优先按照英文排序；若无英文，则按中文排序
不同行业的常见指标
电商 E-Commerce
- 核心指标
- PV、UV、成交用户数、成交订单数、GMV、客单价、退款率
- 流量数据
- PV、UV、登录用户数、新访客数、商详页PV、商详页UV、店铺UV、点击地图（即各模块流量）
- 转化数据
- 成交转化率：通常为成交订单数/UV
- 支付率：下单数/支付数
- 动销率
- 收藏率
- 加购率
- 商品数据
- 店铺数、类目数、品牌数、在线商品数、SKU、SPU
- 用户数据
- 用户基础数据：地址、性别、年龄等
- 行为数据：访问留存、复购情况、会员数、人均购买次数、客单价、月活等
- 售后数据
- 售后反馈订单数、客服回复率、24h发货率、评价订单数、退单数（退单率）、退款金额（退款率）、退款原因 - 优惠券数据
- 优惠券领取量、使用量、优惠金额、优惠订单数、ROI(投资回报率) - 活动数据
- 日常秒杀、双十一、618等大促活动
- 新增访客、新增注册
- 总UV、成交订单数、转化率、ROI
- 市场数据
- 市场占有率
- 用户份额
- 交易额排名
- 流量排名
游戏 Game
- APP数据
- 推广页点击、下载、安装、激活、注册、进入游戏
- 流量数据
- 启动UV、新增账号、创角账号、活跃账号、付费账号、平均同时在线人数（ACU）、最高同时在线人数（PCU）、日/周/月活
- 用户数据
- 累计用户数
- 用户成长：等级分布、角色分布、升级时长
- 在线时长
- 启动次数
- 任务完成率
- 流失情况
- 收入数据
- 付费金额、付费人数、付费率、首充人数、首充金额、ARPU、LTV（生命周期价值）
- 粘性/留存
- 次日留存、总在线时长、平均在线时长、流失数据
金融 Finance
- 借贷
- 核心数据
- 访问UV、注册人数、申请人数、授信人数、授信总额、放款人数、放款总额
- 细分数据
- 借款金额分布、借款期限分布、首贷人数、复贷人数、平均完件时间、平均审批时间
- 还款
- 到期还款人数、到期还款率、预期人数、逾期率、净坏账
- 用户数据
- 性别、年龄、地址、学历、职业、征信情况等等
- 核心数据
- 投资/理财
- 开户人数、累计总金额、当日存入总金额、当日取出总金额（到期兑付）、当日取出总金额（提取赎回）、存入订单数、存入人数、件均金额、当日收益
直播 Live
- 用户端
- UV、登录UV、直播间UV、弹幕发送UV、观看总时长、人均时长、观看时长分布、消费金额、充值金额、道具使用情况
- 主播端
- 主播人数、新增主播人数、签约主播人数、活跃开播主播人数、主播演出总场次、主播开播时长、直播时长、观看UV、峰值UV、粉丝数、播放视频个数、点赞人数、评论数、转发数、收藏数
- 留存
- 次日留存、周启动次数（如7日登录3日）、新用户留存情况
阅读
- 流量数据
- 启动UV、新增UV、点击量、阅读PV、阅读UV
- 阅读数据
- 阅读UV、阅读总时长、人均阅读时长、作品收藏、作品评论数、阅读时长分布、书评数
- 书单数据：创建数、访问数、点赞数、收藏、分享
- 付费章节阅读UV、免费章节阅读UV、阅读字数、5分钟阅读人数占比、30天阅读天频、阅读章节数、人均阅读字数
- 收入数据
- 购买人数、购买章节数、人均付费收入、章节收入
指标分类
可将数据指标分为三大类：
- 综合性指标
- 流程性指标
- 点击率
- 转化率
- 流失率
- 完成率
- 业务性指标
- 人均评论数
- 人均点赞数
- 人均分享数
- 人均播放数
- ……
指标汇总
APA
活跃付费用户数（Active Payment Account）：统计周期内，成功付费的用户数（一般以月计）。
$$活跃付费用户数（APA）=月活跃用户数（MAU）\times 月付费率（MPR）$$
解决问题：
- 产品的付费用户规模
- APA的构成情况
- 付费群体的价值（整体稳定性分析）
ARPU
客单价/平均每用户收入（Average Revenue Per User）：在统计时间内，活跃用户产生的平均收入（一般以月计）
$$ARPU=\frac{ 总收入 }{ 活跃用户AU }=\frac{ \mathrm{Revenue} }{ User }$$
