起點課堂會員權益
職業體系課特權
線下行業大會特權
個人IP打造特權
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導直播
12場專業技能直播
會員專屬社群
榮耀標識設計師要懂的數據指標全都在這兒了
數據指標一直是未來互聯網工作的利器，想要get這個技能，先從基礎概念講起。
很多設計師在剛入門的時候，對于設計的好壞只能從視覺方面去理解，而對現如今互聯網環境下的?“數據驅動設計”的概念一無所知。
在真正的工作環境中，我們不僅僅只是把設計總監下放的任務完成即可。更多的時候，我們都需要與產品團隊和運營扯需求、與開發談指標、談實現成本回報比等等，在這種場景下數據指標就更為常見。
如果我們對于數據指標沒有概念，帶來的影響不僅是大家想象的在工作中溝通困難、被團隊隔離這么簡單，而是在面試時被面試官一眼識破工作經驗匱乏，從而被拒之門外。
關注數據指標，不僅僅是產品經理或運營的“專利”，作為交互和UI設計師也需要掌握這方面的技能，來幫助我們產出更貼近用戶行為的設計。
同時，學會監測并分析數據，可以非常大的幫助設計師推動設計改版向正確的方向前進，也可以發現新的商業機會和產品爆發點，真正做到很多設計師期望的“由設計推動改版、設計助力產品拿結果”。
一、基本概念
想要了解數據指標有哪些，先要了解一些基本概念。
1. 數據指標
1）定義
數據指標是與產品相關的，對產品有參考價值的統計數據。
2）舉例
比如對于一個酒店來說，今天酒店總計入住100人，那么100人就是酒店的一個維度的數據指標。統計方法如下：7月23日酒店入住人數：100人。
3）如何獲得數據指標
對于互聯網產品來說，想要獲取一系列的數據指標不可能通過人工計算的方式，需要開發人員針對不同的數據在產品中進行數據埋點攔截數據，并由數據分析人員篩選加工，可視化呈現后才可以獲得由參考價值的指標。
2. 數據埋點
1）定義
數據埋點是產品分析的一種常用的數據采集方法，它是一種良好的私有化部署數據采集方式。
2）如何進行數據埋點
數據埋點是互聯網領域非常重要的數據獲取手段。埋點采集信息的過程一般也稱作日志采集。
通俗點講，就是在APP或者WEB產品中植入一段代碼，監控用戶行為事件。
3）舉例
在電商行業中，我們可以在一個商品的購買流程關鍵點（比如購買按鈕的點擊率）植入統計代碼，從而采集得到一個商品的購買率。這就是通過數據埋點獲取數據指標的過程。
4）數據埋點的應用場景
數據埋點的最后結果往往是驅動我們做出產品改版決策的重點。
比如，微信上線了“搖一搖”的新功能，此時就需要通過用戶行為來驗證該功能的效果如何：
- “搖一搖”是否得到了用戶的使用與認可？它的用戶點擊率和活躍度如何？
- 用戶在使用“搖一搖”功能時，操作路徑是否流暢？是否存在無效點擊或者無法順利完成操作流程？原因又是什么？
- 在“搖一搖”功能的推廣期間，各個落地推廣的渠道效果如何？（如：線下零售店的搖一搖賺紅包）新用戶的增長情況是怎樣的？
這些數據，只有通過數據埋點，我們才可以獲得。
5）注意事項
① 埋點前：埋點一定要在產品改版前就要布局好，比如需要采集的數據指標有哪些，維度有哪些，采集的開始截止時間，采集期間是否存在對采集結果有干擾的活動等等。
② 埋點時：由于埋點是產品經理和設計師布局，開發人員執行的過程。所以我們需要在與開發人員溝通埋點內容時，輸出一份可視化文檔給到開發人員（否則干憑嘴說，恐怕會被開發小哥哥打死）。
③ 埋點后：埋點后的主要工作就是進行數據可視化了，這部分后續我也會專門開專欄講解，因為和我們今天講解的內容無關，所以不再贅述。
總之，作為設計師的我們需要有“數據可視化”（即美化數據）的能力，否則怎么能稱之為設計師呢？
二、常用的數據指標
