20190124 运营指标整理
干货 ：手把手教你搭建数据化用户运营体系
http://www.10tiao.com/html/301/201704/2651886640/2.html
做运营必须掌握的数据分析思维，你还敢说不会做数据分析？
http://www.10tiao.com/html/301/201705/2651886717/1.html
当然运营在提出具后台需求时一定是基础数据需求，常见的如用户概况数据、PV数、UV数、UID数、启动次数、留存率、跳出率、页面访问路径等，
做数据分析需要以目标为导向，学会做数据维度的逐级拆分，以结构化思维来做运营数据的全面的，系统性的分析。
在做产品运营的数据分析时，我们可以按照以下思路来进行：
① 确定数据分析目标
② 明确数据目标的关键影响维度拆解
③ 找出不同数据纬度之间的关联关系从而建立起数据关系模型
④ 发现问题数据及出现原因
⑤ 针对问题数据影响维度做相应的优化
数据分析更多的是要关注多个数据维度之间的相关关系，而不是单个数据产生的因果关系！通过影响关键指标的数据维度的关联关系建立数据分析模型。
做运营一定要讲数据分析培养成为潜意识行为，运营过程中的一切行为和手段都可以数据化，数据驱动运营。
数据分析一般会存在两种方向，一种是自上而下，另一种是自下而上。
自上而下的思路在前文已经提到过，具体的思路为：确立数据分析目标——目标影响维度拆解——各数据维度相关关系建立——发现问题数据及出现原因——问题数据优化，这种思路多用户产品的数据分析体系或者模型的建立，从而保证数据分析的全面性。
自下而上的数据分析思路多用在针对已有数据报表中的数据问题发现，具体思路为：异常数据发现——该异常数据影响因素——影响因素与问题数据之间的相关关系——找出出现异常数据的原因——找到异常数据的解决办法。
如何构建大数据层级体系，看这一文章就够了
http://www.10tiao.com/html/301/201706/2651886900/1.html
产品解决方案-用户选择成本>用户需求
从零开始，构建数据化运营体系
http://www.10tiao.com/html/301/201703/2651886490/1.html
行为数据
它是记录用户在产品上一系列操作行为的集合，按时间顺序记录。用户打开APP，点击菜单，浏览页面是行为；用户收藏歌曲、循环播放歌曲，快进跳过歌曲是行为。
行为数据的核心是描述哪个用户在哪个时间点、哪个地方，以哪种方式完成了哪类操作。
行为数据通过埋点技术收集。埋点有不同种的实现方式，采集到的数据内容倒是没有差别，主要以用户ID，用户行为，行为时间戳为最主要的字段。
流量数据
流量数据是行为数据的前辈，是Web1.0就兴起的概念。它一般用于网页端的记录，行为数据在产品端。
流量数据和行为数据最大的差异在于，流量数据能够知道用户从哪里来，是通过搜索引擎、外链还是直接访问。
流量数据是基于用户访问的网页端产生。主要字段为用户ID、用户浏览页面、页面参数、时间戳四类，简化模型如下。
业务数据
业务数据在产品运营过程中伴随业务产生。比如电商产品，我进行了促销，多少用户领取了优惠券，多少优惠券被使用，优惠券用在哪个商品上，这些数据和运营息息相关又无法通过行为和流量解释，那么就归类到业务数据的范畴。
行为数据、流量数据、业务数据构成了数据来源的三驾马车。统称为原始数据，指没有经过任何加工。
外部数据
外部数据因为质量难以保证，更多是一种参考的作用，不像内部数据能产生巨大的作用。
干货 : 如何构建数据运营指标体系
http://www.10tiao.com/html/301/201703/2651886565/2.html
电商指标
APP指标
用户指标
金融指标（信贷）
一个优秀的数据分析师是怎样炼成的？
https://36kr.com/p/5053800.html
一个完整的企业数据分析体系涉及到多个环节：采集、清理、转化、存储、可视化、分析决策等等。其中，不同环节工作内容不一样，消耗的时间和产生的价值也相差甚远。
数据分析常见的七种思路
1.简单趋势
