查看原文
其他

超长干货!最全数据指标分析!

作者:一只森林鹿Luluzeng    来源:爱运营



正文开始


在刚迈入数据的大门时,我经常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。为了更好的在行业里面摸打滚爬,花了很多时间阅读一些指标相关的文章、书籍,总算解决了这个问题。

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,关于埋点的几种方式已经在埋点系列里面,在此不复述了。

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。

—————— / END / ——————

分析最新的数据思想,与百万数据从业者一起成长


活动效果的数据分析,这样做才对!

我在字节跳动产品团队的收获与总结

数据&产品书单大放送

数据分析师进阶的10种分析模型

如何提升业务对数据团队的满意度?

数据服务化:打通企业数据应用的最后一公里

数据分析的基本方法论

实战案例 |如何参照阿里OneData构建数据指标体系?

数据湖VS数据仓库之争?阿里提出大数据架构新概念:湖仓一体

用户分层,该怎么分才合理(实操版)

数据治理框架解读分析

无懈可击的数据仓库体系规划及实施流程

用户画像高大上,但90%的人都做失败了!

数据资产的价值如何评估?

数据团队要用数据驱动业务,首先得学会用数据驱动自己!

如何建立有效的数据分析指标体系?

BI报表是如何演进的?

你做的分析,业务早知道了,怎么办?

如何成功打造一个数据治理项目?

报表和取数之后,你还有多少大数据应用的机会?

数据安全治理之道

数据分析快速入门PPT分享

“一平台、两体系、三性特征、四个统一、五个超越、六类服务 ”一篇读懂数据治理、共享和应用(值得收藏)

主数据管理实施四部曲概论

下一个风口-基于数据湖架构下的数据治理

深入浅出数据质量管理

数据团队更需要一个“外交部长”

数据运营体系,该如何搭建

数据团队演进的五个层级,你处于哪一级?

高级的数据分析,长啥样?

数据治理平台工具前世今生

数据中台:基于标签体系的360°用户画像

数据团队的构成

我们有多少机会将数据、信息、知识转化为智慧?

主动性的四个层级,你处在哪一级?

如何更深刻的理解大数据(下)(附PPT下载)

如何更深刻的理解大数据(上)(附PPT下载)

如何提升做报表的效率?

作为大数据技术面试官,我喜欢什么样的应届毕业生?

用户画像,该怎么分析?

有一种信息化的死敌,叫数据打通!

我被“非结构化数据包围了”,请求支援!


您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存