正常來說，一個互聯網產品上線後一定會不斷的迭代，在迭代的過程中，我們需要依據某個反饋而決定我們如何迭代。

數據是最客觀的，前面一直強調的，交互和UI設計，其實是一種很理性的設計，而這種理性，最好的便是通過數據來促進設計。

隨著行業的發展，對於設計師能看懂數據的能力的要求也在不斷提升，希望通過本節內容，我們可以對常見的數據指標有個徹底的瞭解，同時，在閱讀數據報表時，不再感到為難。

數據是怎麼產生的

數據是如何產生的，理論上不應該是我們設計師需要關心的問題，但既然是瞭解數據有關的知識，我們也應該簡單瞭解下數據的產生，一個數據要產生，首先我們需要在我們關注的產品上“埋點”，埋點需要提供兩個關鍵信息：1、需要埋點的內容——即具體的某個界面或者具體的某個鏈接；2、埋點的名稱——方面後續快速的找到相關的數據。

當埋點完成，且產品上線後，就會檢測用戶的行為，當用戶進入到該界面或者點擊該鏈接，就會在統計系統中，上報一個數據，這樣，我們便也得倒了一個數據。

真實的數據統計遠比上面說的複雜，但我們需要注意任何數據都是可被統計的，即所有的數據都應該是基於某個埋點而產生的即可。

所以，當我們拿到某個數據之前，得清楚該數據是基於哪個內容而產生的。

常見的數據指標

理論上一個產品可以有無數多個數據，但能稱上數據指標的，這裡專門指對當前業務有參考價值的統計數據。

所以當我們在進行數據分析的時候，一定要結合業務本身，脫離業務去談數據並沒有太大的實際意義，也正因為如此，我們可以把常見的數據指標，分成三大類：

與用戶相關的數據指標、與行為相關的數據指標和與業務相關的數據指標。

與用戶相關的數據指標

與用戶相關的數據，常見的有：DAU、MAU、新增、留存等等。

DAU/MAU

DAU和MAU，分別稱為日活和月活，主要用來觀察某個產品以日或者以月為單位用戶的活躍量。

下表是某產品A和產品B的DAU數據（單位：萬），從表中可以看到產品A（藍色線）和產品B（紅色線）的具體每天的日活數，但除此之外，我們還可以看到有意思的現象：週一到週五，產品A的日活大於產品B的日活，但是週六和週日，產品B的日活比產品A高。

對數據敏感的同學，就可以通過這個數據，猜測產品A可能是一款針對工作場景使用的APP，當然，把產品A和產品B放一起比較，可能是兩者之間存在某種相關性。

需要注意的是，即便大家都知道日活或者月活是什麼意思，但每個人所理解的可能也不一樣。

就拿DAU來說，DAU全稱為日活躍用戶數量（Daily Active User），那麼日，這個單位，計算的週期是24小時，還是一個自然日？然後是活躍，什麼樣的行為可以被稱之為活躍？是打開過一次就算，還是停留了多長時間才算？最後是用戶，什麼樣的用戶可以被稱為用戶？是登錄了的用戶還是按照不同的設備來算？

上面所提到的所有的疑問，都沒有唯一標準的選擇，但是在一個團隊中，對於某一個數據指標的得出方法，一定要有完全相同的認知，否則就會產生偏差。

新增

新增，即產品的新增用戶，同樣的，對於新增的新，不同的團隊也有著不同的計算方法。這個數據一般是我們在描述拉新的時候時所用的，所以這裡的新可能包括：新增註冊用戶；新增下載量；新增設備數等等，我們需要根據業務本身，去衡量這個新是哪個新。

下表是某個產品在某天的新增數據，可以看到，這些都是針對這款產品同一天的新增數據，但不同維度，有很大的差異。

留存

留存是最能反映產品對用戶是否產生吸引的一個數據指標。

說到留存一定是基於某個時間段而得出，比如次日留存、7日留存等等。

一般來說，留存的計算方式是用某個事件的用戶數量/第一天的用戶數量的出，如次日留存=第二天的用戶量/第一天的用戶量，得出的百分比即次日留存量。

下表是當我們針對某產品進行數據去重後，得到下面的DAU數據，然後我們可以看到該產品的次日留存為DAY2/DAY1=300/500=60%；該產品的7日留存為DAY7/DAY1=60/500=12%。

