B端与C端数据有何差距？该如何做具体分析？本文结合具体应用场景，与大家谈谈B端业务下的指标体系的建设过程。希望对你有所帮助。

21年7月份的时候写了一篇文章《我在B端做数据分析（一）》，对B端和C端在业务上的差异性进行了对比，将数据在B端业务下的应用场景做了概括性的总结。

时隔两年，续着第一篇接着往下写，说一说B端业务下的指标体系的建设过程。

在第一篇文章里面有提到过几个管理层关注的核心指标：合同金额、付费用户数、付费转化率、用户客单价、用户流失率、商机线索量、市场占有率。

在现在能够检索的知识里面，构建指标的过程、以及指标建设的重要性，都已经逐渐标准化，不算新颖的内容，也不算创新的知识点。

在指标建设过程中的合理性、复杂度、落地性都饱受争议，以至于很多分析面试的第一关便是如何建设基于某某场景的核心指标，如何去做指标的定义与监测，如何对核心指标进行跟踪…

为什么指标建设难落地？

为什么我们一直在说指标建设，但是却又一直做不好？指标建设，绝对不是说做一套产品就可以了，产品只是指标应用的一个承载体而已。

前几天去省厅开会，有一句话特别有感触。

对做数据统计的岗位来说，如果没有系统化的指标来支撑，就会很痛苦，可能每天都会在找数据和凑数据的过程上，就显得比较低效。

所以才会去推数字化转型建设，从源头就把信息内容变成数字化，减少人为干预的环节，实现全链路的数据可视化。

做企业，最大的目标是为了盈利，非营利性的组织与团体，不在分析的范畴内。

无论是平台型B类、SaaS服务型B类、实业型B类，从全生命周期的角度来说，都离不开「营收」、「品牌影响」、「行业知名度」。

指标，是伴随考核而产生的，中央考核部委、部位考核省厅、省厅考核市局、市局考核县区、区县考核到单位，这就是一个完整的考核链路。

对公司而言，也是一样，董事会考核公司管理层、管理层考核事业部、事业部考核到子级业务线。

促进数据指标建设的必然性，一定离不开企业在做数据化转型、数据管理、数据驱动中的主要痛点，尤其是在经济下行的市场环境下，营收目标的增长实现，就需要一套指标拆解的方式进行动态跟进

譬如公司的整体营收金额，根据杜邦分析法进行结构拆解，拆分到事业部、区域、产品，然后从用户基数、付费转化、投放进行拆分。

指标的建设，不是空穴来风，做做样子，而是解决实打实的业务痛点，在企业运转过程中，几个最典型的问题在于：

• 同名不同径，同径不同名
• 口径不清晰，口径有错误
• 命名难理解，计算不易懂
• 来源不清晰，同部不同径

了解战略目标-熟悉业务特性-提炼场景指标-核心指标开发-跟踪监控预警

• 结合公司业务的核心战略目标，做基于财务营收利润的指标拆解；
• 结合市场营销的拓展方向目标，做基于业务运营增值的指标拆解；
• 结合产品规划的架构体系目标，做基于用户体验优化的指标拆解；
• 结合流程建设的数据治理目标，做基于管理降本提效的指标拆解；
• 结合售后服务的满意提升目标，做基于客服诉求评价的指标拆解；
• 结合客户交付的工程实施目标，做基于需求交付过程的指标拆解；
• 结合政策动态的行业监控目标，做基于媒体资讯管理的指标拆解；

在第一篇文章中从用户、业务、产品、行为、数据五个方面对B/C端进行了多维对比，在定义和设计指标的时候，需要充分认知到企业所在行业、市场上的差异性。

为什么说B端很简单，大多数的理解起来，B端的用户体量比较少，所以数据就会少。

在中国，C端的用户体量大约在7～9亿左右额，而B端的用户体量，根据工商统计大约有4、5000万家注册企业数，划分到细分垂直领域，每个行业下的体量更少了。

具体可以体现在以下4点：

1. 量级简单，企业级，客户保有量有限；
2. 成交简单，搞得定B端的KP，事情可以变得很简单；搞不定，简单的事情也推不下去；
3. 数据简单，订单量有限，百万级/千万级通常是天花板；
4. 指标简单，市场保有量、市场占比、新老客户占比、复购率。

