很多产品都设立了自己的北极星指标，作为衡量产品一个战略周期的关键成果指标

随着增长理论的深入，很多产品都设立了自己的北极星指标，作为衡量产品一个战略周期的关键成果指标。

但由于指标过于宏观，可能对于业务策略制定和执行的指导性不强。因此，我们需要拆解出可以影响关键指标的因素，并将这些因素对应到具体的、可落地、可度量的行为上，从而保证执行计划没有脱离大方向。

这里介绍一下我们最常使用产品数据分析框架–OSM模型 (Objective、Strategy、Measurement)三个词的缩写，其中：

• Objective (业务目标)：明确业务要提升的目标是什么？
• Strategy (实现策略)：为了提升目标所需要采取的策略是什么？
• Measurement (评估指标) ：尽可能使用数据语言描述策略是否达到了提升目标？

利用OSM模型梳理自己产品的数据框架，不同产品的数据体系差异也主要体现在这里。比如游戏行业，可能更多的关注用户留存率；而针对电商平台，可能更多的关注转化率。

拿电商平台的转化率来说，我们对购买下单的关键路径进行漏斗分析，比如从浏览商品到最后下单购买成功，这其中每一个步骤的转化率是多少，跳出率是多少，对于漏的比较多的那个步骤我们需要重点分析，因为这关系着平台的最终盈利。

因此我们最终会将转化率提升作为我们的核心指标，并将这一目标利用OSM模型进行拆解。然后确定了一个可以数字化的执行计划，每一个评估指标的波动，都可以评估其对核心指标的影响，继而我们也可以知道每次的功能代优后应该产生的效果。

举栗说明：商品总成交额＝用户流量数＊成交转化率＊客单价，我们可以分别从这3个点来细化：

3. 分析结果

数据分析之后还有一个重要的工作，那就是推动分析结果的落地，没有落地的分析结果都是无用的分析。

上面也提到，如果评估出来功能效果满足预期，我们可以推动运营同学将新功能包装并对外推广。但是，如果当我们发现新上线的功能效果远远低于预期，这个时候难道仅仅是把这个效果同步出去就完事了吗?

当然不是，正确地打开方式是分析哪里出现问题以及为什么会出现这个问题。

这里我们尝试着从用户、产品、竞品三个当面将问题细化，然后用假设检验分析方法对细化地问题进行一一验证，可综合使用对比分析方法。先明确问题出现在哪里，以电商某商品下单转化率低为栗子，如图：

那针对以上的可能原因，我们逐步一一进行定位分析，最终得出的结论是：用户购买竞争对手的商品，一是因为竞品的价格优势，而是因为自身产品的售后出现问题。

我们定位了效果不好的原因，如果这时我们对如何优化有好的想法了，我们就可以直接找领导去聊聊策（ren）略（sheng）。

但如果对优化策略还没有好的方案，就可以组织一场脑暴，让大家好好沟通一下分析结果以及他们对于优化的思考。毕竟，人多力量大。等到大家敲定了优化方案，接下来就是方案的落地，以及下一轮效果评估啦～

当功能效果达预期时，数据分析是运营同学的后盾，保证运营推广不走偏。我们需要注意的一点是，每一次数据分析后，运营同学也会进行效果复盘。