做数据分析常用的数据指标都有哪些

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。

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

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。

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。

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。

（编辑：核心网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!