业务指标和分析方法

 常用的指标

1.用户数据

• 日新增用户数

 例如：微信公众号，每日新关注的用户数量，就是日新增用户；一款APP，下载了应用可以算作新增用户，也可以注册之后才算新增用户；也可以产生了某些指定行为才算新增用户，例如购买行为等；

• 活跃用户数

1 打开应用就算 ，但是这种定义是很宽松的，有误点的可能，数据可能存在水分。

2 登录才算活跃 ，还有些就是只有登录的才算活跃用户，例如游戏类，只有用户登陆了才有可能参与其中。

3 产生用户的某个些指定行为才算，这个定义要根据公司具体的业务而言了，如阅读类，用户只要看了某书简介、下载电子书，都算是活跃。用户去做了一些设置，例如换皮肤，或者是完善个人信息，这些都是算的；例如糗百这样，只要用户上去下拉了好几页，呆了一会儿，即使没有点进去看具体内容，或者参与评论，也是可以算活跃的。

日活跃用户数（DAU：Daily Active User)），

周活跃用户数（WAU：Week Active User），

月活跃用户数（MAU：Month Active User）

• 活跃率

 活跃用户数/总用户数

• 留存率

 （第1天访问你的应用，在第N天还访问你的应用的用户数）/第1天访问你的应用的用户数 会员在某段时间内开始访问你的应用，经过一段时间后，仍然会继续访问你的应用就被认作是留存，留存率反应的是电商留住会员的能力。

次日留存率，3日留存率，7日留存率，30日留存率

 

什么样的留存率算好呢？

也就是对于次日留存率，7日留存率，月留存率而言，有个40-20-10的法则，如果达到这个标准，也就说明公司的留存率达到了行业基本标准，但是每个公司根据自己的实际情况会有所不同。

 

• 单位获客成本

 在流量推广中，广告活动产生的投放费用与广告活动带来的独立访客数的比值；单位访客成本最好与平均每个访客带来的收入以及这些访客带来的转化率进行关联分析。若单位访客成本上升，但访客转化率和单位访客收入不变或下降，则很可能流量推广出现问题，尤其要关注渠道推广的作弊问题。

• 客单价

订单总额与订单数量的比值。应用场景主要是零售，包括电商平台

 

• ARPU （Average Revenue Per User）

 总收入/总用户数。应用场景主要是游戏类，APP引用类，ARPU注重的是一个时间段内运营商从每个用户所得到的利润

• ARPPU （Average Revenue Per Paying User）

 总收入/付费用户数。即平均每付费用户收入;它反映的是每个付费用户的平均付费额度。

2.行为数据

• PV （页面访问量，也叫页面点击量）

 即通常说的Page View(PV)，用户每一次对电商网站或者移动电商应用中的每个网页访问均被记录一次，同一个网页刷新一次就算一次访问，用户对同一页面的多次访问，访问量累计

• UV（独立访客数）

 独立访客数，对于PC网站，统计系统会在每个访问网站的用户浏览器做记录，一个cookie来标记这个用户，对同一cookie在一天内多次访问网站的用户仅记录为一个用户，如果同一个电脑一天之后好几个人使用也是记录一次。

• IP

 某IP地址的计算机访问网站的次数，如果是局域网使用同一个IP，则只记录一次。

• 平均访问时长

 衡量网站的用户体验的指标。访客在一次访问中，平均打开网站的时长，打开第一个页面到关闭最后一个页面的时长叫做总访问时长，平均访问时长=总访问时长/访问次数

• 跳出率

 跳出率是指访客来到网站后，只访问了一个页面就离开网站的访问次数占总访问次数的百分比。跳出率=只访问一个页面就离开网站的访问次数/总访问次数。跳出率是反映网站流量质量的重要指标

• 转化率

 潜在用户在我们的网站上完成一次我们期望的行为，就叫做一次转化，转化率=转化次数/访问次数。

电商网站的转化率=网站下单的次数/网站总访问次数

• 复购率

 购买两次及以上的客户/总购买客户数

 

3.产品数据

• 成交总额（GMV）

 就是指成交总额，也就是零售业说的“流水”。需要注意的是成交总额包括销售额、取消订单金额、拒收订单金额和退货订单金额。

 

