7.3
深览指数
产品人人都是产品经理·AI产品经理老猫··AI 生成
产品指标怎么定？从业务结果倒推用户行为
本文以电商退款场景为例，指出「退款处理更快」这类看似合理的指标，若不经拆解，落地时会导致定义混乱、数据失真。核心方法论是「从业务结果倒推用户行为」：先明确业务目标，再沿流程拆解为可观察的事件（用户行为、系统事件、外部处理），最后构建「结果指标-流程指标-行为指标」三层指标树。文章强调每个指标必须写清口径和不能推出的结论，避免用单一数字掩盖真实问题。适合产品经理、数据分析师在搭建指标体系前阅读，能有效提升指标定义的系统性和严谨度。原文 ↗
核心观点
- ▍指标不是先找一个漂亮数字再想办法让它变好，而应从业务结果倒推：谁要完成什么任务，流程中必须发生哪些行为和处理动作，系统能否准确记录这些事件。
- 01「退款处理更快」指标需明确四要素：对象（有效申请 vs 全部申请）、起点（有效提交成功）、终点（支付渠道确认完成）、排除与分层（退货、原因、支付渠道、人工/自动审核）。
- 02一次退款流程包含用户提交申请、资格校验、审核排队、补件往返、退货物流、支付回调等十几个环节，其中用户行为、系统事件、外部处理三类事件不能混为一谈。
- 03构建指标树：结果指标（总时长、完成率、催问率）判断是否变好，流程指标（各环节时长）定位卡点，行为指标（补件率、通过率）寻找原因。
- 04每个指标需写清口径和不能推出的结论，例如总时长上升不能直接归因于某环节，需检查其是否来自退货物流、审核排队或支付渠道回调。
- 05指标改善不能直接证明方案有效，需固定人群、窗口、分组和统计方法，同时观察异常、投诉等负面指标，避免压缩环节或改变样本造成的虚假改善。
反方 / 局限
- — 作者承认平均数容易被极长等待拉高而掩盖多数人体验，但未深入讨论「分位数选择」在不同业务场景中的具体权衡（如尾部延迟对投诉率的影响比中位数更关键）。
- — 文章强调指标不能代替访谈、客服记录和流程调查，但对如何将这些定性反馈与指标体系形成闭环（如用投诉率校准指标权重）着墨较少。
6 分钟 · 3 卡片 · 6 资料
读原文 →