三節課培訓筆記
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、使用者相關的資料指標
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）的活躍使用者量，反應產品短期使用者活躍度。
月Monthly：單月活躍使用者量，反應產品長期使用者活躍度。
計算方式：
例如，一個新產品9月1號新增了100個使用者，隨後的30天，不再有新使用者新增，而這100個使用者每天都活躍，則9月每一天DAU=100，9月MAU=100，而不是100 * 30=3000，MAU不可能比總使用者數都大。
active定義
- 資料第統計系統定義（第三方）：基於事件上報進行統計（頁面載入上報Page View事件、APP確認登入按鈕點選上報onclick事件），比如友盟、百度統計、GA等預製報表統計系統。push推送‘確認到達事件’上報不能作為active，這是使用者被動收到，很多使用者直接忽略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）：基於使用者執行了關鍵事件（如訪問首頁、詳情頁）。注意push訊息時，使用者直接跳轉到的頁面，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
一個人可以從多臺裝置登入產品服務，一臺裝置有可能有多個人登入產品服務。認人還是認裝置，取決於是否有賬號系統、未登入的使用者對業務是否有價值。
- 選人場景：1.每位使用者有專屬U_ID，適合強註冊/強登入的應用。使用者數=訪問的U_ID數,未登入的使用者會被遺漏掉。
- 選裝置場景：通過cookie的隨機長字串作為裝置唯一標記符。使用者數=訪問的裝置數。無法對應裝置背後的使用者。
業務解析
- 兩個指標僅僅為了日後的分析，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資料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使用者的黏性大小，使用者開啟產品的頻率。一款產品MAU為100000，平均DAU為15000。那麼DAU/MAU的值為15%。粗略說明了，平均每個使用者在這個月裡15%的天數中開啟了產品。
- 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，還需要結合活躍使用者數量、ARPU、線上時長、付費轉化率等進行多維分析。例如一款新上線的遊戲在第一天有1000個玩家登陸，隨後在這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個玩家的遊戲參與度卻是100%。
2 新增使用者（推廣）
使用者新增業務流程：
定義【增】節點：
啟用一般包括：註冊、下單、瀏覽某些內容等等
判別【新】
- 基於設-備：
- 基於賬號：與後臺賬號匹配。
定義新增使用者：定義新增使用者
3 使用者留存（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個使用者（即DAU_day1 = 10），假設往後7天無增使用者：
-
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），後四天急劇下跌，到第七天所剩無幾。
【】渠道B：則相反，先下降後平穩，第七天還有所剩餘。
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天最終留下的使用者，第二種計算方法把中間day2~day6的使用者資料引入，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徵，只在週六、週日使用者才會比較活躍。其他時間基本沉默。星期二獲取的新使用者，到下週一（第七天）活躍使用者很少。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，往往不能反映這種週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
- 瞭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。而移動網際網路時代，使用者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：來了多少使用者？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：有多少註冊了？——> A：來了5個有兩個註冊，佔了40%。
Q：註冊了又有多少當時付費了？ ——>A：2人只有一個付費了，佔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——使用者對產品的瞭解程度
演算法一：使用者對某些關鍵行為的訪問次數
演算法二：將網站內容/功能分成幾個層級，以使用者本次訪問過最深的一級計算
- 第一級：首頁
- 第二級：搜尋、分類導航
- 第三級：詳情頁
- 第四級：檢視圖片、評價等內容
2 訪問時長
訪問時長很難被統計：
- web時代：統計頁面開啟時長（使用者一直沒關，去幹別的事）；
- APP時代：前臺駐留時長（手機放桌面，去幹別的事）；
- 通過瞳孔與注意識別（涉及許可權和隱私，只能小範圍研究測試用）。
所以，應該以統計的目標為出發點，通過統計特殊事件，支援業務需求。
例如，統計【視訊被消費的程度，評價內容質量】：記錄暫停/關閉頁面後，播放器中視訊在進度條的位置。
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、業務相關資料指標
ARRU/ARPPU區別:ARRU/ARPPU