• SKU（Stock Keeping Unit）

 库存量单位，SPU是商品信息聚合的最小单位，例如：一款商品多色，则是有多个SKU，例：一件衣服，有红色、白色、蓝色，则SKU编码也不相同，如相同则会出现混淆，发错货

• SPU（Standard Product Unit）

 Standard Product Unit （标准化产品单元），SPU是商品信息聚合的最小单位，是一组可复用、易检索的标准化信息的集合，该集合描述了一个产品的特性。SPU即通俗点讲，属性值、特性相同的商品就可以称为一个SPU。如iphone5S是一个SPU，而iPhone 5S配置为16G版、4G手机、颜色为金色、网络类型为TD-LTE/TD-SCDMA/WCDMA/GSM则是一个SKU

• ROI （Return On Investment）

 是指通过投资而应返回的价值，也就是投资回报率。产生的交易金额与活动投放成本金额的比值

 

3.如何选择指标

• 带率的指标

 

例如：

我们想要了解公司人员稳定情况，只知道离职人数是没有太大的概念的，但是如果知道了离职率，则就能判断出公司目前的人员稳定性情况，离职率就是一个关键指标

我们想要知道APP的运营情况，只关注活跃用户数是不行的，我们重点关注的还是活跃率，这个比率才能让我们看出公司目前的运营情况如何？

所以关注问题，重点关注的是带率的指标，这时候有人就说了，那我们只要掌握带率的指标不就不行了嘛，当然不是啦，率的指标都是由至少两个指标计算所得，比如离职率出现了问题，我们就得去分析离职人员和在职人员的这两个指标的情况。

 

• 北极星指标

 北极星指标也叫唯一关键指标（OMTM，One metric that matters），产品现阶段最关键的指标，其实简单说来就是公司制定的发展目标，不同阶段会有不同的目标。为什么叫“北极星”指标，其实大概的寓意就是要像北极星一样指引公司前进的方向。

 

 

• Facebook

成功的秘籍：http://www.woshipm.com/data-analysis/454520.html

北极星指标:日活跃用户数

• 喜马拉雅

三步引爆一款APP：https://v.youku.com/v_show/id_XMTMyNDU2MzI4NA==

核心指标：用户收听时长

• 知乎

核心指标：用户问答数

 

 4.电商指标体系详细介绍

 指标体系即相互之间有逻辑联系的指标构成的整体

电商行业的所有指标

 1 总体运营指标

 

 

 

 

 

人均页面访问数

即页面访问数（PV）／独立访客数（UV）该指标反映用户对于网站的粘性

总订单量

访客完成网上下单的订单数之和

销售金额

货品出售的金额汇总，销售金额一般只指实际成交金额，所以，GMV的数字一般比销售金额大

销售毛利

销售收入与成本的差值。销售毛利中只扣除了商品原始成本(商品原进价成本)，不扣除没有计入成本的期间费用（管理费用、财务费用、营业费用）。

毛利率

衡量电商企业盈利能力的指标，是销售毛利与销售收入的比值

 

 2 网站流量指标

 

3 销售转化指标

 

 

 

 

 4 客户价值指标

 

 

 

5 商品类指标

 

 

 

 6 市场营销活动指标

 

 

 7 风控类指标

 

 

 8 市场竞争指标

 

 

 

 

 

 

常见业务分析方法

能帮我看看公司最近的网站运营情况不？

解：

1.明确需求

2.确定思路

3.数据处理

4.数据分析

5.数据可视化

6.数据报告

 

 

明确问题：

公司最近的网站运营情况？这个问题太宽泛了，你要跟boss再问几个问题明确需求

问题1:boss,你是想看看公司网站具体哪方面的问题？

回答：公司最近销售不太好，订单转化率降低了

问题2：boss，这个数据您是从哪得知的呢？

回答：上午运营部做的汇报里体现的

问题3：boss，这个转化率低是指哪个时间段的？相比较谁它低了呢？

回答：4个月的转化率比3月转化率降低了

ok,问到这里就可以了，接下来就是你要做的事情了

 

 

 

常见的分析方法

 

