常見互聯網分析指標-有解無憂

一、用戶相關的資料指標
- 1 DAU/MAU (Daily/Monthly active users)
  - 日Daily和月Monthly計算
  - active定義
  - Users選擇
  - 業務決議
- 2 新增用戶（推廣）
  - 用戶新增業務流程：
  - 定義【增】節點：
  - 判別【新】
- 3 用戶留存（吹牛皮指標）
  - 計算方法：
  - 根據業務目標、場景選則合適計算方法
  - 看留存的目的
二、行為相關資料指標
- 1 PV、UV、轉化率、人均次數、訪問深度
  - 傳統定義和衍生定義：PV、UV
  - 轉化率和人均次數
  - 訪問深度計算方法——用戶對產品的了解程度
- 2 訪問時長
- 3 彈出率/跳出率Bounce Rate
三、業務相關資料指標

資料指標定義：
對當前業務有參考價值的統計資料統計資料，沒有絕對的對錯，只有彼此的認同！
常見的資料指標：

一、用戶相關的資料指標

1 DAU/MAU (Daily/Monthly active users)

日Daily和月Monthly計算

日Daily：一個自然日，（跨海產品最近24小時）的活躍用戶量，反應產品短期用戶活躍度，
月Monthly：單月活躍用戶量，反應產品長期用戶活躍度，
計算方式：

??例如，一個新產品9月1號新增了100個用戶，隨后的30天，不再有新用戶新增，而這100個用戶每天都活躍，則9月每一天DAU=100，9月MAU=100，而不是100 * 30=3000，MAU不可能比總用戶數都大，

active定義

資料第統計系統定義（第三方）：基于事件上報進行統計（頁面加載上報Page View事件、APP確認登錄按鈕點擊上報onclick事件），比如友盟、百度統計、GA等預制報表統計系統，push推送‘確認到達事件’上報不能作為active，這是用戶被動收到，很多用戶直接忽略push了，
APP訊息推送指標相關文章：APP訊息推送（Push）
業務上的定義（內部）：基于用戶執行了關鍵事件（如訪問首頁、詳情頁），注意push訊息時，用戶直接跳轉到的頁面，完善‘榷訓事件串列’的管理，把訪問該頁面事件也加到串列，需要更新維護，存在維護成本和溝通成本，

Users選擇

一個人可以從多臺設備登錄產品服務，一臺設備有可能有多個人登錄產品服務，認人還是認設備，取決于是否有賬號系統、未登錄的用戶對業務是否有價值，

選人場景：1.每位用戶有專屬U_ID，適合強注冊/強登錄的應用，用戶數=訪問的U_ID數,未登錄的用戶會被遺漏掉，
選設備場景：通過cookie的隨機長字串作為設備唯一標記符，用戶數=訪問的設備數，無法對應設備背后的用戶，

業務決議

兩個指標僅僅為了日后的分析，其本身并不具有任何意義，不能說100的榷訓產品就比1000的榷訓產品差，DAU資料僅僅只是該款產品在某個時間點的縮影，并不說明任何事情，而影響它的因子才是所應該關心的，
DAU / MAU的大小表明了這款產品對用戶的黏性大小，用戶打開產品的頻率，一款產品MAU為100000，平均DAU為15000，那么DAU/MAU的值為15%，粗略說明了，平均每個用戶在這個月里15%的天數中打開了產品，
DAU/MAU的值越高，毫無疑問粘性很強，DAU/MAU的值很低并不能說這款產品就是失敗的，還需要結合活躍用戶數量、ARPU、在線時長、付費轉化率等進行多維分析，例如一款新上線的游戲在第一天有1000個玩家登陸，隨后在這1000人當中，每天只有固定的100個人活躍，這樣算下來DAU/MAU的值是0.1，顯示出玩家的參與度很低，但事實上這100個玩家的游戲參與度卻是100%，

2 新增用戶（推廣）

用戶新增業務流程：

定義【增】節點：

激活一般包括：注冊、下單、瀏覽某些內容等等

判別【新】

基于設-備：
基于賬號：與后臺賬號匹配，

定義新增用戶：定義新增用戶

3 用戶留存（吹牛皮指標）

計算方法：

（以7日為例子）
一個產品第一日新增10個用戶（即DAU_day1 = 10），假設往后7天無增用戶：

七日日留存
七日內留存

根據業務目標、場景選則合適計算方法

場景一：對比渠道質量——關心第7天的表現
以【X日日留存】作為比較標準時，可以避免其他日資料的干擾，

第一種：只使用了第一天和第七天的資料，忽略了同樣的資訊量，可以【公平】比較，

假如使用第二種計算方法，而且活躍曲線如下：

【】渠道A：前三天平穩（活躍數大），后四天急劇下跌，到第七天所剩無幾，
【】渠道B：則相反，先下降后平穩，第七天還有所剩余，

??使用第二種演算法：7日留存（渠道A） > 7日留存（渠道B）,而第一種演算法得到相反的結論，‘對比渠道質量（7日留存）’這種業務場景，可能更關心是第7天最終留下的用戶，第二種計算方法把中間day2~day6的用戶資料引入，從而影響了實際判斷，

場景二：對比渠道質量——關注7日內活躍

??某產品有周期性活躍特征，只在周六、周日用戶才會比較活躍，其他時間基本沉默，星期二獲取的新用戶，到下周一（第七天）活躍用戶很少，這種場景還用第一種計算方法的話，得到的資料會非常糟糕，往往不能反映這種周期性業務的真實情況，用第二種方法可能會比較合適，

演算法一的其他計算標準：

優點：分子和分母星期相同，某種程度能抵消星期級別的波動，

看留存的目的

了解某一個渠道的質量，
觀察整個大盤，

二、行為相關資料指標

1 PV、UV、轉化率、人均次數、訪問深度

傳統定義和衍生定義：PV、UV

??傳統的網頁時代，PV（Page View）指的是頁面的瀏覽量，不去重；UV（Unique Visitors）指的是獨立訪問數，而移動互聯網時代，用戶會在頁面進行一些操作，比如‘點贊’，此時可以衍生新的定義——點贊次數：

轉化率和人均次數

??對于一個路徑漏斗，把次數和人數單獨放在一側，描述一些問題就會簡單得多：

Q：來了多少用戶？訪問情況如何？——> A：來了5個，訪問13次，人均2.6次，
Q：首頁轉換效果如何？——> A：有8/13 = 62%的【次】進入課程詳情頁，
Q：有多少注冊了？——> A：來了5個有兩個注冊，占了40%，
Q：注冊了又有多少當時付費了？ ——>A：2人只有一個付費了，占50%，