對于英語不好的同學來說，學習指標最大的難點在于：一看到英文縮寫就頭疼。其實大家只需要記住相關的概念即可，英文縮寫并不是為了難為人，而是在日常溝通和溝通文檔中，英文縮寫具有更快速的信息傳遞效率（當你一天要寫100遍每日活躍用戶時，你就知道為什么大家都愿意寫DAU了）。
常用的數據指標匯總
1. 活躍用戶
1）定義
在特定的周期內，成功啟動過產品的用戶，也可以是使用某個核心功能的用戶數。具體如何統計可以根據產品需求自行定義。
2）重要性
活躍用戶和新增用戶并稱為衡量產品用戶規模的兩個重要指標?；钴S用戶指標可以用來衡量產品使用的活躍度，方便產品設計人員了解產品的每日用戶情況，了解產品的用戶增長或者減少趨勢。
如果只從一個指標來判斷產品是否優秀的話，那就是活躍用戶數?，F今的流量大神微信日活可以達到10億，當之無愧的流量之王。
當然這也不是絕對的，活躍用戶數只代表產品的用戶規模。像我們經?？吹降捻撚?，他們能夠在市場里生存，靠的并不是大規模的用戶基數，而是小規模高質量的付費用戶。
換句話說，如果用戶的*ARPU*（用戶平均收入）非常高的話，那么日活將不再是該產品最核心的指標了。
3）二級維度
根據不同的分類方式，日活用戶可以分為多種二級維度。
根據統計周期分類，可以分為：DAU / WAU/ MAU（日/周/月活躍用戶數）；
根據方式分類，可以分為：主動活躍用戶/ 被動活躍用戶。
2. 三座大山：DAU / WAU/ MAU
1）定義
- DAU：Daily Active User（日活躍用戶數），即某個自然日內成功啟動過應用的用戶，該日內同一個設備多次啟動只記一個活躍用戶；
- WAU：Weekly Active User（周活躍用戶數），某個自然周內成功啟動過應用的用戶，該周內同一個設備多次啟動只記一個活躍用戶；
- MAU：Monthly Active User（月活躍用戶數），某個自然月內成功啟動過應用的用戶，該月內同一個設備多次啟動只記一個活躍用戶。
2）注意事項
① 去重統計
一個用戶（一個IP）一天多次進入微信，則DAU只記錄一次。
② 活躍的定義
不同產品對于活躍的定義不同，通用的準則是“啟動產品”算作一次活躍用戶。
有些產品會拓寬“活躍”的外延，即被動接收到產品信息的用戶（例如朋友圈推廣/APP的推送等），都算作活躍用戶。
有些產品會縮緊“活躍”的定義，即只有完整體驗了產品核心功能的用戶才計作一次活躍用戶（例如用戶打開了美圖秀秀并完成了一次修圖）。
具體的統計方式并不是隨心而定，也不要墨守成規，而是要具體產品具體分析，才是對于數據指標的最大化利用。
③ 統計的權重
一般來說，互聯網產品都要統計上述三種指標，但是往往根據產品的不同，數據指標的權重會有所不同。
社交類/新聞類APP/音樂類APP等往往會希望用戶每天都打開并使用產品，其產品的KPI考核指標均為日活躍用戶數。而對于某些低頻需求的APP，例如旅游類APP/餐飲類APP等等，往往會關注月活躍用戶數，甚至更長周期的活躍用戶數。
3. 主動活躍用戶/被動活躍用戶
1）定義
主動活躍用戶是指無需任何渠道推廣指引，主動使用產品的活躍用戶。
被動活躍用戶是指通過渠道推廣（例如朋友圈推廣/APP彈窗等等）方式被動進入產品頁面的活躍用戶。
2）舉例
第一天假設100人安裝并打開了淘寶，第一天結束之后，有50人卸載了淘寶。第二天在剩余的50個用戶中，有10人未打開淘寶使用任何功能；30人收到了淘寶的推送通知，其中20人打開了淘寶；剩余10人未通過任何指引，直接打開淘寶進行商品購買。
則第一天淘寶的主活為100，第二天主活為10（這部分用戶也是價值最大的），被活為20。
4. 新增用戶
1）定義
即安裝應用后，首次成功啟動產品的用戶。
2）分類