1 逻辑树分析法

胡同口的煎饼摊子一年能卖多少个煎饼？

具体思路如下：

复杂的问题 简单化

2 多维度拆解分析法

公司8月总体销售额下降了，什么原因？

如果按照逻辑数分析法：

销售额=销售数量X单价

总体销售额下降了，就得去分析到底是销售数量下降了还是单价降低了

若是销售数量下降则要分析为什么，是市场问题 产品问题，渠道问题

若是单价降低了则要跟运营部门沟通是否有恶意竞价的现象

按照这个思路你实践了一遍，最后啥问题都没发现，总体销售额下降的幅度并不明显，内部和外部环境也没有太大的变化，但是把这个结果汇报给boss，自己也觉得没底气啊。

 

其实啊，这个时候光靠逻辑树分析法已经不够了，因为他毕竟只是一种思考问题的方式，要解决这个问题，我们还需要用到一种新的分析方法--多维度拆解分析法。其实啊，这个时候光靠逻辑树分析法已经不够了，因为他毕竟只是一种思考问题的方式，要解决这个问题，我们还需要用到一种新的分析方法--多维度拆解分析法。

 

第一个拆解

总体销售额下降：按照产品拆解，是所有产品的销售额都下降了，还是个别产品

 

 

第二个拆解

假设是某个产品销售额下降：按照产品拆解，是这个产品下所有的商品的销售额都下降了，还是个别商品

 

 

假设我们发现是某三款商品存在销售额大幅度下降造成的总体销售额下降，那对于下降的商品再进行具体的原因分析，才更有针对性。

 

再比如：某个销售事业部下面有5个销售部门，本季度整个事业部的总销售业绩没有达标，boss很生气，但是事业部总监继续汇报接下来的5个销售部门各自的业绩时，他才知道其中一个部门的人员流失造成业绩下滑，其他部门都是正常的，boss也没那么生气了。

有时候我们在看问题时，只看总体是不够的，需要从不同维度去拆解，细化到具体细分领域中，才能更全面的认识到企业存在的问题，才能有针对性的去解决问题。

 

该怎么拆解呢？

从指标构成拆解

用户数=新用户数+老用户数 某类商品是由 多个子商品组成；事业部销售额是由事业部下多个部门的销售额组成

从业务流程

我们回到本篇的案例中，网站订单转化率低，该怎么去分析

我们可以从业务流程角度：用户进入到网站--浏览商品--加入购物车--下单--付款

从用户进入网站到下单的转化率低，那我们就要分析每个流程的转化率，到底问题是出在了哪个环节。

 

将整体细分到局部 再用逻辑树去分析。化整为零，化繁为简

3 对比分析法

 

横向对比

工作中经常用到的是同比

2019年3月销售比2018年3月销售额增长10%，这属于同比

纵向对比

工作中经常用到的是环比

4月比3月的销售额下降了2%

 

4 假设检验法

假设检验法的流程是：

提出假设

搜集证据

得出结论

 

某款商品销量上升了？分析一下原因

可以从产品 渠道 运营三方面的去大胆提出假设

 

也可以从4P营销理论去提出假设

 

 

5 相关分析法

 

当我们想要研究两种或两种以上的变量有什么关系的时候就会用到相关分析法

两种变量是否存在相关，具体有多大的相关关系，在统计学上是用相关系数来衡量的

分为两类

正相关：一个变量的增长会引起另外一个变量的增长

负相关：一个变量的增长反而会引起另外一个变量的下降

相关系数r的取值范围[-1,1]

r = 1 代表完全正相关

r = -1 代表完全负相关

|r|>0.6 代表相关性很强

计算相关系数

结果如下：

从结果中，我们可以看出身高与体重呈现正相关，相关系数高达0.9，说明二者相关性很强，这也符合我们的常识，一般个子高的人体重会重一些，但这并不是绝对的，因为个子矮的比个子高重的现象肯定存在的。

工作中，当我们想证明某个数据对其他数据有影响时可以使用相关分析法来证实

例如：想要分析用户对于某款产品的价格敏感度，则要对价格和销量进行相关分析，如果价格下降会直接带来销售的上升，则说明二者呈负相关，通过相关系数可以来衡量相关性的强弱，但是前提是在保证其他影响销量因素不变的情况下，不然有可能会影响分析结果。

 

 

如果A和B相关，有至少五种可能性：

• A导致B
• B导致A
• C导致A和B
• A和B互为因果
• 小样本引起的巧合

 