很多朋友可能就會有疑問了——你怎麼能保證第二天的300，一定是第一天500用戶中的呢？（雖然我們上面強調了，這是去重後的數據，但實際中經常會容易被忽略這一點。）

能思考到這裡，證明已經非常有數據思維了。確實，留存的留與存，一定是基於某類用戶，其目的地就是看這類用戶在第一天使用了產品後，次日、或者是某個時間點之後，是否還會來使用該產品。

所以如果某個產品，第一天用戶量為100，第二天新增用戶100，但是第一天的用戶訪問量為0，那麼這個產品的留存則應該是0，而非100%。所以，在計算留存的時候，一定是需要去重的數據。

除了對數據的去重，在同一個團隊中，我們還需要對於留存算法的統一。比如7日留存，我們究竟是說第7日的留存，還是7天平均用戶量相對於第一天用戶量的留存？雖然絕大部分情況下，我們都認為7日留存是指第7日的用戶量/第1日的用戶量，但還是那句話，算法並沒有任何對錯，我們只需要統一認知即可。

有關留存，大家可以發現，一方面我們需要去重數據，另一方面，我們還需要在團隊中統一我們的算法。

有關7日留存，最常見的是用第7天的數據/第1天的數據，也就是一共7天數據。在某些情況下，我們也會把第1天當成第0天，然後是第1天到第7天，一共會有8天的數據，在這種情況下，我們會用第7天（實際上是第8天）的數據，除以第0天的數據，來計算留存。

用第0天這樣來算，有個很大的好處，就是第0天，和第8天，一定是相同的星期幾，也就是說，假如第0天是週一，那麼第8天也會是週一，這樣對於那些週期性產品，比如我們上面講DAU舉例的那類產品來說，這樣計算會更客觀也更準確。

與行為相關的數據指標

與用戶行為相關的數據指標，常見的有：PV、UV、訪問深度、轉化率、時長、彈出率等等。

PV/UV

PV和UV很多朋友會分不太清楚，其實PV的全稱為Page Views，記錄的是訪問某個頁面的次數；而UV的全稱是Unique Visitors，記錄的是訪問某個頁面的獨立用戶數，正常情況下，一個頁面的UV數一定小於等於這個頁面的PV數。這兩個指標是我們最常用的數據指標，用來衡量產品的用戶訪問量。

訪問深度

訪問深度用於來衡量用戶對產品感興趣程度。

用戶對某個產品越感興趣，那麼訪問深度一般會越深。我們知道，任何產品都應該有一定的層級結構，一個用戶從首頁進入後，點擊進入了多少層，就可以認為該用戶的訪問深度是幾。

轉化率

轉化率用來描述用戶從某個頁面到執行某個操作的比率。

比如一個電商產品，要記錄用戶商品列表頁到詳情頁的轉化率，則只需用點擊了列表中的商品的PV數/列表的PV數。

需要注意的是，對於轉化率，一般是PV/PV，UV/UV，但是當我們希望計算人均某個行為時，則可以用PV/UV，比如一個界面的PV是10000，UV是5000，那麼PV/UV=2，則可以說，這個界面人均訪問量為2。

時長

時長是我們很容易忽略，但是又很有參考價值的一個指標，尤其是對於一些內容型產品來說，用來衡量用戶對內容的感興趣程度很有用。

但是比較難的是，在記錄這個數據時，數據的準確性是很難保證的——你怎麼去判斷用戶是把產品打開放在那做別的事情去了，還是一直在使用這個產品？好在不同於PC時代，在移動互聯網時代，用戶把手機打開然後去幹其他事情的情況變少了很多，即便有，我們也可以在進行數據分析時，把那些大大超出平均使用時長的數據剔除出去再單獨分析。

