常见互联网分析指标
数据指标定义：
对当前业务有参考价值的统计数据统计数据。没有绝对的对错，只有彼此的认同！
常见的数据指标：
一、用户相关的数据指标
1 DAU/MAU (Daily/Monthly active users)
日Daily和月Monthly计算
日Daily：一个自然日，（跨海产品最近24小时）的活跃用户量，反应产品短期用户活跃度。
月Monthly：单月活跃用户量，反应产品长期用户活跃度。
计算方式：
例如，一个新产品9月1号新增了100个用户，随后的30天，不再有新用户新增，而这100个用户每天都活跃，则9月每一天DAU=100，9月MAU=100，而不是100 * 30=3000，MAU不可能比总用户数都大。
active定义
- 数据第统计系统定义（第三方）：基于事件上报进行统计（页面加载上报Page View事件、APP确认登录按钮点击上报onclick事件），比如友盟、百度统计、GA等预制报表统计系统。push推送‘确认到达事件’上报不能作为active，这是用户被动收到，很多用户直接忽略push了。
APP消息推送指标相关文章：APP消息推送（Push） - 业务上的定义（内部）：基于用户执行了关键事件（如访问首页、详情页）。注意push消息时，用户直接跳转到的页面，完善‘日活事件列表’的管理，把访问该页面事件也加到列表，需要更新维护，存在维护成本和沟通成本。
Users选择
一个人可以从多台设备登录产品服务，一台设备有可能有多个人登录产品服务。认人还是认设备，取决于是否有账号系统、未登录的用户对业务是否有价值。
- 选人场景：1.每位用户有专属U_ID，适合强注册/强登录的应用。用户数=访问的U_ID数,未登录的用户会被遗漏掉。
- 选设备场景：通过cookie的随机长字符串作为设备唯一标记符。用户数=访问的设备数。无法对应设备背后的用户。
业务解析
- 两个指标仅仅为了日后的分析，其本身并不具有任何意义。不能说100的日活产品就比1000的日活产品差。DAU数据仅仅只是该款产品在某个时间点的缩影，并不说明任何事情，而影响它的因子才是所应该关心的。
- DAU / MAU的大小表明了这款产品对用户的黏性大小，用户打开产品的频率。一款产品MAU为100000，平均DAU为15000。那么DAU/MAU的值为15%。粗略说明了，平均每个用户在这个月里15%的天数中打开了产品。
- DAU/MAU的值越高，毫无疑问粘性很强。DAU/MAU的值很低并不能说这款产品就是失败的，还需要结合活跃用户数量、ARPU、在线时长、付费转化率等进行多维分析。例如一款新上线的游戏在第一天有1000个玩家登陆，随后在这1000人当中，每天只有固定的100个人活跃。这样算下来DAU/MAU的值是0.1，显示出玩家的参与度很低，但事实上这100个玩家的游戏参与度却是100%。
2 新增用户（推广）
用户新增业务流程：
定义【增】节点：
激活一般包括：注册、下单、浏览某些内容等等
判别【新】
- 基于设-备：
- 基于账号：与后台账号匹配。
定义新增用户：定义新增用户
3 用户留存（吹牛皮指标）
计算方法：
（以7日为例子）
一个产品第一日新增10个用户（即DAU_day1 = 10），假设往后7天无增用户：
-
七日日留存
-
七日内留存
根据业务目标、场景选则合适计算方法
- 场景一：对比渠道质量——关心第7天的表现
以【X日日留存】作为比较标准时，可以避免其他日数据的干扰。
第一种：只使用了第一天和第七天的数据，忽略了同样的信息量，可以【公平】比较。
假如使用第二种计算方法，而且活跃曲线如下：
【】渠道A：前三天平稳（活跃数大），后四天急剧下跌，到第七天所剩无几。
【】渠道B：则相反，先下降后平稳，第七天还有所剩余。
使用第二种算法：7日留存（渠道A） > 7日留存（渠道B）,而第一种算法得到相反的结论。‘对比渠道质量（7日留存）’这种业务场景，可能更关心是第7天最终留下的用户，第二种计算方法把中间day2~day6的用户数据引入，从而影响了实际判断。
场景二：对比渠道质量——关注7日内活跃
某产品有周期性活跃特征，只在周六、周日用户才会比较活跃。其他时间基本沉默。星期二获取的新用户，到下周一（第七天）活跃用户很少。这种场景还用第一种计算方法的话，得到的数据会非常糟糕，往往不能反映这种周期性业务的真实情况。用第二种方法可能会比较合适。
算法一的其他计算标准：
优点：分子和分母星期相同，某种程度能抵消星期级别的波动。
看留存的目的
- 了解某一个渠道的质量。
- 观察整个大盘。
二、行为相关数据指标
1 PV、UV、转化率、人均次数、访问深度
传统定义和衍生定义：PV、UV
传统的网页时代，PV（Page View）指的是页面的浏览量，不去重；UV（Unique Visitors）指的是独立访问数。而移动互联网时代，用户会在页面进行一些操作，比如‘点赞’，此时可以衍生新的定义——点赞次数：
转化率和人均次数
对于一个路径漏斗，把次数和人数单独放在一侧，描述一些问题就会简单得多：
Q：来了多少用户？访问情况如何？——> A：来了5个。访问13次，人均2.6次。
Q：首页转换效果如何？——> A：有8/13 = 62%的【次】进入课程详情页。
Q：有多少注册了？——> A：来了5个有两个注册，占了40%。
Q：注册了又有多少当时付费了？ ——>A：2人只有一个付费了，占50%。
- 转化率：PV/PV or UV/UV,下一节点除以上一节点，关注留存转化。
人均行为次数：PV/UV,同一节点相除，
访问深度计算方法——用户对产品的了解程度
算法一：用户对某些关键行为的访问次数
算法二：将网站内容/功能分成几个层级，以用户本次访问过最深的一级计算
- 第一级：首页
- 第二级：搜索、分类导航
- 第三级：详情页
- 第四级：查看图片、评价等内容
2 访问时长
访问时长很难被统计：
- web时代：统计页面打开时长（用户一直没关，去干别的事）；
- APP时代：前台驻留时长（手机放桌面，去干别的事）；
- 通过瞳孔与注意识别（涉及权限和隐私，只能小范围研究测试用）。
所以，应该以统计的目标为出发点，通过统计特殊事件，支持业务需求。
例如，统计【视频被消费的程度，评价内容质量】：记录暂停/关闭页面后，播放器中视频在进度条的位置。
3 弹出率/跳出率Bounce Rate
定义：仅浏览了一个页面就离开的访问次数与所有访问次数的百分比，基于会话。
计算：
退出率和跳出率区别：退出率和跳出率
三、业务相关数据指标
ARRU/ARPPU区别:ARRU/ARPPU