相关分析是判断两个或两个以上变量之间是否存在某种联系

在工作中，我们经常使用相关分析来判断产生某个问题的影响因素，利用相关系数的大小进行相关性强弱的判断，用客观的数字来呈现变量之间的关系，也不是凭经验，凭直觉。

但是要避免一个误区，相关关系并不一定是因果关系，因此在进行相关分析时除了看相关系数大小外，还要进一步验证，如果其他因素不变，该变量是否能够引起另外一个变量相应的变化。

6 RFM分析模型

消费时间间隔（Recency），

消费频率（Frequency），

消费金额（Monetary）

• 近度（Recency，最近一次消费到当前的时间间隔）
• 频度（Frequency，最近一段时间内的消费次数）
• 额度（Monetory，最近一段时间内的消费金额）

精准刻画用户，是进行用户差异化营销的前提

这三个维度互相关联，反映了每个用户的现在价值和潜在价值，将每个维度分成5个区间进行评分，通过计算分数找到最有价值的用户，并对用户进行分类，可以有针对性的对不同类型用户采用不同的营销策略。

 

 

 

• 1.评分法
• 2.将所有用户的R、F、M平均值和总R、F、M平均值作比较,每次对比有两个结果:大于(等于)平均值和小于平均值,通过对比得到每个客户RFM的变动情况（2*2*2）共8个类型的结果：重要价值客户、重要发展客户、重要保持客户、重要挽留客户、一般价值客户、一般发展客户、一般保持客户，一般挽留客户。

 

 

RFM模型是目前衡量客户价值和客户创利能力的重要工具和手段。该模型通过一个客户的近期交易行为，交易频率以及交易金额这三项指标来描述该客户的价值状况，依据这三项指标划分8类客户类型，针对不同类型进行精准营销。

RFM分析计算方式没有统一标准，一般分成两大类，一类是以每类的总均值为标准进行计算，一类是人为划分不同等级进行打分，按照得分再进行用户分类。

需要注意的是：RFM分析模型根据不同的公司，不同的业务计算方式也不一定一致，因此不存在谁对谁错，选择合适的方式即可。

 

 

7 漏斗分析模型

观察每个步骤的转化与流失。

 

 

漏斗分析模型是将一个总体按照一定顺序分解成不同的阶段，对于每个阶段的数据进行量化，根据计算的结果来分析发现问题，常用于电商分析用户购物行为转化率的分析。

 

AARRR分析模型

第一环节是获取用户（Acquisition ）：用户如何找到我们？

第二环节是激活用户（Activation）：用户的首次体验如何？

第三个环节是提高留存（Retention）：用户会回来吗？

第四个环节是增加收入（Revenue ）：如何赚到更多钱？

第五个环节推荐（Refer病毒式营销）： 用户会告诉其他人吗？

 

Acquisition：对于获取用户我们需要关注渠道曝光量，渠道转换率，日新增用户数，日应用下载量，获客成本。

Activation：在电商平台中每一层action都很容易导致客户的流失，所以我们需要关注日活，活跃率（活跃用户占比），PV，UV.

Retention:关注留存率如次日留存、第三日留存、第七日留存、第三十日留存，Facebook有一个40-20-10的法则，新用户次日留存在40，七日留存在20，30日留存在10，这个表现是比较好的。

Revenue: 怎么赚钱，我们就需要考虑客单价、PUR付费用户占比、ARPPU某段时间内付费用户平均收入、生命周期价值（平均一个用户首次和最后登录之间创造的收入）、复购率、销售额（用户数转换率客单价*购买频率）

Refer: 这个其实就是要提高产品的质量了，关注转发率、转化率、广告转化率、K因子（发出邀请人数*转换率，k>1表现好）

 

（1）Acquisition 获取用户

渠道——产品匹配是说产品投放在什么渠道才能直达用户的视线范围。

渠道可以分为三类，一种是口碑渠道，适合病毒营销；一种是有机渠道，适合搜索引擎优化（SEO）、内容营销，比如搜索引擎优化可以提高自己网站在搜索引擎搜索结果页面的排名；还有一种是付费渠道，有哪些付费渠道呢？