$$\mathrm{Monthly} \ ARPU=\frac{ \mathrm{Revenue} }{ \mathrm{MAU} }$$
解决问题：
- 不同渠道用户质量分析
- 产品收益贡献分析
- 活跃用户人均收入与投放成本的关系
- ARPU用于产品定位初期的不同规模下的收入估计，也是LTV的重要参考依据
ARPPU
平均每付费用户收入（Average Revenue Per Paying User）：统计周期内，付费用户产生的平均收入（一般以月计）。
$$ARPPU=\frac{总收入}{活跃付费用户数APA}$$
解决问题：
- 付费用户的付费能力和梯度变化
- 付费用户的整体付费趋势和不同付费阶层差异
- 对高付费用户的价值挖掘
AU
活跃用户（Active Users）
CAC
获客成本（CAC，Customer Acquisition Cost，用户获取成本）：每获取一个用户需要付出的成本。
- CAC与LTV紧密联系，对于一个SaaS公司来说，需要保证LTV大于n倍CAC才能保证公司的长久经营存续。公认的经验法则表明，LTV一般需是CAC的3倍。
相关内容：LTV
DAOT
活跃用户日均使用时长（DAOT，Daily Average Online Time）：了解参与黏性
$$DAOT=\frac{日总在线时长}{日活跃用户数}$$
时长指标可分为
- 单次使用时长
- 日使用时长
- 周使用时长
- ……
解决问题：
- 分析产品的质量问题
- 观察不同时间维度的平均使用时长，了解不同用户群的习惯
- 渠道质量的衡量标准之一
- 留存分析的依据
DNU
日新登用户数（DNU，Day New User）：每日注册并登录（游戏）的用户数 / 每日首次登录或启动APP的用户数
解决问题：
- 不同渠道贡献的用户份额
- 是否存在大量垃圾用户
- 注册转化率分析
- 宏观走势，确定投放策略
Enquiry
- 询盘（Enquiry / Inquiry）：买方（或卖方）为了购买（或销售）某项商品，向对方询问有关交易条件的表示。在国际贸易的实际业务中，一般多由买方主动向卖方发出询盘。
- 询盘量：有意向购买的卖家发给卖家的询盘的数量
全样本统计
加总所有用户的留存天数，并取平均，即留存天数。
优点：
- 能够反映当前留存天数
缺点：
- 该方法非常不灵敏；通常要求样本要足够大、时间跨度要足够长，得到的留存天数才会相对准确一些
倒推法
月活跃天数
$\frac{DAU}{MAU}\times 该月的天数$：可以看出用户每月访问应用的平均天数；但是只用某天的DAU来计算月活跃天数，可能会因为周期性或特殊日期造成偏差，应该使用下面的公式计算月活跃天数：
$$\frac{当月每天DAU的总和}{MAU}$$
- 月活跃天数是用于评估用户黏性的一个重要指标
- DAU/MAU一般介于3.33%~100%
- 结合产品属性、时间考量、版本更新、运营活动、用户维度等进行分析
移动游戏一般以20%为基线，工具类APP会以40%为基线
LTV
用户生命周期价值（LTV，Life Time Value）：公司从用户的互动中得到的全部经济收益的总和（获客至流失所得的收益总和）；不区分付费与非付费用户
每日的留存率乘以每日的用户平均收入
$$LTV = \sum_{t=1}^TR(t)\cdot ARPU(t)$$生命周期总长度乘以每用户平均收入
$$LTV = ARPU \times LT（按天或月计算的平均生命周期）$$
两个公式是等价的，后面的公式是前面的公式的简化。
实际计算：跟踪某日或某周的新增用户，计算该批用户在随后的7日、14日、30日的累积收入贡献，除以该批新增用户数，即为累积收入/新增用户数=累积ARPU（LTV）
解决问题：
- 用户收益贡献周期（回报周期）
- 用户群与渠道的利润贡献
- 验证盈利模式
作用：
- 辅助决策
| LTV | CAC | 决策 |
|---|---|---|
| 高 | 低 | 加入投入 |
| 低 | 高 | 放弃投入 |
| 低 | 低 | 控制比例投入，用于提升用户规模 |