通过实时访问趋势了解产品使用情况，便于产品迅速迭代。访问用户量、访问来源、访问用户行为三大指标对于趋势分析具有重要意义。
2.多维分解
数据分析师可以根据分析需要，从多维度对指标进行分解。例如浏览器类型、操作系统类型、访问来源、广告来源、地区、网站/手机应用、设备品牌、APP版本等等维度。
3.转化漏斗
按照已知的转化路径，借助漏斗模型分析总体和每一步的转化情况。常见的转化情境有注册转化分析、购买转化分析等。
4.用户分群
在精细化分析中，常常需要对有某个特定行为的用户群组进行分析和比对；数据分析师需要将多维度和多指标作为分群条件，有针对性地优化产品，提升用户体验。
5.细查路径
数据分析师可以观察用户的行为轨迹，探索用户与产品的交互过程；进而从中发现问题、激发灵感亦或验证假设。
6.留存分析
留存分析是探索用户行为与回访之间的关联。一般我们讲的留存率，是指“新增用户”在一段时间内“回访网站/app”的比例。 数据分析师通过分析不同用户群组的留存差异、使用过不同功能用户的留存差异来找到产品的增长点。
7.A/B 测试
A/B测试就是同时进行多个方案并行测试，但是每个方案仅有一个变量不同；然后以某种规则（例如用户体验、数据指标等）优胜略汰选择最优的方案。数据分析师需要在这个过程中选择合理的分组样本、监测数据指标、事后数据分析和不同方案评估。
推荐 ：最用心的运营数据指标解读
http://www.10tiao.com/html/301/201705/2651886874/2.html
用户获取
渠道到达量：俗称曝光量，即产品推广页中有多少用户浏览。它可以在应用商店，可以在朋友圈，可以在搜索引擎，只要有流量的地方，都会有渠道曝光。
渠道转化率：转化率是应用最广阔的指标。业界将转化率和成本结合，衍生出CPM，CPC，CPS，CPD，CPT等。
CPM(Cost Per Mille)指每千人成本，它按多少人看到广告计费，传统媒介比较倾向采用。
CPC(Cost Per Click)指每用户点击成本，按点击计价，对广告主来说，这个比CPM的土豪作派理性多了。
CPA(Cost Per Action)指每行动成本，按用户行为计价，行为能是下载也能是订单购买。
渠道ROI：当运营活动的ROI大于1，说明这个活动是成功的，能赚钱。
除了收入，ROI也能推广到其他指标，有些产品商业模式并不清晰，赚不到钱，那么收入会用其他量化指标代替。譬如注册用户量，这也就是获客成本了。
日应用下载量：技术上通过唯一设备ID匹配。
日新增用户数：新增用户数是用户获取的核心指标。
用户获客成本：
一次会话用户数：一次会话用户，指新用户下载完App，仅打开过产品一次，且该次使用时长在2分钟以内。这类用户，很大可能是黑产或者机器人，连羊毛党都算不上。
用户活跃
日活跃用户/月活跃用户：活跃指标是用户运营的基础，可以进一步计算活跃率：某一时间段内活跃用户在总用户量的占比。按时间维度，则有日活跃率DAU、周活跃率WAU和月活跃率MAU。活跃用户数，衡量的是产品的市场体量，活跃率，看的则是产品的健康。
可仅仅打开产品，能否作为产品健康的度量？答案是否定的。成熟的运营体系，会将活跃用户再细分出新用户、活跃用户、忠诚用户、不活跃用户、流失用户、回流用户等。流失用户是长期不活跃，忠诚用户是长期活跃，回流用户是曾经不活跃或流失，后来又再次打开产品的活跃用户。
通过不同的活跃状态，将产品使用者划分出几个群体，不同群体构成了产品的总用户量。健康的产品，流失用户占比不应该过多，且新增用户量要大于流失用户量。
PV和UV：
PV是互联网早期Web站点时代的指标，也可以理解为网页版活跃。PV(PageView)是页面浏览量，用户在网页的一次访问请求可以看作一个PV，用户看了十个网页，则PV为10。
UV(Unique Visitor)是一定时间内访问网页的人数，正式名称独立访客数。在同一天内，不管用户访问了多少网页，他都只算一个独立访客。怎么确认用户是不是同一个人呢？技术上通过网页缓存cookie或者IP判断。如果这两者改变了，则用户算作全新的访客。
用户会话次数