1）展示位广告

在网站或手机 App 的顶部、App 的开屏广告位等。开屏广告，就是当用户打开手机 App 时，会有几秒的广告时间，比如微博、知乎打开会先给你展示一个开屏广告。

这种类型的广告通常是按展示次数付费（CPM，Cost Per Mille），也就是有多少人看到了该广告。

2）搜索广告

比如搜索引擎（谷歌、百度等）的关键字搜索，电商搜索广告比如淘宝直通车等。广告主为某一个搜索关键词出价，用户看到的搜索结果是按广告主出价的高低来排名的。

这种类型的广告是按点击次数付费（CPC，Cost Per Click），也就是有多少人点击了该广告。

3）信息流广告

比如微博、今日头条、知乎、朋友圈（信息流）里的广告。这种广告是根据用户的兴趣爱好来推荐广告的。这种类型的广告是按点击次数付费（CPC）或者按投放的实际效果付费（CPA，Cost Per Action）。

按投放的实际效果付费（CPA，Cost Per Action）包括：

CPD（Cost Per Download）：按 App 的下载数计费； CPI（Cost Per Install）：按激活 App 的数量计费； CPS（Cost Per Sales）：按完成购买的用户数或者销售额来计费。

在将产品投放去哪个渠道的时候，要清楚你的目标用户是谁，目标用户在哪。如果你是一款为企业服务的软件，在娱乐网站打广告就非常不合适。目前主流广告平台都支持这三种方式的付费：按展示次数付费（CPM）、按点击次数付费（CPC）和按投放的实际效果付费（CPA）。广告主可以按自己的产品需求来灵活选择。

 

第一环节获取用户：需要关注哪些指标？

渠道曝光量：有多少人看到产品推广的线索

渠道转换率：有多少用户因为曝光转换成用户

日新增用户数：每天新增用户是多少

日应用下载量：每天有多少用户下载了产品

获客成本（CAC）：获取一个客户所花费的成本

 

（2）Activation 激发活跃

二、第二环节激活用户：用户的首次体验如何？

在这一系列动作中，到底用户停留在了哪一步？是搜不到要的东西，还是创建账户太麻烦，或者是页面设置不合理？你要计算每个节点用户的流失率，来相应地提高产品性能，改善用户体验。

比如下面的某淘宝店铺，用户购物过程中每个节点的流失率。

 

 

 

 

第二环节激活用户：需要关注哪些指标？

日活跃用户数(简称日活)：一天之内，登录或使用了某个产品的用户数。比如一天内打开我微信公众号的人数。类似的还有周活跃用户数，月活跃用户数。

活跃率（活跃用户占比）：某一时间段内活跃用户在总用户量的占比。根据时间可分为日活跃率（DAU）、周活跃率（WAU）、月活跃率（MAU）等。

如果是网页端的产品，还有两个指标来衡量网页端活跃。

PV（PageView）是页面浏览量，用户每打开一个网页可以看作一个PV，用户看了十个网页，则PV为10。

UV（Unique Visitor，独立访客数）是一定时间内访问网页的人数。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。

用户注册后是否有进一步了解我们的产品？这其中涉及到产品的功能，设计，文案，激励，可信等等。我们需要不断调优，引导用户进行下一步行为，让新用户成为长期的活跃用户：

我们可以通过界面/文案优化，新手引导，优惠激励等手段， 进行用户激活流程的转化提升。监控浏览商品页面，加入购物车，提交订单，完成订单的漏斗转化。

这个过程中，我们要重点关注活跃度，若定义加入购物车为活跃用户，那么就要观察注册至加入购物车漏斗转化率，按维度拆分，分析优质转化漏斗的共有特征/运营策略，提升策略覆盖率，优化整体转化效果。

 

（3）Retention 提高留存

在第二个环节用户终于被激活唤醒了，这时候你的任务就变成了如何让用户变成回头客。留存的核心目标是让用户养成使用习惯。在这个阶段，你要明白习惯是如何形成的。

 

案例1：亚马逊会员服务

亚马逊的会员服务在刚推出时，许多分析人士都说这个计划必定会失败，因为美国的配送成本是很高的，而99美元的会员服务给会员免费配送一年，亚马逊肯定会亏。但亚马逊的真正目标是改变人们的习惯，让他们在购物中习惯会员优惠价格，习惯免运费，从而不再去其他家买东西，从而提高用户留存。

