种可能性去分配市场资源，制定营销行动计划。

三、数据营销提升客户体验，更好地应对个性化时代

企业业务增长的核心在于客户体验的提升，随着消费者生活水平的不断提升，对生活品质的追求，消费者已经不再满足于大众通用的消费品，转而追求更加个性化的产品和服务。

对于B2B企业也一样，比如新能源汽车消费者对于车内空气质量的提升提出了更高要求，车已经不再成为交通工具，而是生活品质和优雅生活方式的体现，那么汽车厂商在空气质量提升必须付出额外的努力。

他们在寻找供应商时需要更加定制化的服务，保持车内氧浓度在最佳合理范围内，且与其空调系统进行集成，其技术服务商目前的产品和技术可能用在别的行业如医疗，那么在新能源汽车领域的车内富氧技术开发和产品供应就是为垂直客户需求定制，提供的时更加个性化的服务。

这种趋势在未来消费升级的时代将愈演愈烈。数据时为了更好的客户洞察，客户在什么时间需要什么，这些最好是由客观的数据，加上销售人员和客户的沟通演绎来完成这个洞察故事。

那么，市场营销人员如何利用数据制定数据营销策略呢？

1. 尝试建立一方数据库，部署数据系统，运用合适的工具沉淀数据资产。
2. 改善数据质量，建立完善的数据收集，应用和治理流程。
3. 围绕营销目标制定数据营销策略。回答为什么做，做什么，如何做，需要多少资源的问题。
4. 搭建数据营销组织，分工明确。数据分析师，数据科学家等不同岗位需要招聘专才发挥不同的能力，同时形成组织协同，提升组织效能。

当下私域如火如荼，朋友圈作为触达私域用户的重要渠道之一，做的好与不好，效果天差地别。

优秀的朋友圈运营，不仅能提升用户的留存和互动，进一步提升转化。还能从中筛选识别出高价值用户，更好地服务他们。

然而有的企业明明不缺好的内容输出，更新也很勤快，却得不到好的结果。原因在于没有用对策略和方法，也不也不重视相关的数据分析，所以无法做相应的调整和改进。

下面具体讲解做好朋友圈数据分析的3个步骤。

01、收集数据

收集数据是整个数据分析过程中最基础的步骤之一，为保证后续分析准确性，务必要确保收集到的数据足够可靠、准确和全面。

朋友圈的数据收集相对简单，可以通过自己手动收集，也可以通过一些数据采集或第三方工具进行自动化收集。

需要记录关注以下几个维度的数据变化：

1、发布时间

即朋友圈的发布时间，通过对发布时间的分析，可以了解用户发布朋友圈的偏好时间和活跃时间，帮助你确定最佳的发布时间，以获得更好的曝光和互动。

2、内容类型

内容类型包括文字、图片、视频等。通过对内容类型的分析，可以了解用户喜好的内容类型和受众群体，以便制定更有针对性的推广内容和形式。

3、栏目类型

栏目类型指不同内容的分类，例如活动信息、种草内容、品牌宣传、知识技巧等。同样可以从不同类型受欢迎程度，进行比例的调整。

4、评论数&点赞数&互动数

这些指标都是衡量用户参与度和互动度的重要指标。通过对这些指标的分析，可以了解用户对推广内容的反馈和互动程度，以便制定更具针对性的推广策略和内容。

5、成交金额&成交人数

这两个指标通常是针对专门做转化的朋友圈，用来分析你的朋友圈的转化率和商业价值。了解你用户的购买意愿和购买行为，帮助你评估你的营销策略的有效性。

6、活动人数&活动转化率

活动的指标不同于成交指标，不一定是要转化，可能是针对一些引流活动、新品试用活动。可以用来评估活动的吸引力和参与度，并且帮助你确定哪些因素可以影响参与度，以便更好地制定营销策略。

在实际运营过程中，可以根据企业自身情况，对收集的数据维度进行调整，以下表为参考：

需要注意的是，关于朋友圈转化或引流的数据，不是每家企业都能精准跟踪到。可以采用其它形式评估，比如以当天成交时间段推算，可以有个大致的参考。

02数据分析

数据收集完之后，我们需要通过这些数字，归纳成一个个对我们有帮助的观点。

通常以周或月为单位进行，可以尝试从以下几个维度分析归纳:

