文章目录
- 搭建业务线指标体系：
- 1.用户规模和质量
- 2.参与度分析
- 3.渠道分析
- 4.功能分析
- 5.收入分析
- 6.例子（给微博搭建指标体系）
- 7.以视频类APP为例：看如何搭建数据指标体系
- 知识点
- 1.DAU预估和拆解的一种方法
- 2.产品DAU异常下降该如何分析
- 3.LTV计算
- A/B测试
- 参数估计和假设检验
- 数据分析常用模型
搭建业务线指标体系：
APP的数据指标体系主要分为六个维度，包括用户规模与质量、参与度分析、渠道分析、功能分析和收入分析。
1.用户规模和质量
用户规模和质量是APP分析最重要的维度，其指标也是相对其他维度最多，数据分析师要重点关注这个维度的指标。
（1）活跃用户指标
活跃用户指在某统计周期内启动过APP的用户，除此之外，我们还可以将活跃用户定义为某统计周期内操作过产品核心功能的用户。活跃用户是衡量应用用户规模的指标，通常，一个产品是否成功，如果只看一个指标，那么这个这指标一定是活跃用户数。
活跃用户数根据不同统计周期可以分为日活跃数（DAU）、周活跃数（WAU）、月活跃数（MAU）。大多数希望用户每天都打开的应用如新闻APP、社交APP、音乐APP等，其产品的KPI考核指标均为日活跃用户数。但对于某些低频消费需求的APP比如旅游、婚纱摄影，可能会关注月活跃数，甚至更长时间周期内的活跃数。
（2）新增用户指标
新增用户是指安装应用后，首次启动应用的用户。按照统计时间跨度不同分为日、周、月新增用户。
新增用户量指标主要是衡量营销推广渠道效果的最基础指标；新增用户占活跃用户的比例也可以用来用于衡量产品健康度。如果某产品新用户占比过高，那说明该产品的活跃是靠推广得来。这种情况非常值得关注，尤其是关注用户的留存率情况。
（3）用户构成指标
用户构成是对周活跃用户或者月活跃用户的构成进行分析，有助于通过新老用户结构了解活跃用户健康度。以周活跃用户为例，包括以下几类用户：
本周回流用户：上周未启动过应用，本周启动应用的用户；
连续活跃n周用户：连续n周，每周至少启动过一次应用的活跃用户；
忠诚用户：连续活跃5周及以上的用户；
连续活跃用户：连续活跃2周及以上的用户；
近期流失用户：连续n周（大等于1周，但小于等于4周）没有启动过应用的用户。
（4）用户留存率指标
用户留存率是指在某一统计时段内的新增用户数中再经过一段时间后仍启动该应用的用户比例。用户留存率可重点关注次日、7日、14日以及30日留存率。次日留存率即某一统计时段新增用户在第二天再次启动应用的比例；7日留存率即某一统计时段新增用户数在第7天再次启动该应用的比例；14日和30日留存率以此类推。
用户留存率是验证产品用户吸引力很重要的指标。通常可以利用用户留存率与竞品进行对比，衡量应用对用户的吸引力。对于某一个相对成熟版本的应用，如果用户留存率有明显变化，则说明用户质量有明显变化，很可能是因为推广渠道质量的变化所引起的。
（5）每个用户总活跃天数指标
每个用户的总活跃天数指标（TAD，Total Active Days per User）是在统计周期内，平均每个用户在应用的活跃天数。如果统计周期比较长，如统计周期一年以上，那么每个用户的总活跃天数基本可以反映用户在流失之前在APP上耗费的天数，这是反映用户质量或黏性，尤其是用户活跃度很重要的指标。
2.参与度分析
参与度分析主要是分析用户的活跃度，包括启动次数分析、使用时长分析、访问页面分析和使用时间间隔分析。
（1）启动次数指标
启动次数是指在某一统计周期内用户启动应用的次数。在进行数据分析时，一方面要关注启动次数的总量走势，另一方面，则需要关注人均启动次数，即同一统计周期的启动次数与活跃用户数的比值，通常人均启动次数和人均使用时长可以一起分析。
（2）使用时长
使用总时长是指在某一统计统计周期内所有从APP启动到结束使用的总计时长。使用时长还可以从人均使用时长、单次使用时长等角度进行分析。
人均使用时长=同一统计周期内的使用总时长/活跃用户数
单次使用时长=同一统计周期内使用总时长/启动次数
使用时长相关指标也是衡量产品活跃度、产品质量的重要指标。用户每天的时间是有限的且宝贵的，如果用户愿意在你的产品投入更多的时间，证明你的应用对用户很重要，比如现在很流行的微信等社交应用。
（3）访问页面
访问页面数指用户一次启动访问的页面数。我们通常要分析访问页面数分布，即统计一定周期内（如1天、7天或30天）应用的访问页面数的活跃用户数分布，如访问1-2页的活跃用户数、3-5页的活跃用户数、6-9页的活跃用户数…同时，我们可以通过不同统计周期（但统计跨度相同，如多为7天）的访问页面分布的差异，以便于发现用户体验的问题。
（4）使用时间间隔
使用时间间隔是指同一用户相邻两次启动的时间间隔。一般统计一个月内应用的用户使用时间间隔的活跃用户数分布，如使用时间间隔在1天内、1天、2天……同时，我们可以通过不同统计周期（但统计跨度相同，如都为30天）的使用时间间隔分布的差异，以便于发现用户体验的问题。
3.渠道分析
渠道分析主要是分析各渠道在相同的投入情况下，用户数量的变化和趋势，以科学评估渠道质量，优化渠道推广策略。渠道分析包括新增用户、活跃用户、启动次数、单次使用时长和留存率等指标。APP的推广渠道主要为安卓和iOS。