案例2：蚂蚁森林游戏

蚂蚁森林是阿里巴巴推出的是一款养成类的小游戏，在支付宝里就可以打开看到。截至到2018年5月份，蚂蚁森林已经累计了3.5亿用户，成功拉升了支付宝一直渴望的用户活跃度。

用户激活蚂蚁森林的账号后，她的一部分日常行为，例如“乘地铁”、“走路”、“在线购买电影票”等都会被视为减排行为，然后，这些行为会被换算成一定的能量，显示在个人的主页面上，用户只要点击屏幕上的能量，就可以收取。

用户可以到其他用户的页面上去偷取对方的能量。当能量累计到一定程度，就可以申请种一棵树。蚂蚁金服会为用户发放一个带有特定编号的证书，并且真的在现实中种一棵树。同时，政府还会给你发放一个植树的证书。

蚂蚁森林累计种植真树超过1000万棵。如果我们按照种一棵树，需要用户在线上持续使用蚂蚁森林2个月（事实上实际需要的时间会超过2个月），这很好的增加了用户的粘性，提高了留存。

 

 

2.第三环节留存用户：需要关注哪些指标？

次日留存率：（当天新增的用户中，在第2天使用过产品的用户数）/第一天新增总用户数

第3日留存率：（第一天新增用户中，在第3天使用过产品的用户数）/第一天新增总用户数

第7日留存率：（第一天新增的用户中，在第7天使用过产品的用户数）/第一天新增总用户数

第30日留存率：（第一天新增的用户中，在第30天使用过产品的用户数）/第一天新增总用户数

用户完成初次购买流程后，是否会继续使用？流失的用户能否继续回来使用我们的产品？

产品缺乏粘性会导致用户的快速流失，我们可以通过搭建生命周期节点营销计划，通过 push、短信、订阅号、邮件、客服跟进等一切适合的方式去提醒用户持续使用我们的产品。并且在此基础上通过积分/等级体系，培养用户忠诚度，提升用户粘性。

重点关注留存率，复购率，人均购买次数，召回率等指标。

 

（4）Revenue 增加收入

第四个环节是增加收入：如何赚到更多钱？

 

2.第四环节增加收入：需要关注哪些指标？

这里我们要注意“用户”和“付费用户”的区分，这也将影响收入的计算。（下面提到的“用户”，如果没有特别说明是“付费用户”，那么就是值全部用户（包括付费用户和非付费用户））

客单价：每位用户平均购买商品的金额。客单价=销售总额/顾客总数

PUR(Pay User Rate)：付费用户占比

ARPPU(Average Revenue Per Paying User)：某段时间内，付费用户的平均收入（不包括未付费的用户）。ARPPU=总收入/付费用户数

生命周期价值(LTV，Lift Time Value)：，即平均一个用户在首次登录游戏到最后一次登录游戏内，为该游戏创造的收入总计。常用于游戏行业。

复购率：一定时间内，消费两次以上的用户数 / 总购买用户数。比如有10个用户购买了产品，5个用户产生了重复购买，则重复购买率=5个重复购买用户数 / 10（总购买用户数=50%

销售额=用户数转化率客单价*购买频率（购买频率是指消费者或用户在一定时期内购买某种或某类商品的次数。）

我们获得每位用户平均需要花费多少钱？每位用户平均能为我们贡献多少价值，能是否从用户的行为，甚至其他方式赚到钱？

电商业务的基础要关注获客成本CAC，顾客终身价值，在此基础上通过运营活动激励用户进行购买，提升用户单价、频次、频率，最终提升用户生命周期贡献价值。

重点关注获客成本，顾客终身价值，营销活动ROI等指标。

 

（5）Referral 病毒传播

五、第五个环节推荐： 用户会告诉其他人吗？

前面的4个环节做完，就到了第5个环节推荐，也叫病毒式营销。

 

• 传染物本身

传染物本身是说要对自己的产品有足够的了解。试着问自己一个问题：我的产品是否真正解决了用户的痛点？

如果你是写文章的，就要考虑你的文章能为用户带来哪些真正的价值。如果你是做餐饮的，你的菜品是否真的为用户所喜欢。

• 传染物发挥作用所需的环境

也就是你的用户在哪里？对应我们前面讲的AARRR模型第一关环节（获取用户）。要去思考使用你产品的刚需用户经常在哪些环境（社区，大学等等渠道）中出现。

• 人们传播传染物的行为

在对自己的产品有了深刻洞察，同时找到你的目标人群后，还要考虑到人们会因为什么目的去分享你的产品，让更多的人看到你的产品。这个条件对应的就是AARRR模型第五个环节（推荐，病毒式营销）。