1）同比对比 ：例如这周的平均数据和上周的平均数据对比，分析上升或下降的原因；

2）最大/小数值对比 ：例如某一条朋友圈数据特别高，分析与众不同的点；

3）趋势变化：选取一段时间进行分析，例如双11期间进行了大促，整体数据是否有大的变化；

有了一定的数据结论之后，我们可以从两种场景进行分析：

场景一：已知结果找原因

例如：4月第一周的互动数据最高，针对这个结果，该如何分析？

可以拆分影响互动率的所有因素：内容质量、发布频率、话题热度、发布时间等。然后将4月第一周与其他周相同的维度进行对比，找出变量。

比如经过拆解后发现，4月第一周与第二周，在内容质量和频率上很接近，但发布时间都不同，那么问题很大概率就在发布时间上。

场景二：明确分析目标

例如：5月份朋友圈的销售KPI需达到10万元，如何制定相应的计划？

可以从销售转化最高的几条朋友圈入手，分析其“高”的原因。同样可以拆分影响销售转化的因素：发布频率、内容质量、内容类型等。然后与其他朋友圈进行对比，找出变量因素。

比如转化最高的那条朋友圈包含客户反馈的好评截图，可以找不同内容类型，但发布时间等因素相同的朋友圈进行对比，那么很大可能这种带反馈的方式更容易转化。

需要注意的是，最好将分析结果进行呈现，可以使用可视化工具将数据以图表的形式展示出来，例如条形图、折线图、饼图等。这样能够更加直观地展示分析结果，让人更易于理解和使用。

03、验证假设

因为一条朋友圈的效果好坏是由多种因素组成的，并不能通过数据直接判断是因为某一项因素导致。

所以我们在上一步骤分析出相关的原因后，需要通过实践来进一步验证假设。

回到上面的问题，例如针对4月第一周互动数据好的原因，我们可以围绕互动数据变好的原因，提出假设并验证：

1、热点的内容更容易引起用户兴趣

这需要考虑，你的用户群体画像是什么样的？例如是年轻人更偏爱八卦娱乐热点，年纪偏大的用户更偏好时政新闻的热点。

然后，在保证其他因素不变的情况下，加大热点内容的比例，如果互动数据有明显提升，那么就验证了这个假设。

2、时间段发布好

这需要考虑这个时间段背后对应的场景和人群，例如你的用户群体是宝妈，所以你的朋友圈在早上8点或晚上10点互动会高。

那么，你就可以在保证内容、图片方向不变的情况下，调整中午时间段发送的频率，观察是否整体的互动数据有所上升，验证有效则加大早上或晚上的发布比例。

当然，我们给大家举的例子可能比较简单，主要是为了给大家提供这么一种思路，大家可以根据自己在朋友圈经营中的实际情况来进行。

经过长时间的数据分析，优化迭代后，相信你的朋友圈数据必定会有所提升。

写在最后

总结一下朋友圈数据分析的3个步骤：

收集数据：数据的维度包括发布时间、内容类型、评论数、点赞数、互动数、成交额等；

分析数据：以某一时间单位，对数据进行总结归纳，并分析出影响的变量因素有哪些；

验证假设：通过假设的变量因素，针对性地进行验证，得到结果修正后续运营动作。

作为头部种草社区，小红书的种草氛围始终浓厚，据官方数据，小红书平台用户月活已超2亿。与此同时，小红书还在持续商业化，年初的春节营销活动，总曝光就超20亿，有13万+的用户参与其中

活跃的用户和官方的精细化运营为品牌创造了良好的营销环境。对品牌而言，营销不仅可以增加曝光率，还可以提高产品的有效转化率。那么在小红书，品牌如何才能将质量与效益结合起来呢？如何衡量投后效果？需要结合哪些指标来判断转化效果？

这里把所有指标分为两大维度，一个是种草阶段，这一阶段的指标多为种草效果负责，另一个是拔草阶段指标，这一阶段的指标多为转化效果负责

一、种草阶段——转化成本判断

1）CPM —— 千人展现成本

CPM（Cost Per Mille）——千人展现成本，指的是在投放过程中，平均每一千人分别听到或者看到某广告一次一共需要多少广告成本

通用计算的公式如下：CPM（千人展现成本）=（广告费用/到达人数）×1000

具体到小红书平台：CPM（千人展现成本）=（KOL报价/曝光数）×1000

CPM是小红书推广曝光触达效果的主要考虑指标，同时也建议品牌关注小红书平台内容本身的互动量，并根据目标营销词的表现做相应的优化。在电商销售转化，复购后链路中，种草内容的搜索权重，转化链路的可行性、多样性是核心的指标