同樣類似“活躍用戶”，按照統計周期不同可分為：
- *DNU*：Daily New User（日新增用戶數）；
- *WNU*：Weekly New User（周新增用戶數）；
- *MNU*：Monthly New User（月新增用戶數）。
3）重要性
新增用戶量指標主要是衡量營銷推廣渠道效果的最基礎指標。新增用戶占活躍用戶的比例也可以用來用于衡量產品健康程度（產品沒有新增和活躍，就進入“絕癥狀態”）。
如果某產品新用戶占比過高，那說明該產品的活躍是靠推廣得來，這種情況非常有必要關注，尤其是新增用戶的留存率情況。
4）注意事項
那么針對新增用戶的定義，我們會有很多疑問出現，比如：
- 用戶有兩個手機，并且都安裝了淘寶，那么對于淘寶究竟算作一個用戶還是算作兩個用戶呢？
- 如果用戶第一天安裝了淘寶，第二天將其卸載，第三天又重新安裝了，那么在第三天這個用戶算不算一個新增用戶呢？
其實回答這些問題很簡單，只需要通過兩點即可判斷，“事實判斷”與“技術判斷”。
雖然事實判斷是一個用戶，但是由于技術上我們無法辨別是否兩個手機是一個主人，所以可以當作兩個用戶來統計。
事實判斷是一個用戶，并且技術上可以實現統計，所以在第三天時，該用戶不能被稱之為新用戶了。
今后我們遇到問題，只需要遵循這兩個原則對統計結果優化即可。
5. 留存率
1）定義
互聯網發展到今天，對于留存率都沒有一個準確的概念。目前主流有兩種說法：
- 某一統計周期內的新增用戶數，經過一段時間后仍然使用產品的用戶的比例【留存率=留存用戶/ 新增用戶 * 100% 】。
- 某一統計周期內的新增用戶數，經過一段時間后仍然沒有卸載的用戶的比例。【留存率=（新增用戶-卸載用戶）/ 新增用戶 *100%】。
兩者之間的區別在于：有沒有將“沒有卸載但是也沒有使用產品的用戶”算作留存用戶的一部分。
但實際上，第一種定義更加實用，因為“卸載率”這個數據是一個很難被量化統計的數據，以至于市面上主流的統計平臺只有Google的Firebase統計平臺才能獲取，而在國內的Google服務是無法被使用的。
而定義1中的留存用戶的概念，恰恰指的就是活躍用戶，所以關于留存率的統計，直接可以通過“活躍用戶/新增用戶”即可得出結論。
2）重要性
留存率是驗證用戶粘性的關鍵指標，設計師通?？梢岳昧舸媛逝c競品對標，衡量用戶的粘性和忠誠度。對于一個版本相對成熟的產品，如果留存率有明顯變化，那就說明用戶質量有變化，很可能是因為推廣渠道等因素所引起的。
同時，留存率也是產品改版的重要指標，產品體驗越好，越符合用戶需求，則留存率越高。若產品本身滿足的是小眾低頻需求，留存率則選擇雙周甚至是30日進行監測。一般來說，留存率低于20%會是一個比較危險的信號。
3）分類
根據統計周期不同，可以主要分為三個二級指標：
- 次日留存率；
- 7日（周）留存率；
- 30日（月）留存率。
6. 次日留存率 / 7日留存率 / 30日留存率
1）次日留存率
即某一統計時段新增用戶在第二天再次成功啟動應用的比例。
如果次日留存率達到50%以上，說明這個產品已經是非常優秀了。如果次日留存率低，說明所針對的用戶群對我們的產品不感興趣。
2）7日（周）留存率
即某一統計時段新增用戶在第7天再次成功啟動該應用的比例。
這個時間段內，用戶通常會經歷一個完整的產品體驗周期，如果這個階段用戶能夠留下來繼續使用，很有可能成為產品的忠實用戶；7日（周）留存率低，說明我們產品的內容質量太差，用戶過了新鮮勁兒之后便不愿再探索產品。
3）30日（月）留存率
即某一統計時段新增用戶在第30天再次成功啟動該應用的比例。
通常移動端產品的迭代周期為2~4周一個版本，所以月留存率能夠反映出一個版本的用戶留存情況。