用户会话也叫session，是用户在时间窗口内的所有行为集合。用户打开App，搜索商品，浏览商品，下单并且支付，最后退出，整个流程算作一次会话。
会话的时间窗口没有硬性标准，网页端是约定俗成的30分钟内，在30分钟内用户不管做什么都属于一次会话。而超过30分钟，不如出去吃个饭回来再操作，或者重现打开，都属于第二次会话了。
移动端的时间窗口默认为5分钟。
用户会话次数和活跃用户数结合，能够判断用户的粘性。如果日活跃用户数为100，日会话次数为120，说明大部分用户都只访问了产品一次，产品并没有粘性。
用户会话依赖埋点采集，不记录用户的操作，是无法得知用户行为从哪里开始和结束的。另外一方面，用户会话是用户行为分析的基础。
用户访问时长
用户访问时长是一次会话持续的时间。
功能使用率
产品上的重要功能。如收藏，点赞，评论等，这些功能关系产品的发展以及用户使用深度。
用户留存
如果说活跃数和活跃率是产品的市场大小和健康程度的话，那么用户留存就是产品能够可持续发展。
留存率
用户在某段时间使用产品，过了一段时间后，仍旧继续使用的用户，被称为留存用户。留存率 = 仍旧使用的用户/ 当初的总用户量。
假设产品某天新增用户1000个，第二天仍旧活跃的用户有350个，那么称次日留存率有35%，如果第七天仍旧活跃的用户有100个，那么称七日留存率为10%。
Facebook有一个著名的40-20-10法则，即新用户次日留存率为40%，七日留存率为20%，三十日留存率为10%，有此表现的产品属于数据比较好的。
还有一种留存率是活跃用户留存率，或者老用户活跃率，即某时间活跃的用户在之后仍旧活跃的比率。它更多用周留存和月留存的维度。
新增留存率和活跃率是不同的，新增留存率关系于产品的新手引导，各类福利，而活跃留存率和产品氛围，运营策略，营销方式等有关，更看重产品和运营的水平。
用户流失率
用户流失率和留存率恰好相反。如果某产品新用户的次日留存为30%，那么反过来说明有70%的用户流失了。
这里可以引出一个公式，生命周期 = （1/流失率）*流失率的时间维度。它是经验公式，不一定有效。
退出率
退出率是网页端的一个指标。网页端追求访问深度，用户在一次会话中浏览多少页面，当用户关闭网页时，可认为用户没有「留存」住。退出率公式：从该页退出的页面访问数/进入该页的页面访问数，某商品页进入PV1000，该页直接关闭的访问数有300，则退出率30%。
跳出率是退出率的特殊形式，有且仅浏览一个页面就退出的次数/访问次数，仅浏览一个页面意味着这是用户进入网站的第一个页面，俗称落地页LandingPage。
营销
营销也有自己的数据体系，互联网的数据体系就是脱胎于此才发展出AARRR框架。产品的发展模式有两种，如果一款产品能够在短时间获得百万用户，AARRR框架更适合它；如果一款产品从第一个用户起即有明确的商业模式，也能尝试套用市场营销的概念。
用户生命周期
它有两种含义,一种是针对用户个体/群体的营销生存窗口。用户会随时间推移发生变化，这种变化带来无数营销机会，对市场和企业是机遇。如怀胎十月,它就是一个生命周期为十月的营销窗口，企业会围绕这时期的用户建立特定营销。搬家，大学毕业，买房等都具有典型的周期特征。
另外一种是用户关系管理层面的生命周期，它对运营人员更重要。产品和用户的业务关系会随着时间推移改变。在传统营销中，分为潜在用户，兴趣用户，新客户，老/熟客户，流失客户。这几个层层递进的阶段和用户活跃很像。
营销数据分析中，最关键的环节就是新客户—流失客户这个阶段，一位用户能和产品互动多久，将决定产品的生命力。听起来和留存挺像的，上文提过的生命周期计算公式，就是脱胎于市场营销。
用户生命周期价值
生命周期价值是用户在生命周期内能为企业提供多少收益，它需要涉及财务定义。互联网行业更多提到生命周期，而不是生命周期价值，因为互联网的商业模式没有传统营销的买和卖那么简单明确。
客户/用户忠诚指数
t是一个时间窗口，s代表消费次数，代表的距今某段时间内的消费次数。若时间窗口选择月，那么t=1是距今第1个月内的消费次数，t=2是距今第2个月内的消费次数。
