互联网产品有哪些数据分析指标

本文主要解决数据分析师在构建指标体系时无从下手，除了网上常见的DAU，UV、PV、ROI、转化率、留存率等，其实还有很多值得我们去关注。这次咱不搞虚的，暂时抛开方法论，直接上干货。下面以某APP为例子，详细讲解所有相关指标。

⼀个APP在构建指标体系时，所需数据指标可以从六个维度来看：用户规模与质量、参与度分析、 渠道分析、功能分析、用户属性分析和收⼊分析。

1. 用户规模和质量

这是最重要的维度，相对应的指标也比较多，包括活跃用户指标、新增用户指标、用户构成指标、用户留存率指标和用户活跃天数指标。

1.1 活跃用户指标

活跃用户：指在统计周期内启动过APP的用户数量。如果要通过一个指标衡量一款APP是否成功，那一定是活跃用户数，通常一般是DAU。同样也归属为北极星指标。

其中，根据不同的统计周期可以分为：日活(DAU)、周活（WAU）、月活（MAU）。

1.2 新增用户指标

新增用户指标：指安装应用后，首次启动应用的用户数量，也是一个最基础指标。按照统计时间跨度不同分为日、周、月新增用户。

作用：
主要衡量营销推广的渠道效果；
拓展：
新增用户/活跃用户：用于衡量产品健康度。
如果某产品新用户占比过高，那说明该产品的活跃是靠推广得来。这种情应重点关注关注用户的留存率情况。

1.3 用户构成指标

用户构成是对周活跃用户或者月活跃用户的构成进行分析，有助于通过新老用户结构了解活跃用户健康度。以周活跃用户为例，包括以下几类用户：

本周回流用户：上周未启动过应用，但本周启动的用户；
连续活跃n周用户：连续n周，每周至少启动过一次应用的活跃用户；
忠诚用户：连续活跃5周及以上的用户；
连续活跃用户：连续活跃2周及以上的用户；
近期流失用户：连续n周（大等于1周，但小于等于4周）没有启动过应用的用户；

1.4 用户留存率指标

用户留存率：指活跃用户在下一个时间段仍有多少用户活跃的比例。
这里重点关注次日、7日、14日以及30日留存率。

次日留存率：第二天再次启动用户数/今天活跃用户数；
7日留存率：第七天再次启动用户数/今天活跃用户数；
其他以此类推。

1.5 用户活跃天数指标

每个用户的总活跃天数指标（TAD，Total Active Days per User）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，那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。

作用：反映用户质量或黏性，尤其是用户活跃度很重要的指标。

2 参与度分析

参与度分析主要是分析用户的活跃度，包括启动次数分析、使用时长分析、访问页面分析和使用时间间隔分析。

2.1 启动次数指标

启动次数：指在某一统计周期内用户启动应用的次数。
在进行数据分析时，一方面要关注启动次数的总量走势，另一方面，则需要关注人均启动次数，即同一统计周期的启动次数与活跃用户数的比值。通常人均启动次数和人均使用时长可以一起分析。

2.2 用户使用时长

使用总时长：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。该指标是衡量用户质量、产品质量的重要指标。
其中，包括人均使用时长、单次使用时长两个角度。公式如下图所示：

2.3 访问页面

访问页面数：指用户启动一次所访问的页面数。我们通常要分析访问页面数分布，即统计一定周期内（如1天、7天或30天）该应用的访问页面数的活跃用户数分布，如访问1-2页的活跃用户数、3-5页的活跃用户数、6-9页的活跃用户数…

同时，我们可以通过不同统计周期（但统计跨度相同，一般是7天），统计访问页面的分布差异，以便于发现用户体验的问题。

2.4 使用时间间隔

使用时间间隔：指同一用户相邻两次启动的时间间隔。比如一个月内，针对该应用的活跃用户进行使用时间间隔的分布统计，常见使用时间间隔为1天内、1天、2天……
同时，我们可以通过统计不同周期（但统计跨度相同，如都为30天）的使用时间间隔的分布差异，以便于发现用户体验的问题。

3. 渠道分析

主要分析各渠道在相同的投入情况下，用户数量的变化和趋势，以科学评估渠道质量，优化渠道推广策略。

渠道分析包括新增用户、活跃用户、启动次数、单次使用时长和留存率等上述提到过的指标。目前，APP的推广渠道主要为Androd和iOS。

3.1 安卓渠道：

第三方应用市场，如华为、小米、91助手等；
广告联盟，如网盟、友盟等；
厂商预装，像华为、小米、vivo等；
水货刷机，如刷机精灵等；
社会化推广，如在社群做分享，在社区形成二次甚至多次传播，也可以纳入该推广范畴。