但实际上，B端也不少，主要看业务体量，是属于订单性质，还是看大合同类的服务履约性质。

（1）决策链路复杂

有限市场下的客户开发难，B端衔接的是企业和企业之间的关系，看似不赚钱的事情，却往往是B端打造客户案例，拿下行业规模化应用的机会

（2）涉及的业务链路复杂

客户获取，客户成功，客户转化，不会随着样本变多而成正比增长，会随着业务增长快递碰到市场壁垒，陷入增长瓶颈期

（3）大数定律在B端有用，但是没那么有用

关系复杂，不起眼的一个人，有时候会成为整个事情的卡点；好搞定的人，一般都是看起来好搞定，背后操盘的人不出来，很容易前功尽弃

从上至下的指标体系建设需要跟随企业战略目标的变更而进行变更，从而需要进行大量的指标变更。

从下至上的指标体系应关注在每个业务域内的经营活动而形成指标。要注意的是，各个业务域内可能存在交叉环节，相对应的指标在内部以及部门合作之间需明确指标口径。

3.1.1 自上而下

基于BI本身的职责和公司/团队对BI的要求，设计BI建设体系并分别推进落地，跨团队的项目模式进行；

战略指标：一般不超过三个战略（主要以盈利为目标的），除非超大型企业，确有需求的情况下。

北极星指标：影响权重最大的关键性指标。战略指标与北极星指标会共存，并会随发展而调整。

3.1.2 自下而上

整体而言，公司的目标会贯彻到各个子业务线的中短期规划里面，从组织架构设计上来看，指标建设的过程也应该是从上到下的管理过程。

实现方式：从业务需求出发，提炼需求过程中涉及到的数据内容项，形成业务核心指标；

• 根据前台业务的划分，譬如xxx事业线、xxx产品，来划分基于事业群的指标体系，重营收、交易增长和用户增长；
• 根据业务中台的划分，譬如交易中心、用户中心、商品中心、支付中心、仓储物流中心、发票中心，来划分基于产品的指标体系，重基础建设、流程效率；
• 根据后台部门的支撑，譬如运维中心、数据中心、客满中心，来划分基于管理的指标体系，重客户满意度、需求解决率、时效。

基于BI团队现有的职责和任务，专注于用户侧需求的满足，涉及标准化建设的需求，建立推进机制，BI团队作为需求和问题的发起者和结果的验收者存在。

实现方式：

从元数据开始介入管理，重数仓设计，ods->dim层->dw层->ad层的架构。

• 基于不同的业务域、业务过程、核心环节进行指标构建；
• 基于十大主题进行归类，可以构建原子粒度的DWD(数据明细层)和DWS(数据汇总层)，也可以用于方便集市内部表单管理。

用户、协议、产品、资产、事件、活动、地域、内部机构、渠道、财务。

指标系统依托离线开发中心，是指标的统一入口，通过定义原子、派生指标，明确指标业务口径和技术口径，解决指标定义不一致、口径不一致和数据来源不一致的问题，实现规范定义，助力数据模型规范设计。

3.3.1 数据指标的生成

原子指标：不可分割指标。实际业务中，原子指标很复杂，不同时间节点的原子指标不一样，行业规范不一样。原子指标含有高度行业属性。

派生指标：从原子指标发展，增加维度和定语去而形成的。可以在业务情况下，退化为原子指标。

ps：原子指标与派生指标的定义相对模糊，需要在特定业务场景下能清晰定义为原子或是派生。

指标口径：等同逻辑（条件、范围、维度、度量方法）。

例如SQL查询语句：

维度和事实：维度是可枚举性的值，且是有限值，可归集。事实是不可更改和调整的。

复合指标：通过几个派生指标经过运算形成。

例如：将浙江省内2021年度交易次数>5次的供应商计数的运算。

3.3.2 数据指标的维护

谁在什么时候应该做规则更新

• 生成：将条件、范围、维度、度量，事实明确而形成，例如SQL查询。
• 定义：通用规则，通过逻辑去诊断指标定义。包含指标名称与指标口径。外部用户叫法及内部系统名称，对于不同用户受众，需要不同叫法。
• 命名规范：需要注意针对对象进行命名，例如针对管理层GMV，对业务方销售额。中文和英文设置根据数据库表内的字段名生成。
• 应用：针对不同受众，所理解的指标别名不同。例如：GMV在有任务场景下被定义为月销售额输出。
• 迭代维护：当业务，系统等情况发生变化时，需要对指标定义进行重新定义、修改。

3.3.3 数据指标的销毁

生命周期的末端

销毁：销毁指标同样是一种选择，但通常不常用。销毁复合指标的场景是：当复合指标不符合当期经营所需情况且不产生价值时。

指标应用的几个方面：数据可视化产品、BI业务报表、用户标签与画像、风险模型与预警。

可视化，就是用最直观的方式进行呈现，发现数据间的关联和规律，理解数据背后的关系，从而得到决策建议和洞察。

实际过程中的四大作用：核心指标监控、实时动态监测、对外公关宣传、异动预警治理。

• 核心指标监控，关键的业务指标、性能数据或核心运营数据，变化和趋势可以迅速被捕捉到，便于及时做出决策和调整
• 实时动态监测，各个部门的任务完成情况一览，对关键事件可以了解业务进展，及时解决问题
• 对外公关宣传，向投资者、合作伙伴或客户展示公司的业绩、业务发展和战略规划，强宣传效果，提升企业形象
• 异动预警治理，异常波动或超出阈值，触发预警机制，通知相关人员采取措施，预防潜在风险，保障业务的稳定运行。