| 高 | 高 | 控制比例投入，用于提升付费率 |
MVP
最小可行性产品（MVP）
PCT
客单价（Per Customer Transaction）：平均交易金额/顾客平均购买商品的金额
$$客单价=销售总额/成交总笔数$$
或
$$客单价=商品平均单价\times每一个顾客平均购买商品个数$$
或
$$客单价=动线长度\times停留率\times注目率\times购买率\times购买个数\times商品单价$$
PCU
最高同时在线人数（PCU，Peak Concurrent Users）
PMF
PMF（Product/Market Fit）：产品与市场相契合的状态
PPC
点击付费广告（PPC，Pay Per Click）
PR/PUR
付费比率（Pay User Rate）/付费率/付费渗透率（PR，Payment Ratio）：付费用户数占活跃用户的比例
$$PUR=\frac{活跃付费用户数APA}{活跃用户数AU}$$
- 日付费率（DPR，Daily Payment Ratio）
- 月付费率（MPR，Monthly Payment Ratio）
解决问题：
- 产品的收益转化能力标准
- 用户付费关键点和转化周期
- 付费转化效果评估
- 月付费用户数（MPU，Month Payment Users）
- 活跃付费用户数（APA）=月活跃用户数（MAU）×月付费率（MPR）
PV
页面浏览量（PV，Page View）：网站在某一段时间内的页面浏览量是多少
- 用户每一次对网站中的每个网页访问均被记录一个PV
Retention
留存率：用户在某段时间开始使用应用，经过一段时间后，仍然继续使用该应用的用户占当时新增用户的比例，即留存率
留存用户和留存率体现了应用的质量和保留用户的能力
包括新增用户留存、活跃用户留存
$次日留存率=\frac{在t日注册并在t+1日还登录的用户数}{t日新增用户数}$
$第3日留存率=\frac{在t日注册并在t+3日还登录的用户数}{t日新增用户数}$
$第7日留存率=\frac{在t日注册并在t+7日还登录的用户数}{t日新增用户数}$
$第30日留存率=\frac{在t日注册并在t+30日还登录的用户数}{t日新增用户数}$
+3、+7、+30，强调新增当日不计入
解决问题：
- 应用质量评估
- 用户质量评估
- 用户规模衡量
- 日流失率（Day 1 Churn Ratio）=$\frac{t日登录应用但随后7日未登录应用的活跃用户数}{t日活跃用户数}$
- 周流失率（Week Churn Ratio）=$\frac{t周登录过应用但随后一周未登录应用的用户数}{t周周活跃用户数}$
- 月流失率（Month Churn Ratio）=$\frac{t月登录过应用但随后一个月未登录应用的用户数}{t月月活跃用户数}$
解决问题：
- 活跃用户生命周期分析
- 渠道的变化情况
- 版本更新对用户流失的影响评估
- 拉动收入的运营手段变化对用户流失的影响评估
- 行业比较
- 产品中期评估
ROI
投资回报率（ROI，Return On Investment）
$$ROI=\frac{利润总额}{投入成本总额}\times 100%$$
SEO
- 搜索引擎优化（SEO，Search Engine Optimization）
SKU | SPU
- SKU（Stock Keeping Unit）库存量单位：也称最小库存单元、最小库存单位、最小存货单位、单品等，
- 对电商而言，SKU是指一款商品；一款商品多色，则有多个SKU
- SPU（Standard Product Unit）标准产品单位：商品信息聚合的最小单位
- 商品的特性可以由多个“属性/属性值对”进行描述；属性/属性值对完全相同的商品，可以抽象为一个SPU
eg：HUAWEI MATE 50 可以确定一个产品，即为一个SPU
TGI
目标群体指数（TGI，Target Group Index）
$$TGI指数=\frac{目标群体中具有某一特征的群体所占比例}{总体中具有相同特征的群体所占比例}\times 标准数100$$