对于安卓来说，用户来源就分以上几种，每一种可以分别去定义重点指标。不同类型的推广方式，可从不同的维度进行分析。
比如说像第三方应用市场，很多用户都是通过这个渠道来下载APP，所以这方面的数据更多的是看活跃和留存；像广告联盟这种，是通过积分墙来分析，更多的是用户完成任务的形式，可以通过量级来考量渠道。

3.2 iOS渠道：

iOS的渠道主要是AppStore，原则上我们所有的数据和激活都是通过这个渠道来获取，但是在实际推广的过程中，我们更多的是想分析用户是通过什么渠道跳转到AppStore上进行下载，激活产品。
这需要我们直接和技术做最底层的对接——API接口对接。具体的分析方法与安卓是类似的，主要是分析活跃和留存数据。

当然，以上提到的只是渠道质量评估，属于初级维度，如果还需要进一步研究渠道，尤其是研究到渠道防作弊层面，指标还需要更多。
包括：判断用户使用行为是否正常的指标，如关键操作活跃量占总活跃的占比，用户激活APP的时间是否正常；判断用户设备是否真实，如机型、操作系统等集中度的分析。

4. 功能分析

功能分析主要分析功能活跃情况、页面访问路径以及转化率。

4.1 功能活跃指标

主要关注某功能的活跃人数、新增用户数、用户构成、用户留存。这些指标的定义与前文提到的“用户规模与质量”的指标类似。只是，本部分只关注某一功能模块，而不是APP整体。比如网易新闻APP某个频道的功能活跃指标。

4.2 页面访问路径分析

主要是用户从打开应用到离开应用整个过程，统计其每一步的页面访问和跳转情况。该目的是促进达成App的商业目标，即引导用户更高效地完成App的不同模块任务，最终促进用户付费。

APP页面访问路径分析需要考虑三方面的用户问题：
① 身份：用户可能是你的会员或者潜在会员，也有可能是你的同行或者竞争对手等；
② 目标：不同用户使用APP的目的有所不同；
③ 访问路径：即使身份类似、使用目的类似，但访问路径也很可能不同。因此，我们在做APP页面访问路径分析的时候，需要对APP用户做细分，然后再进行APP页面访问路径分析。

最常用的细分方法是：按照APP的使用目的来进行用户分类。如汽车APP的用户便可以细分为关注型、意向型、购买型用户，并对每类用户进行不同访问任务的路径分析，比如意向型的用户，他进行不同车型的比较都有哪些路径，存在什么问题；
还有一种方法是利用算法，基于用户所有访问路径进行聚类分析，依据访问路径的相似性对用户进行分类，再对每类用户进行分析。

4.3 转化率

转化率：指进入下一页面的人数（或页面浏览量）与当前页面的人数（或页面浏览量）的比值。

通常使用漏斗模型来，它可以分析产品中关键路径的转化率，以确定产品流程的设计、用户体验问题。比如用户从进入某电商网站—浏览商品—把商品放入购物车—支付完成，每一个环节都有很多的用户流失。

通过分析转化率，我们可以比较快定位用户使用产品的不同路径中，分析是否存在问题，并提出如何进行优化的改进意见，通常我们只需要对每天的转化率进行连续性的监控即可。

5. 用户属性和画像分析

用户属性分析主要从用户使用的设备终端、网络及运营商、地域和用户画像角度进行分析。

5.1 用户属性分析

设备终端分析的维度有机型分析、分辨率分析和操作系统分析；网络及运营商分析有用户联网方式和电信运营商；地域主要从不同省市和国家来分析。

5.2 用户画像分析

用户画像分析包括人口统计学特征分析、用户个人兴趣分析、用户商业兴趣分析。人口统计学特征包括性别、年龄、学历、收入、支出、职业、行为等；
用户个人兴趣指个人生活兴趣爱好的分析，如听音乐、看电影、健身、养宠物等；用户商业兴趣指房产、汽车、金融等消费领域的兴趣分析。用户画像这部分的数据需要进行相关的画像数据采集，才可以支撑比较详细的画像分析。

6. 收入分析

盈利是产品的最终目的，所以总收入、付费用户数、付费率、ARPU这四个指标经常用到。
总收入、付费用户数反映的是收入和付费用户的规模；付费率、ARPU代表的是用户付费质量，反映的是用户付费的广度与深度。主要关注转化漏斗最后环节的订单数量和金额。

下一篇，我们来聊聊关于欺诈行为和反欺诈的相关指标。