如何把工作中產生的問題，與我們的數據工具和可以拿得到的數據建立對應關系。觀測數據看見趨勢異常下，挖掘數據背后的意義。基于數據分析的基礎的思考，最后才可以形成對營銷業務的洞察。

先來看一看常見的一些數據指標們

1. DAU：Daily Active User 日活躍用戶量。統計一日（統計日）之內，登陸或使用了某個產品的用戶數（去重）

2. WAU：Weekly Active Users 周活躍用戶量。統計一周（統計日）之內，登陸或使用了某個產品的用戶數（去重）

3. MAU：Monthly Active User 月活躍用戶量。統計一月（統計日）之內，登陸或使用了某個產品的用戶數（去重）

4. DNU：Day New User 日新增用戶，表示當天的新增用戶

5. DOU：Day Old User 日老用戶。當天登陸的老用戶，非新增用戶

6. ACU：Average Concurrent Users 平均同時在線人數

7. PCU：Peak Concurrent Users 最高同時在線人數

8. UV：Unique Visitor 唯一訪問量，即頁面被多少人訪問過

9. PV：Page View 頁面瀏覽量，即頁面被多少人看過

10. ARPU：Average Revenue Per User 平均每個活躍用戶收益。

一、數據指標分類

大致的，我認為可以將數據指標分為三大類：綜合性指標、流程性指標、業務性指標。

1. 綜合性指標

綜合性指標是能體現產品目前綜合情況的指標。

在非交易網站，比如社交網站，數據指標的用途偏向于了解產品的用戶增長或減少等情況。綜合性指標通常有：DAU、留存數、留存率、人均使用時長、PV、UV等。

對于交易系型網站，那么平臺關注的綜合性指標通常是：GMV、支付UV、人均訂單數、人均客單價等。

2. 流程性指標

流程性指標是指與用戶操作行為相關的指標。

點擊率：有PV點擊率和UV點擊率，一般使用PV點擊率。

轉換率：下一步操作用戶數/上一步操作用戶數

流失率：（上一步用戶數-下一步用戶數）/上一步用戶數

完成率：完成率相對于轉化率而言，是最終的結果數值。轉化率是過程值，完成率是結果值。

3. 業務性指標

業務性指標是跟產品業務相關的指標。例如視頻網站，則可能需要的業務指標有：視頻播放數、人均觀看時長、人均播放數、播放率等。

二、數據分析與設計方法

數據分析和設計的方法有：事件分析、留存分析、漏斗分析、分步分析、對比分析和多維度拆解。

1. 事件分析

事件是追蹤或記錄的用戶行為或業務過程。事件是通過埋點記錄，通過SDK上傳的用戶行為或業務過程記錄。例如，一個視頻內容產品可能包含的事件：①播放視頻；②暫停；③繼續播放；④分享；⑤評論。

一個事件可能包含多個事件屬性，例如，“播放視頻”事件下可能包含的屬性：①來源；②是否自動播放；③播放形態。

2. 留存分析

留存率是驗證用戶粘性的關鍵指標，設計師和產品經理通常可以利用留存率與競品對標，衡量用戶的粘性和忠誠度。通常重點關注次日、3日、7日、30日即可，并觀察留存率的衰減程度。留存率跟應用的類型也有很大關系。通常來說，工具類應用的首月留存率可能普遍比游戲類的首月留存率要高。

3. 漏斗分析

漏斗分析就是轉化率分析，是通過計算目標流程中的起點，到最后完成目標節點的用戶量與留存率，流量漏斗模型在產品中的經典運用是AARRR模型。

衡量每一節點的轉換率，通過異常數據（轉換率過低）找出異常節點，進而確定各個環節的流失率，分析用戶怎么流失、為什么流失、在哪里流失。根據數據改進產品，最終提升整體轉化率。

4. 用戶分群分析

用戶在某個特定條件下的用戶分組或占比。例如：注冊7天內下單的用戶組、參與過A活動的用戶等。

5. 對比分析

將不同時段的數據進行對比，找出差值，進行產品優化或驗證設計。

自身產品對比：對比產品不同模塊相似場景的數據，找出問題點。

行業產品對比：與同行業產品進行對比，找出優劣勢，并持續優化。

6. 多維度拆解

用不同的維度視角拆分分析同一類數據指標。例如按照不同的省市地區分析、不同的用戶人群、不用的設備等。通過不同維度拆解，找到數據背后的真相。