前言
许多刚入门数据分析的小伙伴对一些数据指标或者数据本身的概念很模糊，尤其是当跟运营、数据分析师扯需求的时候，会被这些密密麻麻的指标给弄糊涂。
作为互联网从业人员，目前看来对数据指标、指标的运用还是需要再深入学习下。终于挤出一些时间重新梳理了关于数据指标相关的一些知识，先梳理下数据指标基础知识。
一、常见指标
先来看一看常见的一些数据指标们
1、DAU：Daily Active User 日活跃用户量。统计一日（统计日）之内，登陆或使用了某个产品的用户数（去重）
2、WAU：Weekly Active Users 周活跃用户量。统计一周（统计日）之内，登陆或使用了某个产品的用户数（去重）
3、MAU：Monthly Active User 月活跃用户量。统计一月（统计日）之内，登陆或使用了某个产品的用户数（去重）
4、DNU：Day New User 日新增用户，表示当天的新增用户
5、DOU：Day Old User 日老用户。当天登陆的老用户，非新增用户
6、ACU：Average Concurrent Users 平均同时在线人数
7、PCU：Peak Concurrent Users 最高同时在线人数
8、UV：Unique Visitor 唯一访问量，即页面被多少人访问过
9、PV：Page View 页面浏览量，即页面被多少人看过
10、ARPU：Average Revenue Per User 平均每个活跃用户收益。
11、ARPPU：Average Revenue Per Paying User 平均每个付费用户平均收益。统计周期内，付费用户对产品产生的平均收入。
12、LTV：Life Time Value 生命周期价值。产品从用户所有互动中获取的全部经济收益的总和
13、CAC：Customer Acquisition Cost 用户获取成本
14、ROI：Return On Investment 投资回报率。
ROI=利润总额/投入成本总额*100%
15、GMV：Gross Merchandise Volume 成交总额。是指下单产生的总金额
CMV=销售额 取消订单金额 退款金额
16、支付UV：下单并成功支付的用户数
二、如何获取指标
对于上述这些指标，如果你很陌生，那么首先可能就会问“这些指标来的呢”，“有些指标直接获取不到呀”。说到这，不得不提到数据采集的基础：埋点。一般在设计好数据指标后，我们会有一个“数据埋点”的工程，通常是由产品经理输出《埋点需求文档》，然后交予开发进行埋点部署。
埋点是互联网领域最重要的数据采集手段之一。通俗讲就是在web或app植入埋点代码，用以监控用户行为事件。通过埋点，我们可以：
获得用户行为轨迹
追踪任一时间段数据的变化
验证可行性
找出产品设计漏洞等
以电商网站为例，想要统计用户访问网站、访问商品详情页、加入购物车、支付订单到支付成功的转换率。发现从订单支付到支付成功转换率仅有4%，明显过低。即可分析支付节点是否存在bug，由什么原因导致。
三、数据指标分类
大致的，我认为可以将数据指标分为三大类：综合性指标、流程性指标、业务性指标。
1、综合性指标
综合性指标是能提现产品目前综合情况的指标。
在非交易网站，比如社交网站，数据指标的用途偏向于了解产品的用户增长或减少等情况。综合性指标通畅有：DAU、留存数、留存率、人均使用时长、PV、UV等。
对于交易系型网站，那么平台关注的综合性指标通常是：GMV、支付UV、人均订单数、人均客单价等。
2、流程性指标
流程性指标是指与用户操作行为相关的指标。
点击率：有PV点击率和UV点击率，一般使用PV点击率。
转换率：下一步操作用户数/上一步操作用户数
流失率：（上一步用户数-下一步用户数）/上一步用户数
完成率：完成率相对于转化率而言，是最终的结果数值。转化率是过程值，完成率是结果值。
3、业务性指标