 

 

2.第五环节推荐：需要关注哪些指标？

转发率：某功能中，转发用户数 / 看到该功能的用户数。比如我的微信公众号（猴子聊人物）推送一篇文章给3万用户，转发这篇文章的用户数是3000，那么转发率=3000（转发这篇文章的用户数） / 3万（看到这篇文章的用户数）=10 %

转化率：计算方法与具体业务场景有关。我们举几个栗子。

 

比如淘宝转化率=某段时间内产生购买行为的客户人数 / 所有到达店铺的访客人数，假如双11当天，有100个用户看到了你店铺的推广信息，被吸引进入店铺，最后有10个人购买了店铺里的东西，那么转化率=10（产生购买行为的客户人数） /100（ 所有到达店铺的访客人数）=10%

广告转化率=点击广告进入推广网站的人数 / 看到广告的人数，比如我们经常使用百度，搜索结果里会有广告，如果有100个人看到了广告，其中有10个人点击广告进入推广网站，那么转化率=10（点击广告进入推广网站的人数） / 100（看到广告的人数）=10%

 

K因子(K-factor)：用来衡量推荐的效果，即一个发起推荐的用户可以带来多少新用户。

K 因子= (每个用户向他的朋友们发出的邀请的数量) * (接收到邀请的人转化为新用户的转化率)。

假设平均每个用户会向20个朋友发出邀请，而平均的转化率为10%的话，K =20*10%=2。这个结果还算是不错的效果。

当K›1时，用户群就会象滚雪球一样增大。如果K‹1的话，那么用户群到某个规模时就会停止通过自传播增长。

用户是否会自发的推广我们的产品？通过激励是否能让更多的忠诚用户推广我们的产品？

在社交网络高度发达的今天，我们可以通过各种新奇的方式去进行产品传播：用户邀请的老带新活动，垂直领域的社群运营，H5营销传播，让老用户推广我们的产品，吸引更多的潜在用户。

重点关注邀请发起人数，每个病毒传播周期的新用户量，邀请转化率，传播系数等。

7 杜邦分析法

将各种财务指标综合在一起来评价公司财务管理效果，通常用于公司财务方面的分析。

1）公司业务是否赚钱？（销售净利率）

2）公司资产运营效率如何？（总资产周转率）

3）公司债务负担有没有风险？（权益乘数）

净资产收益率=销售净利率 X 总资产周转率 X 权益乘数

 

1）销售净利率：公司业务是否赚钱？

销售净利率=净利润/销售额，衡量公司业务是否赚钱。

2）总资产周转率：公司资产运营效率如何？

资产周转率=销售额/总资产，衡量公司资产运营效率如何。

3）权益乘数：公司债务负担有没有风险？

权益乘数=总资产/净资产，也叫做杠杆率，衡量公司负债经营的情况。

 

8 数据分析常见谬误

控制变量谬误：在做 A/B 测试时没有控制好变量，导致测试结果不能反映实验结果。或者在进行数据对比时，两个指标没有可比性。

样本谬误：在做抽样分析时，选取的样本不够随机或不够有代表性。举例来讲，互联网圈的人会发现身边的人几乎不用「今日头条」，为什么这 APP 还能有这么大浏览量？

定义谬误：在看某些报告或者公开数据时，经常会有人鱼目混珠。「网站访问量过亿」，是指的访问用户数还是访问页面数？

比率谬误：比率型或比例型的指标出现的谬误以至于可以单独拎出来将。一个是每次谈论此类型指标时，都需要明确分子和分母是什么。

因果相关谬误：会误把相关当因果，忽略中介变量。比如，有人发现雪糕的销量和河溪溺死的儿童数量呈明显相关，就下令削减雪糕销量。其实可能只是因为这两者都是发生在天气炎热的夏天。

辛普森悖论：简单来说，就是在两个相差较多的分组数据相加时，在分组比较中都占优势的一方，会在总评中反而是失势的一方。