一個版本的更新，或多或少會影響部分用戶的體驗，所以通過對比月留存率能判斷出每個版本的更新對用戶的影響面積，從而定位到類似問題進行優化。
30日留存率低，則證明產品版本迭代規劃做得不好，功能更新、內容更新、BUG修復、性能等都做得比較差，此時需要重新規劃迭代內容，不可一錯再錯。
4）舉例
留存率一般周期為次日、7日、30日。但往往我們會將更多天數的留存率保留下來，制作成留存曲線或者是留存漏斗圖表。
7日留存率的算法是：7日內再次訪問的用戶數/7日前當日訪問過的新用戶數，日時間節點為次日0點。
比如7月1日當日新用戶為100人，7月2日-7月8日期間，這100位用戶中有50位用戶再次訪問過產品，那么7日留存率為50%。
一般的留存分析表格如下所示：
7. ARPU
1）定義
Average Revenue Per User的簡寫，即每個用戶平均收入。
2）計算方式
ARPU=總收入/用戶數。
它注重的是一個時間段內產品從每個用戶所得到的收入，衡量互聯網公司業務收入的指標。
ARPU值高說明平均每個用戶貢獻的收入高，但無法反映利潤情況，因為利潤還需要考慮到成本。如果每用戶的成本也很高，那么即使ARPU值很高，利潤也未必高。
而用戶數可以是總平均在線用戶數、付費用戶數或是活躍用戶數，不同產品標準可能存在差異。ARPU注重特定時間段內從每個用戶所得到的收入，衡量互聯網公司業務收入的指標。
ARPU的高低沒有絕對的好壞之分，分析的時候需要有一定的標準。ARPU值高說明平均每個用戶貢獻的收入高，這段時間業務在上升。
3）重要性
盈利是產品的最終目的，所以總收入、付費用戶數、付費率、ARPU這四個指標經常用到。總收入、付費用戶數反映的是收入和付費用戶的規模；付費率、ARPU代表的是用戶付費質量，反映的是用戶付費的廣度與深度。
8. 流失率
1）定義
指那些曾經使用過產品或服務，由于各種原因不再使用產品或服務的用戶。流失率=某段時間內不再啟動應用的用戶/某段時間內總用戶數。
2）注意事項
① 流失率也是一個有統計周期的數據指標，根據不同的產品，統計周期同樣不同
對于社交類APP/ 新聞類APP / 音樂類APP 或者郵箱類的產品來說，可能用戶未登錄超過1個月，我們就可以認為用戶可能已經流失了。
對于電商類或者工具類APP等低頻需求的APP而言，可能3個月未登錄或者半年內沒有任何購買行為的用戶可以被認定是流失用戶。
所以不是每個產品都有固定的流失期限，而是根據產品屬性而判斷。
設計師的主要工作并不是通過產品迭代降低流失率，而是發現流失率中的異常數據，比如某一個改版后流失率偏離了正常區間，那么一定要順藤摸瓜排查出原因，對產品進行迭代修改。
② 流失率高不等于改版的功能點用戶不喜歡
相反，有時改版的功能點上線導致流失率高恰恰證明使用該功能的用戶非常多，但是有可能功能流程中存在嚴重問題導致用戶放棄使用產品，這時應該去排查問題而不是盲目撤下相關功能。
舉例：假如某次改版上線了功能甲，導致用戶的流失率急劇提升。下限功能甲后，流失率降低了，但是我們真的能斬釘截鐵的說用戶不喜歡功能甲嗎？
如果是因為功能A的存在，導致了用戶安裝1小時之后會有極大的概率出現嚴重的bug，而用戶實際上非常喜歡功能A，只是因為忍受不了這個bug而被迫進行卸載，那么這個時候僅僅通過長期卸載率是無法歸結出正確的原因的。
所以，這個時候只盯著固定時刻的流失率，很容易導致我們的誤判。如果這個時候能夠結合著『流失曲線』去分析，就會避免這樣的問題。
9. PV/UV/VV
又是3個會難倒英語不好的小伙伴的三座大山，尤其是三個數據指標長得非常的相似，導致即使記住了，如果不常用，也會導致很快忘記。但是沒辦法，有時我們在學習過程中確實沒有捷徑可以走，只能腳踏實地的學好每一個知識。
1）PV