2）CPC —— 点击成本

CPC（Cost Per Click）——点击成本，是以每次点击（或每一千次点击）为单位进行收取的

计算公式：CPC（点击成本）=KOL报价/阅读数

这里要多说一嘴，小红书商业流量信息流部分也有CPC的指标，如果涉及到这部分流量的话，也是要看这部分的CPC指标的，可以直接通过信息流后台得知CPC数值。当然了，CPC的数值也是可以通过优化不断变化的

3）CPE —— 互动成本

CPE （Click per Engagement）——互动成本，是按照用户的有效互动行为来计算广告费用的，在小红书平台，互动数主要是指笔记点赞+收藏+评论的总和

计算公式：CPE（互动成本）=KOL报价/互动数

单人互动成本指的是总费用除去总互动数。参考效果广告的单人互动成本，一般10-20元之间的单人互动成本是常态，低于10元的互动成本算是不错，低于5元的互动成本已经很优秀了

二、拔草阶段——转化效果判断

1）CTR —— 点击通过率

CTR（Click-Through-Rate）——点击通过率，是指笔记的点击到达率

计算公式：CTR（点击通过率）=小眼睛/曝光

当前大盘点击通过率在10%左右，可自行对比

2）Vol——互动率

Vol（互动率），可以反映笔记的交互情况，主要是通过互动量（赞+藏+评）/浏览量得出

计算公式：Vol（互动率）=（赞+藏+评）/小眼睛

当前大盘点击率在3%-5%，可自行对比

3）爆文率

爆文率是指爆文数占单次投放整体的比例，当前小红书各行业平均水平在5%-8%，当然也有很多优秀的机构能做到10%以上，比如我们项目爆文率均值在17%（不好意思，王婆卖个瓜）

计算公式：爆文率=爆文数/总投放笔记数

这个指标目前很多品牌并不看重，但这里要重点解释一下。爆文是最大的内容杠杆， 一篇爆款文章可以带来非常好的搜索词占位和发现页面占位，可以带来非常长尾的自然流量，甚至可以溢出搜索到百度

同时，爆文也验证了笔记内容逻辑的是OK的，可以被更多潜在消费者所接受，内容选题也可以复制到其他平台进行更多次的发酵

因此，爆文率不仅能带动良好的自然流量，还能验证内容逻辑， 是链接整个投放行为的关键指标。

4）投后的“自来水”增长比例

“自来水”的增长比例是验证投后心智的最佳指标

一般能带动“自来水”的原因：

①素人用户：被吸引购买，产品性价比高，觉得真好用/便宜/颜值高等等

②博主自发：觉得这个品或者这个话题能带来流量，成为爆文

5）收录率

收录率其实是江湖的说法，官方从来没有提过关于收录的信息，所以很多品牌收录的定义都不一样，有的会把它定义为搜索达人名称就可以搜到的内容即为收录成功；有些则定义为可以搜索到要包含的品牌词或类别词才算可以。所以，当指标的定义不能高度统一的时候，大家的平均标准就不一样了

这里给到大家一个收录标准（仅供参考）

1.搜标题法：直接用博主的标题搜索，若直接用标题搜索，都没有出现该笔记，很大的几率是没被小红书收录的

2.搜博主ID法：每个博主的ID都是唯一性的，所以搜索博主的ID，在【综合】和【最热】里面若没有出现该笔记，证明该笔记没被系统收录（一般是博主发完笔记过段时间去搜索，不要马上搜索，有审核和收录延迟）

6）内容整体报备率

扣分机制上线以后，必须要注意投放的整体报备率了，如果报备率可能会导致被扣分。根据以往的经验，软广笔记与报备笔记的比例阈值约为1:10，即每10篇文章软光笔记最好配合1个报备笔记

听Vic一句劝，扣分很麻烦，一定关注好报备率，品牌能正常曝光，是商业投放的大前提

写在最后

品牌想在小红书实现有效投放，离不开两件事：一是打造适合品牌的优质内容；二是配合指标监控效果，然后反复复盘。正确的事情，需要反复做，提高概率，相信概率。通过双管齐下的精准化营销，才能帮助营销策略实现迭代升级

投后数据是品牌最重要的无形资产之一

以上