數據指標定義：
對當前業務有參考價值的統計數據統計數據。沒有絕對的對錯，只有彼此的認同！
常見的數據指標：
一、用戶相關的數據指標
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
- 數據第統計系統定義（第三方）：基於事件上報進行統計（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消息推送指標相關文章：APP消息推送（Push） - 業務上的定義（內部）：基於用戶執行了關鍵事件（如訪問首頁、詳情頁）。注意push消息時，用戶直接跳轉到的頁面，完善‘日活事件列表’的管理，把訪問該頁面事件也加到列表，需要更新維護，存在維護成本和溝通成本。
Users選擇
一個人可以從多台設備登錄產品服務，一台設備有可能有多個人登錄產品服務。認人還是認設備，取決於是否有賬號系統、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的隨機長字符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。
業務解析
- 兩個指標僅僅為了日后的分析，其本身並不具有任何意義。不能說100的日活產品就比1000的日活產品差。DAU數據僅僅只是該款產品在某個時間點的縮影，並不說明任何事情，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的值很低並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】
- 基於設-備：
- 基於賬號：與后台賬號匹配。
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】作為比較標准時，可以避免其他日數據的干擾。
第一種：只使用了第一天和第七天的數據，忽略了同樣的信息量，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。
使用第二種算法：7日留存（渠道A） > 7日留存（渠道B）,而第一種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的用戶數據引入，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，得到的數據會非常糟糕，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。
算法一的其他計算標准：
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、行為相關數據指標
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
對於一個路徑漏斗，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%。
- 轉化率：PV/PV or UV/UV,下一節點除以上一節點，關注留存轉化。
人均行為次數：PV/UV,同一節點相除，
訪問深度計算方法——用戶對產品的了解程度
算法一：用戶對某些關鍵行為的訪問次數
算法二：將網站內容/功能分成幾個層級，以用戶本次訪問過最深的一級計算
- 第一級：首頁
- 第二級：搜索、分類導航
- 第三級：詳情頁
- 第四級：查看圖片、評價等內容
2 訪問時長
訪問時長很難被統計：
- web時代：統計頁面打開時長（用戶一直沒關，去干別的事）；
- APP時代：前台駐留時長（手機放桌面，去干別的事）；
- 通過瞳孔與注意識別（涉及權限和隱私，只能小范圍研究測試用）。
所以，應該以統計的目標為出發點，通過統計特殊事件，支持業務需求。
例如，統計【視頻被消費的程度，評價內容質量】：記錄暫停/關閉頁面后，播放器中視頻在進度條的位置。
3 彈出率/跳出率Bounce Rate
定義：僅瀏覽了一個頁面就離開的訪問次數與所有訪問次數的百分比，基於會話。
計算：
退出率和跳出率區別：退出率和跳出率
三、業務相關數據指標
ARRU/ARPPU區別:ARRU/ARPPU