即Page View，頁面瀏覽量。用戶對產品中的任意頁面每一次的成功訪問均被記錄1次PV。用戶對同一頁面進行多次訪問，則累計記錄多次數據。在一定統計周期內用戶每次刷新頁面也會被記錄為一次PV。
理論上PV與來訪者數量成正比，但是它不能精準決定頁面的真實訪問數，比如同一個IP地址通過不斷的刷新頁面，也可以制造出非常高的PV。
2）UV
即Unique Visitors，獨立訪客數。 訪問頁面的每一個終端設備或者IP地址被為一個訪客。00:00~24:00內相同的終端設備與IP地址僅被記錄一次UV。
使用獨立用戶作為統計量，可以更加精準的了解一個時間段內，實際上有多少個訪問者來到了相應的頁面。
3）展現UV
① 定義：運營活動/頁面/功能曝光給的用戶數量。
② 舉例說明：用戶進入到一個淘寶的爆款商品詳情頁，則算一個此詳情頁的展現UV，退出重新進來UV不累計。
4）點擊UV
① 定義：有點擊行為的用戶數。
② 舉例說明：淘寶的一款爆款商品詳情頁中，有10萬人點擊了購買按鈕，則點擊UV為10萬。點擊UV可以很好的反應一個交互元素的作用。
5）點擊率
① 定義：用戶的點擊次數/ 交互元素所在頁面的總用戶數。
單獨的統計點擊UV看似沒有太大用處，但是如果和展現UV結合起來，就可以統計出一個交互元素在頁面中對于用戶的吸引程度了。
② 舉例說明：在淘寶的一款爆款商品詳情頁中，總計有100萬人進入了這個頁面，其中10萬人點擊了購買按鈕，則點擊率為10萬/100萬 = 10%。
6）VV
即Visit View，用戶的訪問次數。用以記錄所有訪客用戶1天內訪問了產品的頁面多少次。當用戶完成所有的瀏覽并最終關掉該產品的所有頁面時便完成了一次訪問，同一用戶1天內可能有多次訪問行為，訪問次數累計。
7）PV/UV/VV三者應該如何區分呢？
比如你上午打開了淘寶，查看了兩個商品詳情。下午又打開了淘寶，查看了五個商品詳情。則當日統計結果為：PV=5、UV=1、VV=2。
10. 一次性用戶
1）定義
即首次使用產品后再未啟動過產品的用戶。
2）重要性
一次性用戶是關鍵的營銷指標，和判斷無效用戶的標準，從中把目標用戶過濾出來。一般劃定的界限是至少超過7天時間才能夠定義是否是一次性用戶。
11. 使用時長
1）定義
即統計時間段內，某個設備從啟動應用到結束使用的總計時長。
2）分類
根據不同的維度可以分為多個二維數據指標：人均使用時長、單次使用時長。
3）人均使用時長
① 定義
即用戶平均每天停留在產品的時間。
② 舉例說明
拼多多 7月1日有100萬個用戶一共在拼多多上使用了200萬個小時，則7月1日的人均使用時長為2小時。
③ 重要性
該數據是分析用戶粘性的重要指標之一，也可以側面反映出網站的用戶體驗。平均訪問時長越短，說明網站對用戶的吸引力越差，可用內容信息越少。
4）單次使用時長
① 定義
即用戶平均每次打開并使用產品的時間。
② 舉例說明
一位用戶一天使用了5次拼多多，總計使用5小時，則可以說明，這個用戶的單次使用時長為1小時。
③ 重要性
用來衡量用戶使用產品的深度，判斷用戶使用產品的粘性和依賴度。
用戶對產品的使用時長越高，說明對產品越依賴，商業化價值也越高。
12. 啟動次數
1）定義
即統計周期內，用戶打開應用的次數。
2）注意事項
用戶主動關閉應用或應用進入后臺超過30s，再返回或打開應用時，則統計為兩次啟動，啟動次數主要看待頻數分布情況。
13. 完成率
1）定義
完成的操作次數/開始操作的次數
2）舉例說明
7月1日用戶點擊一款商品的購買按鈕10萬次，最終完成購買流程的有2萬次，則完成率為 2/10= 20%
3）數據用途
用來衡量操作流程的順暢度。
4）重要性
完成率是產品設計中最重要的指標之一，這完成率越高，說明產品的操作體驗越好，這直接影響到用戶體驗。