彈出率

彈出率是使用比較少的一個數據指標，很多朋友對於彈出率的認知是有所偏差的，以為彈出率簡單的是指用戶的跳出的比率。實際上，彈出率是指這個用戶來到這個界面，什麼都沒做，就走掉的比率。比如用戶A，訪問一個產品，在第一個界面點擊進入到了第二個界面，然後在第二個界面關閉了APP。這時候，我們假設這個產品只有這一個用戶，那麼這個產品在第一個界面的彈出率為0，第二個界面的彈出率為100%。

與業務相關的數據指標

在談到與業務相關的數據指標時，一定離不開的，就是要針對業務本身去了解相關的數據指標。

談到業務，我們實際上可以把所有的產品簡單分成兩類——免費的產品和付費的產品。有關免費的產品，我們可能考察更多的就是用戶的訪問時長和訪問深度等數據，而對於付費產品，則觀察更多的是產品的GMV、ARPU等數據。

對於免費的產品，我們關注的時長、深度、留存率等數據指標，實際上和上面說到的關於用戶行為的數據指標就是相同的內容，這是分類不同，但含義相同，所以在此不再重複說明。

下圖是有關付費產品，我們常見的數據指標。

GMV

GMV一般用於電商類產品進行數據統計或者制定KPI時所用，GMV全稱為Gross Merchandise Volume，指一段時間內的成交總額。

GMV是一個有關總量的數據指標，我們在拿到GMV數據後，可以瞭解一下這個數據是怎麼得出來的，然後應如何拆分。

下表是假設一家店，一共只有兩款商品，我們拿到該店一週內兩款商品的數據如下。

這時我們可以很快計算出：

1. 該店鋪在這周的GMV=商品A本週的GMV+商品B本週的GMV；
2. 商品A/商品B本週的GMV=週一到週日每天的GMV之和；
3. 每天的GMV=該產品的銷量*售價。

我們拿到該數據最大的意義通常情況下，就是看我們是否達到了預期目標，比如該店鋪這周的預期銷售目標是70000，那麼意味著沒有達到目標。

那麼我們接下來要做的，就是思考如何達成目標。而最好的辦法，就是去拆分。因為篇幅關係，並且加上本書面對的讀者群體是設計師們而非營銷人員，所以不展開詳述。

最簡單的辦法，通常我們會試圖對某個產品進行降價，看看銷量的變化，比如產品A，在週一20元的時候，賣出200個，週一的GMV為4000，那麼如果我們將該產品降價到18，銷量達到了300的話，那麼18*300=5400，這樣一來，我們就找到了提升GMV的方法之一。

當然實際情況會遠比這個複雜，但對於這類有關總量的數據指標，學會拆分，是這類指標對我們設計師來說，最大的意義所在。

ARPU

ARPU的全稱是Average Revenue Per User，即每用戶平均收入，我們又稱之為單用戶價值。

這個數值用來描述，產品運營的一段時間內，從單個用戶身上可以得到的利潤或收益。很明顯，用戶質量越好，ARPU值越高。

一般來說，這個數值的計算方式，是用某段時期的總收入/某段時期的付費用戶數。

不同的行業會有一個相近的ARPU值，過高或者過低的ARPU值都可能不是一件好事，過低的ARPU值，尤其是遠低於行業平均的ARPU值，可能會導致你的產品最終的盈利能力很差；過高的ARPU值，也可能是因為付費用戶過少導致。

付費率

付費率是用來衡量用戶轉化行為的指標，表示所有用戶和付費用戶的一個轉化比率。

前面提到的ARPU值是用付費用戶人數來計算的，所以很多情況下，我們會把付費率和ARPU值放在一起去分析。

一般來說，產品的付費率越高越好，這意味著用戶對產品的認可。

以上是一些常見的數據指標的介紹，瞭解這些數據指標的意義，對我們來說非常重要，這是一切數據分析的基礎。

經過上面的內容，我們應該能感覺到，在閱讀一份數據報表的之前，各項指標的含義和計算方式，非常有必要跟團隊所有成員達成統一認知。

愛讀微課（iread360.com） | 色技手稿

閱讀更多 色技手稿 的文章

關鍵字: 算法 人生第一份工作 理性