际应用过程中需要归一化，并且考虑时间权重：越近的消费肯定越忠诚。上述的模型在于简单，适合各类商业模式的早期分析，如金融投资，便可以计算用户每个季度的投资次数。
客户/用户流失指数
流失指数是对流失的再量化，它是忠诚指数的反面。流失率衡量的是全体用户，而为了区分不同用户的精细差异，需要流失指数。在早期，流失指数=1-忠诚指数。
客户/用户价值指数
用户价值指数的主流计算方式有两种，一种是RMF模型，利用R最近一次消费时间，M总消费金额，F消费频次，将用户划分成多个群体。不同群体即代表了不同的价值指数。
第二种是主成分分析PCA，把多个指标转化为少数几个综合指标（即主成分），其中每个主成分都能够反映原始变量的大部分信息，且所含信息互不重复。
传播/活动
K因子
国外用得广泛的概念：每位用户平均向多少用户发出邀请，发出的邀请又有多少有效的转化率，即每一个用户能够带来几个新用户，当K因子大于一时，每位用户能至少能带来一个新用户，用户量会像滚雪球般变大，最终达成自传播。当K因子足够大时，就是快口相传的病毒营销。
病毒传播周期
活动、广告、营销等任何能称之为传播的形式都会有传播周期。病毒性营销强则强矣，除非有后续，它的波峰往往只持续两三天。这也是拉新的黄金周期。
另外一种传播周期是围绕产品的邀请机制，它指种子用户经过一定周期所能邀请的用户。
用户分享率
数据只能知道用户转发与否，转发给谁是无法跟踪的。所以产品用物质激励用户分享要当心被薅羊毛。
活动曝光量/浏览量
参数越多，分析的维度就能越细，活动可优化的空间也越大。如果大家有心的话，可以看朋友圈(包括网页)各种活动的网页参数，观察其他产品的分析维度。
活动参与率
活动参与率衡量活动的整体情况，可以套用用户活跃的分析指标。
营收
活跃交易用户数
和活跃用户一样，活跃交易用户也可以区分成首单用户(第一次消费)，忠诚消费用户，流失消费用户等。细分交易数据和指标，关系到产品商业化的进展，所以是有必要的。其实到这个环节，各类指标已经更倾向用户画像，而非报表统计了。
GMV
成交总金额，只要用户下单，生成订单号，便可以算在GMV里，不管用户是否真的购买了。互联网电商更偏好这个指标。
客单价
传统行业，客单价是一位消费者每一次到场消费的平均金额。在互联网中，则是每一笔用户订单的收入，总收入/订单数。
ARPU可以再一步细分，当普通用户占比太多，往往还会采用每付费用户平均收入ARPPU，总收入/收费用户数。
复购率
若把复购率说成营收届的留存率，你就会知道它有多重要了。和新增用户一样，获得一个新付费用户的成本已经高于维护熟客的成本。
用户第一次消费，可能是体验产品，可能是优惠，可能也是运营极大力地推动，各类因素促成了首单。而他们的第二次消费占比会有断崖式下跌(对应次日留存率的下跌)，因为这时候的消费逐渐取决于用户对产品的信任，模式的喜欢或者习惯开始养成。
退货率
退货率是一个风险指标，越低的退货率一定越好，它不仅直接反应财务水平的好坏，也关系用户体验和用户关系的维护。
商品
购物篮分析
连带率是购物篮分析的一种指标，特指销售件数和交易次数之比。
商品热度是一种快速见效的分析。可以将商品分为最热门Top20，最盈利Top20等，它依托二八法则，找出利润的抓手，很多营销会将它和连带率结合。
购物篮分析中最知名的想必是关联度，简单理解是，买了某类商品的用户更有可能买哪些其他东西。
关联分析有两个核心指标，置信度和支持度。支持度表示某商品A和某商品B同时在购物篮中的比例，置信度表示买了商品A和人有多少同时买了B，表示为A→B。
进销存
进销存是传统零售行业的经典管理模型，将企业商品经营拆分出采购、入库、销售三个环节，并且建立全链路的数据体系。
采购包括广度、宽度、深度三个维度。广度是商品品类。采购宽度是SKU占比，代表商品供选择的丰富程度。采购深度是平均每个SKU的商品数量。
库存是一个中间状态，采购是进，销售是出。库存是一个动态滚动的变化过程，我们常拿过去时间窗口内的库存消耗速度衡量现有存量的消耗。
销售环节大家更熟悉，指标聚焦在两个方面，销售的速度和销售的质量。销售速度常表示为售罄率，表示为时间窗口内的销售数量/时间窗口内的库存数量，这是比率，故可以用累计售罄率。