业务报表，可以让运营更加高效，通过自动化数据处理和分析、快速生成报表、数据可视化、实时监控和预警、跨部门共享数据以及优化业务流程等方式，可以提高工作效率并降低运营成本。

（1）自动化与洞察

替代运营人工做的数据处理、图表分析过程。

• 通过数据建模的方式实现自动化报表，减少手动操作和错误，提高工作效率；
• 通过多样化的图表可视化功能，替代Excel数据呈现上的问题，快速洞察问题。
• 业务下钻分析

统计，只能满足看数的需要。

深入了解问题、剖析问题，需要通过数据透视，深入了解数据背后原因和影响因素，逐层拆解才能发现规律。

通过数据指标对用户的需求、行为进行特征抽象，定义人群类型，从而提供更精准的产品或服务，并优化营销策略，提高企业的竞争力和运营效率。

（2）用户特征

通过数据，对用户进行特征刻画，包括用户的消费习惯、偏好、社交行为、生活方式等多个方面。

抽象出用户的兴趣爱好和需求，针对性地设计产品功能和营销策略，提高用户满意度和忠诚度。

（3）商机发现

通过对客户人群的划分，对每类人群进行差异化服务和营销策略，提高用户体验和服务质量。

结合竞对的分析，识别出“敌有我无”、“敌有我有”的重叠部分，挖掘更大的商业机会。

数据分析可以划分为两类：过往经验的归纳总结、未来事情的预测判断，分析历史数据和行业标准，找到一个数据阈值和预警范围，形成事件进行督办治理，打有组织的“仗”。

• 财务风险，如财务比率、利润指标、现金流指标等；
• 运营指标，包括生产效率、产品质量、供应链管理等；
• 市场评估，类似市场占有率、销售额、客户满意度等指标；
• 行业风向，通过行业增长率、行业利润率、行业风险等指标都可以进行判断；
• 信用模型，最典型的芝麻信用分，其他的还有信用评级、信用风险等。

B端企业有着非常强的行业特性，在不同的行业背景下，呈现出来的内容有着非常强的差异程度

B2B/B2G，衔接厂商与经销商、政府与服务商、渠道代理与分销商之间的平台公司，从流量-曝光-获客-访问-选购-下单-支付-仓储物流-最后1公里配送的交易流程，对埋点强依赖，行业特性比较强。

核心指标：GMV、转化率、ROI、复购率。

SaaS软件即服务，需求和服务的行业差异性特别大。包括信息软件服务、人力资源服务、财务会计服务、企业管理咨询服务、IT技术支持服务、法律咨询服务等。

核心指标：复购率

PaaS平台即服务，通常是指针对企业或组织等而设计和开发的互联网软件工具，旨在帮助企业提高工作效率、降低成本和提升业务管理水平等。

零售行业，通过快速建立品牌形象，以销售目标为导向，满足顾客的需求的同时确保获得最大的利润。

核心指标：GMV、连带率、客单价

利用互联网和移动互联网技术，为汽车行业提供线上和线下一体化的服务，包括汽车销售、维修、保养、租赁、二手车交易等领域，通过平台查询汽车信息、预约试驾、在线下单、申请金融服务等，为消费者提供更精准、更定制化的服务和产品。

主要包括：汽车生产厂商、经销商、维修保养机构、租车公司、物流运输企业等。

可按照细分场景做更细粒度的拆解：

注重商业性和专业性，针对的是大型企业和机构的需求和目标，涉及的产品和服务范围更广，其特点是项目规模大、服务内容全面、专业性强、服务要求高。

金融行业，快速响应企业、家庭、个人的灵活用钱需求，解决资金短缺问题，同时也为机构带来稳定的收益来源，通过保险合同的签订，将某些风险的损失分散到众多保险客户之间。

主要包括：保险、保函、贷款、信用卡、消费分期、互联网金融、小额贷款等。

通过互联网技术和平台，为医疗机构、医生、药企等B端用户提供一系列在线医疗服务的商业模式。

服务包括在线问诊、远程医疗、病例管理、医疗影像处理、健康档案管理等多种形式。

平台为企业、机构和个人，提供短视频、课程、文案等内容创作、制作、发行的服务。

核心指标： GMV、LTV、

本文由 @郑小柒是西索啊 原创发布于人人都是产品经理。未经许可，禁止转载。

题图来自Unsplash，基于CC0协议。

该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。