业务性指标是跟产品业务相关的指标。例如视频网站，则可能需要的业务指标有：视频播放数、人均观看时长、人均播放数、播放率等。
四、数据分析与设计方法
数据分析和设计的方法有：事件分析、留存分析、漏斗分析、分步分析、对比分析和多维度拆解。
1、事件分析
事件是追踪或记录的用户行为或业务过程。事件是通过埋点记录，通过SDK上传的用户行为或业务过程记录。例如，一个视频内容产品可能包含的事件：1）播放视频；2）暂停；3）继续播放；4）分享；5）评论。
一个事件可能包含多个事件属性，例如，“播放视频”事件下可能包含的属性：1）来源；2）是否自动播放；3）播放形态。
2、留存分析
留存率是验证用户粘性的关键指标，设计师和产品经理通常可以利用留存率与竞品对标，衡量用户的粘性和忠诚度。通常重点关注次日、3日、7日、30日即可，并观察留存率的衰减程度。留存率跟应用的类型也有很大关系。通常来说，工具类应用的首月留存率可能普遍比游戏类的首月留存率要高。
3、 漏斗分析
漏斗分析就是转化率分析，是通过计算目标流程中的起点，到最后完成目标节点的用户量与留存率，流量漏斗模型在产品中的经典运用是AARRR模型。
衡量每一节点的转换率，通过异常数据（转换率过低）找出异常节点，进而确定各个环节的流失率，分析用户怎么流失、为什么流失、在哪里流失。根据数据改进产品，最终提升整体转化率。
4、用户分群分析
用户在某个特定条件下的用户分组或占比。例如：注册7天内下单的用户组、参与过A活动的用户等。
5、对比分析
将不同时段的数据进行对比，找出差值，进行产品优化或验证设计。
自身产品对比：对比产品不同模块相似场景的数据，找出问题点。
行业产品对比：与同行业产品进行对比，找出优劣势，并持续优化。
6、多维度拆解
用不同的维度视角拆分分析统一类数据指标。例如按照不同的省市地区分析、不同的用户人群、不用的设备等。通过不同维度拆解，找到数据背后的真相。
五、建立数据模型
引入数据分析，就要引入数据模型。数据模型的核心是“分类”，如何选择或创造适合自身产品的数据模型，我们可以先了解市面上熟知几大模型。
1、AARRR
AARRR是Acquisition、Activation、Retention、Revenue、Referral，这个五个单词的缩写，分别对应用户生命周期中的5个重要环节。
获取用户（Acquisition）：首先，你需要从广告/渠道等去拉新，获取用户。然而用户下载了不一定会安装，安装了不一定会使用该应用。所以激活成了这个层次中最关心的数据。
关注指标：CAC（用户获取成本 Customer Acquisition Cost）
提高活跃度（Activation）：然后，通过引导用户注册等方式来激活他们。
关注指标：DAU（日活跃用户）、MAU（月活跃用户）、每次启动平均使用时长、每个用户每日平均启动次数、日活跃率、周活跃率、月活跃率
提高留存率（Retention）：用户被激活后，剩余的工作就是如何让他们留下来，产生粘性。
关注指标：1-Day Retention（次日留存率）、7-Day Retention（D 7日留存率）。曾经有游戏行业的行家指出，如果想成为一款成功的游戏，1-Day Retention要达到40%， 7-Day Retention要达到 20%。
获取收入（Revenue）：收入一般有三种，付费应用、应用内付费及广告。
关注指标ARPU（平均每用户收入）、ARPPU（平均每付费用户收入）、CAC（用户获取成本）、LTV（生命周期价值）。LTV – CAC的差值，就可以视为该应用从每个用户身上获取的利润。所以最大化利润，就变成如何在降低CAC的同时，提高LTV，使得这两者之间的差值最大化。
用户推荐（Referral）：以前的运营模型到第四个层次就结束了，但是社交网络的兴起，使得运营增加了一个方面，就是基于社交网络的病毒式传播，这已经成为获取用户的一个新途径。这个方式的成本很低，而且效果有可能非常好；唯一的前提是产品自身要足够好，有很好的口碑。