销售的质量和折扣率挂钩，乃是实收金额和标准金额的比率。
干货 ：手把手教你搭建数据化用户运营体系
http://www.10tiao.com/html/301/201704/2651886640/2.html
用户数据的收集主要收集包括用户基本数据、用户行为数据和用户流量数据数据。
用户基本数据指的是用户的静态数据，包括性别、年龄、地区、工作等，这类数据描述了用户是谁，主要靠基本信息填写来实现。
用户行为数据是用户在产品上一系列操作行为的集合，哪个用户在哪个时间点、哪个地方以哪种方式完成了哪类操作，包括用户浏览、购买、内容贡献、邀请传播、社交等行为，这类数据描述了用户干了什么，主要靠数据埋点来实现。
用户流量数据是用户的来源，是基于用户访问的网页端产生的，包括设备、运营商、端口、时间等，这类数据描述了用户从哪儿来。
在从潜在用户变为注册用户的拉新环节，我们要做的是对拉新渠道及在各渠道上采用的推广策略的分析，通过数据指标评估渠道质量，优化渠道推广策略。数据指标主要包括新增用户数、用户获取成本，新用户留存率。
新增用户数：新增用户是指安装应用后，首次启动应用的用户。
用户获取成本：对于付费渠道反应渠道的转化率。
新用户留存率：反应新增用户的质量，与目标用户的契合度。
针对注册用户和活跃用户的促活留存环节是运营人员的最主要工作之一，我们日常所做的用户分层分类、用户成长激励体系等都是在这个环节做的，体现在数据上我们可以设立的指标体系包括了解用户规模和质量的体系，了解用户参与度（使用深度）的体系和了解用户属性的用户画像体系。
（1）用户规模和质量
活跃用户指标：活跃用户指在某统计周期内启动过应用(APP)的设备数。
新增用户指标：新增用户量指标在前面说过是衡量推广渠道效果的主要指标；另外新增用户占活跃用户的比例也可以用来用于衡量产品健康度。
用户留存率指标：用户留存率是指在某一统计时段内的新增用户数中再经过一段时间后仍启动该应用的用户比例。用户留存率可重点关注次日、7日、14日以及30日留存率。
用户构成指标：用户构成是对统计周期内活跃用户的构成进行分析，以周活跃用户为例，周活跃用户包括本周回流用户、连续活跃n周用户、忠诚用户等，有助于通过新老用户结构了解活跃用户健康度。
单用户活跃天数指标：是在统计周期内，平均每个用户在应用的活跃天数。如果统计周期比较长，如统计周期一年以上，郡么，每个用户的总活跃天数基本可以反映用户在流失之前在APP上耗费的天数，这是反映用户质量尤其是用户活跃度很重要的指标。
（2）用户参与度
启动次数：指在某统计周期内用户启动应用的次数。
最近一次使用：用户最近一次使用距离现在的时间，通过维度和分布的分析，也可在一定程度上反应活跃度。
使用时长：指在某一统计统计周期内所有从APP启动到结束使用的总计时长。使用时长还可以从人均使用时长（使用总时长和活跃用户数的比值）、单次使用时长（使用总时长和启动次数）等角度进行分析，是衡量产品活跃度、产品质量的重要指标。
使用时间间隔：使用时间间隔是指同用户相邻两次启动的时间间隔。我们通常要分析使用时间间隔分布，一般统计一个月内应用的用户使用时间间隔的活跃用户数分布。也可以通过不同统计周期(时间点不同，但跨度相同)的使用时间间隔分布的差异，以发现用户体验的问题。
访问页面：访问页面数指用户一次启动访问的页面数。
（3）用户画像
用户画像就是通过各种数据勾勒出用户的轮廓，凡是可以定义出用户属性的指标都可以放在用户画像里，包括性别、年龄、学历、收入、支出、职业、行业、个人兴趣爱好、商业兴趣、社交关系等等，数据越多，用户的轮廓就越清晰，相应的制定运营策略的时候就越有针对性。
到达率：推送到达用户手机或邮箱的比率。
打开率：用户看到推送打开的比率。
打开点击率:用户打开后点击内容/链接的比率。
回流率：回流用户数与统计周期内流失用户的比率。
不同生命周期用户流失率分析
通过使用时长和使用频次两个指标将用户生命周期划分为为接触适应期、探索成长期、成熟稳定期、衰退期。
运营入门，从0到1搭建数据分析知识体系
http://www.10tiao.com/html/301/201705/2651886766/1.html