- TGI越大，目标人群对该领域的偏好越强
- $TGI > 100$说明该人群在整体人群中偏好度偏高
- $TGI < 100$说明该人群在整体人群中偏好度偏低
- $TGI$越接近100，越说明该人群与整体人群偏好度相当。
标准数是100，不是100%。
TGI
需要明确下面三者分别是什么：
- 目标群体
- 特征
- 总体
假设XX学校内的小王麻辣烫，每天光顾的顾客男女比例1:1，XX学校的男女比例为4:6，则男生还是女生更倾向于光顾小王麻辣烫呢？
- 目标：小王麻辣烫当天光顾的顾客
- 特征：男性顾客
- 总体：XX学校的学生
- $男生的TGI=\frac{男生光顾这家店的比例}{整体上男生的比例}\times 100=\frac{50%}{40%}\times 100=125$
- $女生的TGI=\frac{女生光顾这家店的比例}{整体上女生的比例}\times 100=\frac{50%}{60%}\times 100=83.33$
男生的TGI大于女生的TGI，说明男生光顾这家麻辣烫的倾向性大于女生。
淘宝关于喜好度的定义：
喜好度（TGI）：反映不同人群对该搜索词的偏好程度，数值越大则偏好程度越高。
- 数据为100时，表示无明显偏好
- 该数值不受人群基数的影响
$$喜好度（TGI）=\frac{搜索词的该人群占比}{全网的该人群占比}\times 100$$
TS
渠道来源（Traffic Sources）：用户流量来源于哪些不同的渠道
UD
访客特征（UD，User Demographics）：访问用户具有哪些特征值，可用来做用户分类
UV
UV（Unique Visitor）：通过互联网访问、浏览该网站的自然人；一台电脑客户端视为一个访客。
独立UV以浏览器cookie为依据；只要cookie不清除，同一天00:00-24:00内相同的客户端只被计算一次（2个人用不同的账号登录同一台电脑的同一个浏览器，只记录一个UV）
一天内同个访客多次访问仅计算一个UV
月UV等于日UV之和
用户浏览量（UV，User View）：网站在某一段时间内的用户浏览量是多少
VV
VV（Visit View）：统计所有访客一天内访问网站的次数
- 访客完成浏览并最终关掉该网站的所有页面即完成一次访问（Visit）
- 同一访客一天内可能有多次访问行为
- VIP顾客销售额占比（%）：用于判断店铺会员贡献
$$VIP顾客销售额占比=\frac{会员顾客消费金额}{总销售额}\times100%$$
如何获取指标
埋点！！！
埋点是数据采集的基础，通过埋点，可以：- 获得用户的行为轨迹
- 追踪任一时间段数据的变化
- 验证策略可行性
- 找出产品设计漏洞
- ……
数据分析与设计方法
- 事件分析
- 留存分析
- 漏斗分析
- 用户分群分析
- 对比分析
- 多维度拆解
事件分析
事件即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
- 一个事件可能包含多个事件属性
一个视频内容的产品可能包含的事件有：播放视频、暂停播放、继续播放、分享视频、发表评论、点赞等
事件“播放视频”可能包含的属性有：视频来源、视频标题、是否自动播放、视频时长等
留存分析
- 留存率是验证用户粘性的关键指标
- 可以利用留存率与竞品对标，衡量用户的粘性和忠诚度
- 通常重点关注次日留存率、3日留存率、7日留存率、30日留存率，并观察留存率的衰减程度
漏斗分析
漏斗分析，即转化率分析，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
- 衡量每一节点的转化率，通过异常数据找出异常节点
- 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，从而提升整体转化率
- 经典的流量漏斗模型：AARRR模型
用户分群分析
用户在某个特定条件下的用户分组或占比
对比分析
将不同时段的数据进行对比，找出差异，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
多维度拆解
用不同维度视角拆分分析同一类数据指标