在整个AARRR模型中，这些量化指标都具有很重要的地位，而且很多指标的影响力是跨多个层次的。及时准确地获取这些指标的具体数据，对于应用的成功运营是必不可少的。
2、RARRA
RARRA模型本质上是通过AARRR模型调整顺序得来的，其原因是AARRR专注于获客(Acquisition)，且是McClure是在2007年编写的，当时的CAC还比较低廉，上架应用即容易获得用户。在互联网流量高速增长的今天，获取用户（Acquisition）已变得非常昂贵，所有应用商城都有百万个APP，市场竞争激烈，简单发布一个应用就有用户早已已不再是赚钱的方式。所以，以拉新获客的增长模式不再适用。现在黑客增长的真正关键是留存（Retention）。
RARRA模型是托马斯·佩蒂特Thomas Petit和贾博·帕普Gabor Papp对于AARRR模型的优化。
用户留存（Retention）：是RARRA最重要的指标，留存率是反应用户留存最重要的指标之一。
用户激活（Activation）：加速用户激活，为用户的第一次使用提供尽可能愉快的体验。确保他们在首次使用时就看到产品的价值所在。
用户推荐（Referral）：建立有效的推荐系统，让用户主动分享和讨论你的产品。
商业变现（Revenue）：提高用户的LTV（Lifetime Value），用户留存越长，对业务的价值越大。
用户拉新（Acquisition）：鼓励老用户带来新用户；优化获客渠道，通过渠道群组分析找出最适合你产品的获客渠道。
3、Google’s HEART
Google’s HEART是一个用来评估以及提升用户体验的模型，它由五个维度组成：Engagement（参与度）、Adoption（接受度）、Retention（留存度）、Task Success（任务完成度）和Happiness（愉悦度）。
4、Customer Experience Index (CX Index)
用户体验指数的维度有三个，分别为：满足需求、简单地和愉快地。
以上就是几个常见的数据指标模型，我们可以通过分析每个模型的背景和用途来学习其中的指标思路，并创造出适合自己团队的数据模型。
六、指标字典
为了对指标进行统一管理，方便维护和共享，我们需要创建指标字典。指标字典可以是Excel表，或者其他记录形式。在数据量大的复杂环境中，一般将指标管理功能放在数据管理系统中。
指标一般分为三类：基础指标、普通指标、计算指标。
1、基础指标
指没有更上游的指标，即它的父级指标就是它自身。例如“团购交易额”、“订单量”、“日活跃用户数”。
2、衍生指标
指在单一父级指标的基础上限定某个维度得到的指标。例如“PC端团购交易额”，限制条件为“下单平台=PC”。
3、计算指标
指在若干个描述型指标上通过四则运输、排序、累计或汇总定义出的指标为计算指标。例如“客单价”、“ARPU”等
指标字典通畅包含指标维度和指标量度两大部分，例如
指标字典的维度
指标字典的量度
七、数据指标如何验证设计
指标的最终目的是用来衡量产品的是否符合预期，并为后续产品优化工作提供思路和方向。
1、关注核心指标
例如我们改版的核心指标是提高用户注册人数，那我们关注的就是注册转换率，先看从点击注册到注册成功步骤的流失率，找出流失最大的节点最优化方案。等优化上线后，对比转化率的变化。
如果我们改版的核心指标是人均观看次数，则思考下什么策略既可以提升播放次数，又不费什么成本。比如新浪微博视频，以前看完视频后有重播按钮和其他推荐的视频，改版后看完这个视频会自动播放下一个视频。这样的设计虽然比较粗暴，但明显提高了视频播放次数。
2、总结核心指标带来的收益
怎样用指标量化设计价值。简单粗暴举个栗子，比如活动上线后，点击率是4.8%，每天的活动GMV约200万，当重新设计了活动页面后，在其他条件不变的情况下，点击率提升到了8%，活动GMVd达到了700万。那么增加的500万则是通过设计带来的收益。
