指标体系的构建

参考：
数据分析--指标体系及分析方法
从0到1，聊聊如何搭建数据指标体系
活跃率=活跃用户/总用户？那什么叫活跃用户？
App 运营指标的留存率和回访率有什么区别？
5个步骤，让你的运营转化率大幅提升
数学不好的产品不是一个好运营：如何利用K值公式和正态分布提升运营效果？
产品运营终极指标：用户生命周期价值LTV

什么是指标

指标，实际上就是一种度量。大到用于监控和评估商业进程的状态，小到衡量某个功能模块的情况，或者是自己的活动效果。

一个数据指标，由时间粒度和口径组成；时间粒度是在时间上的限定，口径是在空间上的限定（具体指来源及计算规则），如日活和月活是时间粒度不同，日活和日新增是口径上的不同；根据具体情况组合时间粒度和口径形成数据指标；

从运营角度来看，一个好的指标，需要具备四个特点：

• 业务层面是有价值；
• 可衡量业务真实情况；
• 简单可执行；
• 大家都共同认可。

从技术层面来看，一个好的指标，统一具备四个特点：

• 容易收集快速衡量；
• 准确度高；
• 可被多维度分解；
• 单一数据源。

常用指标

1.规模评估：

• 累积注册用户数（ARU, Accumulative Registered Users）
• 累积登录用户数（ALU，Accumulative Logged-in Users）
• 日登录用户数（DLU, Daily Logged-in Users）/月登录用户数（MLU）
• 日活跃用户数（DAU, Daily Active Users）/月活跃用户数（MAU）
• 日最高同时在线用户数（日PCU, Peak Concurrent Users）
• 活跃率

补充：活跃用户=高质量用户=真正体现产品价值的用户

例如：
资讯类产品的活跃用户为每天阅读10分钟以上的用户；
电商类产品的活跃用户为每周浏览10个商品的用户；
在线教育类产品的活跃用户为每周学习计划完成80%的用户。
当然，具体的数字和指标需要根据具体的产品来设计，并且可以多维度设计活跃用户指标，
例如在资讯类产品中有几种活跃用户类型：
每天阅读超过10分钟的用户；
每天阅读超过5篇文章的用户；
每天评论超过3次的用户；
每天转发超过2次的用户。
通过用户使用的不同关键行为设计活跃用户指标，满足后续对活跃用户运营的需要。除了从不同的使用维度设计，还可以从不同的节点设计，例如：
参与活动领取优惠券的用户记为活动活跃用户；
节假日期间登录天数大于2天且日访问时长高于平时30%的用户记为节假日活跃用户。

2.用户存留：

• 日新增用户数（DNU, Daily New Users）
• 次日留存用户数/七日留存用户数
• 第N日留存率
• 日回流用户数/周回流用户数
• 回流率

补充：
当前周期的再次使用人数 / 对比周期的使用（新增）人数（基数） 来计算的。
回访率的适用范围比留存率高。
2者最大的区别在于：

• 留存率一般基数针对的是新用户。
• 而回访率的基数是对于特定功能的所有用户。

面向业务的mysql笔试题笔记中case4就是留存分析

3.用户行为

• 日访问量（PV, Page View）
• 日用户量（UV, Unique Visitor）
• 单次访问时长
• 日平均在线时长（DAOT, Daily Average Online Time）
• 转发率
• 转化率
• K因子

补充：

• 日访问量是不区分id只统计访问次数
• 日用户量是不论单个用户访问几次，只记为1
• 转化率：
  转化率等于期望行为人数除以作用总人数。期望行为就是我们考量目标希望做到的行为，比如点击率中“点击”就是期望行为，转发率中“转发”就是期望行为，以此类推下载率、激活率、购买率、打开率、成交率、复购率等。
  由于我们所作用的“总人数”在一定范围内是固定的，所以我们总希望大幅提高期望行为人数，以获得更多我们期望的结果，这样的工作就是提升转化率（Conversion Rate Optimization）。
• K值，也即K因子，是传染病学的概念。它的取值，决定于两个相乘的系数——携带病毒的受感染者数量、最终致病人数两项数据指标。对应到我们的运营工作上，它有了直接的抽象意义。携带病毒的受感染者，也就是我们每分发一条push或视频图文覆盖的用户数，最终致病人数，可以对应到转化人数这个数据上来。
  每位用户平均想多少用户发出邀请，发出邀请又有多少有效的转化率，即每个用户能够带来几个新用户，当K值大于1时，每位用户至少能够带一个新用户，那么就说明该产品可以形成自传播，当K值足够大是，就是病毒式营销。
  目前我们看到的很多产品都增加自传播，多是分享，分享这个功能，可能每一位用户都知道他的重要性，而在数据层面上，分享功能的指标定义就是我们所说的K因子。

4.付费评估

• 日付费用户数
• 累积付费用户数
• 付费率
• 复购率
• 人均付费（客单价，ARPU，Average Revenue Per User）
• 付费用户人均付费（ARPPU, Average Revenue Per Payment User）
• 人均生命周期价值（人均LTV, Life Time Value ）

补充：

• 用户生命周期（Life Time，LT）
  结合产品留存率，我们可以这么理解用户生命周期。假设一款App第n天的留存率为Rn-1，那么对于任一用户来说，他在第二天使用我们产品的概率是R1，第三天继续使用我们产品的概率是R2….第n天仍然不离不弃的概率为Rn-1，那么n天内这个用户一共使用我们产品的天数的预期是1+R0+R1+……+Rn-1。而这个求和的值就是我们这里的LT，即：LT = 1+R0+R1+……+Rn-1。

当我们说用户生命周期的时候，一般指的是固定时间窗口内，比如30天的LT，45天的LT。

同样我们先来看LTV的定义，用户生命周期价值指的是在用户使用产品的过程中，为开发者/公司持续产生的价值总和。一般的，我们也会看一段时间的用户生命周期价值，比如30天的LTV，45天的LTV。

这个公式比较容易理解，一段时间内的用户生命周期价值，就是这段时间内用户会使用我们产品的天数乘上单用户平均收入。

从某种意义上说，LTV是一个综合评价产品价值的指标。如果我们将产品价值划分为用户价值和商业价值，那么LTV就是能比较客观的衡量这两种价值，因为它包含LT和ARPU两个子指标，前者是衡量产品黏性，后者是评估变现效率。
（详细的可以参考链接，我觉得讲的非常好）

常见的分析场景

1.经营类数据分析：

指收入、销量等与企业经营活动相关分析，监控企业的运行情况；

• 目标是发现企业运营中的问题，主要关注点是销量/销售额总体的时序变化、地区分布、变化原因。

2. 用户数据分析

指购买额、购买频次、购买偏好等相关分析；

• 目标是深入理解客户，典型的分析方法有两种，一是根据用户属性/行为绘制用户画像分层，二是根据RFM模型衡量用户价值分层。

3. 销售数据分析

指销售收入、销售额、单价等与销售情况直接相关的分析，与经营类分析相比，它的分析颗粒更细，频次更密，要求速度更快；

• 目标是完成销售任务，监控销售销量低的原因，提出解决方法，主要关注时序进度、落后原因、销售单产情况。

4.营销/市场分析

指企业营销/市场活动的投放、反馈、效果相关分析；

• 目标是了解活动结果、优化活动计划、提升活动效率，关注点主要集中在ROI(投资回报比)相关指标

5.产品分析

指单个产品的分析，包括实物产品和服务产品，分析内容综合上面提到的几类；

• 分析目标集中在单样产品上。