14. 退出率
1）定義
針對產品內某一個特定的頁面而言，退出率是衡量從這個頁面退出產品APP的比例。
2）計算方式
頁面的退出次數/頁面瀏覽量（PV）
3）重要性
退出率反映了頁面對用戶的吸引力，如果退出百分比很高，說明用戶僅瀏覽了少量的頁面便離開了，因此需要改善產品的內容來吸引用戶，解決用戶的內容訴求。
15. 轉化率
1）定義
在一個統計周期內，完成轉化行為的次數占推廣信息總點擊次數的比率。
2）計算方式
轉化率=(轉化次數/點擊量)×100%。以用戶登錄行為舉例，如果每100次訪問中，有10個登錄了產品，那么此產品的登錄轉化率就為10%，而最后有2個用戶關注了商品，則關注轉化率為2%，有一個用戶產生訂單并付費，則支付轉化率為1%。
3）重要性
轉化率是產品盈利的重要指標之一，它直接反映了產品的盈利能力。不同行業的轉化率，關注點也不同，比如電商產品就要關注銷售轉化，看看參與活動的用戶當中有多少是在活動后產生支付的，有需要的還可以根據數據分析出人均購買次數和購買金額。再比如我們所有產品都要監控的注冊量，在運營活動中，我們就要看活動能給產品帶來了多少新增用戶。所以轉化率可以針對性分析產品在哪些方面做的不足，可以快速定位到問題點。
4）轉化率是采用獨立訪客數（UV）還是頁面瀏覽量（PV）？
這需要根據團隊數據分析的目的而定。比如采用頁面瀏覽量，就是認為每次訪問都可產生付費。若采用獨立訪客數，就認為用戶多次訪問才能購買是正常的行為。個人建議前期采用獨立訪客數，以排除自己團隊對產品訪問產生的數據干擾，因為頁面瀏覽量是可以通過同一個IP不斷刷新網頁而遞增的，而獨立訪客數是精準到一個IP地址（即一個用戶、一個設備）。
5）如何通過數據埋點助力產品改版？
說了這么多數據指標，但到底如何通過數據指標來指引改版進行呢？我曾經幫助過一款生鮮類產品通過數據分析改良了他們的篩選標簽。
通過數據埋點發現之前的篩選標簽中?“價格高到低”/“價格低到高”的使用頻率極低。
對此我們重新分析了該產品的用戶構成，發現用戶對于價格標簽并不敏感，他們往往更注重的是生鮮商品的品質與品牌類別的標簽，有助于他們能買到更心儀的生鮮產品，享受到更好的服務。
所以我們將“價格高到低”與“價格低到高”放入了低頻篩選的隊列當初，不在頁面最外層漏出，同時把一些商品品牌與類別的篩選標簽替換到原來的位置。
最終的結果是很好的，用戶對于四個篩選標簽的點擊率相對穩定并且相比之前提高很多，同時通過USPT用戶耐性檢索表可知，整個結果促進了用戶的搜索跳轉率，由之前的25秒搜索時間縮減到了18秒，提高了整體的搜索效率。
后記
隨著互聯網行業的發展，行業對我們設計師的要求只會越來越高，從近兩年的交互設計師與用戶體驗設計師的崗位即可看出來。
所以，未來市場不會再需要底層的界面設計執行者了，更多的是將用戶的體驗與反饋的數據可視化，去指導表現層方面的內容。
作為設計師，要經受住時代的挑戰，就需要我們去尋找自己的溢價點，去做一個懂產品的設計師。
本文由 @大師聊產品 原創發布于人人都是產品經理，未經許可，禁止轉載
題圖來自 Unsplash，基于 CC0 協議
作者你好，我在閱讀到”PV/UV/VV”時有一個疑惑點，PV=5是怎么得出來的？VV記錄的是打開淘寶次數？
7）PV/UV/VV三者應該如何區分呢？
比如你上午打開了淘寶，查看了兩個商品詳情。下午又打開了淘寶，查看了五個商品詳情。則當日統計結果為：PV=5、UV=1、VV=2。
我覺得應該是寫錯了 pv應該是7吧
寫的非常棒，受益匪淺，好文章值得推薦，希望多多出類似文章，造福社會+1
您好，大佬，這個數據埋點文檔的樣式是設計稿呢？還是用軟件制作的？
逼死一大波美工
這些指標值得關注學習??
太專業了，點贊