背景：从可见光到X光
商业世界观测核心数据的方式总是每隔几年一进化，这些迭代逆时间长河往回看都显得简单粗鄙，然而在当时当刻都又是跳脱时空惯性。以互联网为例：
在开局不久的MySpace时代，无论是创业团队还是投资人，最关注的是注册用户数，现在回想起来如此粗暴，但是在那个靠猫叫联网的时代，考虑让多少用户喝上第一口奶确实是最重要的。
到了Facebook主导的社交时代，扎克伯克创新地使用日活跃用户（DAU）作为其“北极星”指标，整个公司聚焦在用户体验和留存，这部分也诠释了Facebook为何能很快替代MySpace而一骑绝尘。
到了移动互联网时代，随着越来越多的公司喊出Mobile First或者All-in App，北极星指标逐渐转移成App DAU。这个时代中Facebook曾一度死守H5，差点阴沟里翻船，依靠凶猛收购Instagram和What's App两个爆款App才挽回颓势，拉出第二条曲线
随后移动互联网普及，手机和App占领地理的每一个角落和夺取用户的每一分时间，App DAU这个指标又繁衍出单个用户时长和单个DAU变现能力两个子指标
发展到现在，企业界和投资界都开始重度依赖DAU、卸载率以及用户时长来评价各个App及其母公司的发展潜力，于是大家都开始或多或少购买几家数据公司的相关服务。但是无论作为行业运营者还是投资人的视角，这些数据逐渐遇到如下问题：
因为数据源大部分来自于运营商，数据源本身的稳定性和一致性挑战很大，造成误差较大。特别是在最近几年的严峻形势下，不少日活过百万的App，DAU误差在100%以上不是梦
卸载率等指标即使在内部也需要严格定义，才具可比性，比如：第几日留存，新增还是活跃，含不含特殊版本等。更别说第三方数据以及各种狡猾的作弊手段，比如：当年一些平台卖流量给游戏厂商，知道次日留存率是核心指标，就会集中在晚上11点之后导流，这样用户更有可能在12点之后还活跃并被算入第二天活跃，从而拉高留存率
DAU等指标的预测性较弱，在因果轮回之间，越来越是结果。同时受到著名的春节红包、人造节日等运营活动影响，对公司竞争力的解释力越来越弱。
简单说，人类从可见光观察世界，已经发展到X光到电磁波，不断繁衍出看世界的“另眼”。商业世界同理，也需要不断升级。
方法：三个一，归一化+一对一
结合以上两者的考虑，常思考如何升级数据观测体系，初步思路如下：
通过归一化尽量保证数据的一致性和可比性，不单单纠结于定义不清的DAU或卸载率
考虑两个App之间的相互竞争优势，作为更前置更有预测性的指标。借鉴了当年做quantitative trading的一些知识，利用pair trading尽量屏蔽外界噪音，只考虑两只股票之间强弱的相互走势，通过long-short策略去交易。
针对 App A/B，考虑两个维度的指标：
A对B的竞争优势，通过同时安装A和B的用户最后选择谁来量化，越大于1证明A越强，反之则是B越强，这比较纯粹地考验App A和B的粘性和竞争力，隔离了推广等外部因素
A和B的新增能力，通过同一时期的安装来量化，越大于1证明A越强，反之则是B越强，这考验App A和B的获客能力，结合自然增长和市场推广
结合以上两个指标，最终绘制两种不同呈现形式的图表：
左图是根据时间变化的矢量图，如果数据点在右上角则A完虐B，如果在左下角则B完虐A
右图是沿着时间轴展现两个维度的指标
案例：理论实际初步验证
通过这个新的数据体系考虑各种案例，解释能力均较强，现简单列举如下。
案例1，新闻综合，头条 vs. 百度，头条 vs. 腾讯新闻
从今年数据看，竞争优势和新增能力这两个维度，头条都完虐百度，但是从趋势看，百度正在逐步改善，左图也显示：经过一系列曲折的演进，百度在两个维度都获得更有利的位置。
比较特别的是，2月份左右，百度的新增能力陡增，主要是和春节红包活动有关。但是这种优势随着节日过去又逐渐丢失，半衰期很短。
在竞争优势维度，头条对腾讯新闻的领先优势明显且差距越拉越大，但是在新增能力上逐渐被腾讯新闻反超且拉开差距。这和腾讯新闻的拼爹模式以及内部一系列整合释放出协同能力有关。
案例2，购物，拼多多 vs. 淘宝
拼多多在竞争优势上远落后于淘宝，体验方面仍存在较大差距，但却在大幅改善。而在新增能力上，拼多多一直远远领先：一方面是因为其社交推广和微信保驾护航有关；另一方面也因为淘宝的渗透已经足够，所以新增较弱。同时拼多多的新增能力较之淘宝，在10月底和11月初发生断崖式下跌，和微信针对拼多多和趣头条的10/28打击诱导分享的新政有关。
案例3，短视频，快手 vs. 抖音
自带社区性质的快手，比抖音更具竞争优势，不过这个竞争优势在年中经历过一阵下滑，在年底又逐渐恢复。快手在新增能力逊于抖音，但通过春节红包和极速版等一系列猛操作，正在逐渐和抖音追平。
下一步
方法论形成后，下一步的拓展在于：
增加数据的细分维度，从地域到各种画像属性，人群一细分就会有更多更细致的观察和假设验证。比如可以看20-30岁的二线城市男性，使用拼多多和淘宝的情况，观测拼多多上探一二线城市人群的进展。
增加预测性指标。比如对于一个App来说，一般是安装竞品然后卸载该app，最后App DAU降低而最终影响收入。目前的数据展现的是第二步，考虑根据第一步的情况做些预测。
期待将这套体系做成观测App和公司发展的另一只大眼。
感谢WJT和WGH等同学在方法论、技术和方法论上面的诸多帮助