安卓的渠道：①第三方应用市场，如华为、oppon、小米、91助手等；②广告联盟，如网盟、友盟等；③厂商预装，像华为、小米、vivo等；④水货刷机，如刷机精灵等；⑤社会化推广，如在社群做分享，在社区形成二次甚至多次传播，也可以做推广，但是这种的数据的分析就不太好获取。
对于安卓来说，用户来源就分以上几种，每一种可以分别去定义。不同类型的推广方式，可从不同的维度做数据的分析。比如说像第三方应用市场，很多用户都是通过这个渠道来下载APP，所以这方面的数据更多的是看活跃和留存；像广告联盟这种，是通过积分墙来分析，更多的是用户完成任务通过量级来做分析。
iOS的渠道主要是AppStore，原则上我们所有的数据和激活都是通过这个渠道来获取，但是在实际推广的过程中，我们更多的是想分析用户是通过什么渠道跳转到AppStore上进行下载，激活产品。这就需要我们直接和技术做最底层的对接——API接口对接。具体的分析方法与安卓是类似的，主要是分析活跃和留存数据。
以上提到的只是渠道质量评估的初步维度，如果还需要进一步研究渠道，尤其是研究到渠道防作弊层面，指标还需要更多，包括：判断用户使用行为是否正常的指标，如关键操作活跃量占总活跃的占比，用户激活APP的时间是否正常；判断用户设备是否真实，如机型、操作系统等集中度的分析。
4.功能分析
功能分析主要分析功能活跃情况、页面访问路径以及转化率。
（1）功能活跃指标
主要关注某功能的活跃人数、新增用户数、用户构成、用户留存。这些指标的定义与前文提到的“用户规模与质量”的指标类似。只是，本部分只关注某一功能模块，而不是APP整体。
（2）页面访问路径分析
主要是统计用户从打开应用到离开应用整个过程中每一步的页面访问和跳转情况。目的是达成App的商业目标，即引导用户更高效的完成App的不同模块的任务，最终促进用户付费。
APP页面访问路径分析需要考虑APP用户以下三方面问题：①身份：用户可能是你的会员或者潜在会员，也有可能是你的同事或者竞争对手等；②目标：不同用户使用APP的目的有所不同；③访问路径：即使身份类似、使用目的类似，但访问路径也很可能不同。因此，我们在做APP页面访问路径分析的时候，需要对APP用户做细分，然后再进行APP页面访问路径分析。
最常用的细分方法是按照APP的使用目的来进行用户分类。如汽车APP的用户便可以细分为关注型、意向型、购买型用户，并对每类用户进行不同访问任务的路径分析，比如意向型的用户，他进行不同车型的比较都有哪些路径，存在什么问题；还有一种方法是利用算法，基于用户所有访问路径进行聚类分析，依据访问路径的相似性对用户进行分类，再对每类用户进行分析。
（3）转化率
转化率是指进入下一页面的人数（或页面浏览量）与当前页面的人数（或页面浏览量）的比值。通常使用漏斗模型来，它可以分析产品中关键路径的转化率，以确定产品流程的设计、用户体验问题。
比如用户从进入某电商网站—浏览商品—把商品放入购物车—支付完成，每一个环节都有很多的用户流失。通过分析转化率，我们可以比较快定位用户使用产品的不同路径中，分析是否存在问题，并提出如何进行优化的改进意见，通常我们只需要对每天的转化率进行连续性的监控即可。
5.收入分析
盈利是产品的最终目的，所以总收入、付费用户数、付费率、ARPU这四个指标经常用到。总收入、付费用户数反映的是收入和付费用户的规模；付费率、ARPU代表的是用户付费质量，反映的是用户付费的广度与深度。主要关注转化漏斗最后环节的订单数量和金额。
根据产品处于不同的阶段，数据的重点不同，对于初创产品，用户量留存率较为重要，但是对于一个已经稳定的产品，商业数据指标更为关键。
6.例子（给微博搭建指标体系）
用户规模和质量：活跃用户，新增用户数，用户构成指标，用户留存指标，用户总活跃天数指标等
参与度分析：启动次数指标，访问时长指标，评论及转发指标，访问页面数指标等
渠道分析：不同渠道来源的用户指标，渠道的ROI指标，成本分析
功能分析：功能活跃指标（用户数，留存率，转发率，评价率，参与度指标等），页面访问路径，转化率（漏斗分析）
收入分析：广告点击率，会员结构（新增会员数），付费用户数，付费率等
问题：平台发起明星挑战活动，评估效果怎么评估？
首先要确认这个活动的目标是什么，是提高用户活跃，还是为了收益，可能说目标都有，但是还是需要有侧重目标，不侧重目标，就对应要关注的核心指标不同。
从三个方面进行评估：
第一方面是用户方面，主要包括，新增用户数是不是增加了，活跃用户率是不是增加了，在一段时间内观察，用户留存率是不是增加了
第二方面是功能分析，主要包括用户的活跃度是不是明星增强，这个主要涵盖用户的转发率，点击率，以及评论和点赞率，同时观察用户不同页面之间的转化率是不是有增加
第三方面主要是涉及到收入的商业指标分析，包括广告的曝光量，广告的点击率，转化率，用户付费率等指标
第四方面，还可以进行渠道分析，看看哪个渠道的用户质量最高
7.以视频类APP为例：看如何搭建数据指标体系
知识点
1.DAU预估和拆解的一种方法
1，短期DAU预测
当次日留存、老用户流失率明确时，新增的指标的测算公式：
今日新增 = 昨日DAU * (增长率 + 老用户流失率) + 昨日新增 * (1 – 次日留存 – 老用户流失率)
当新增、老用户流失率明确时，次日留存指标的测算公式：
次日留存 = (昨日DAU * 增长率 + 昨日DAU * 老用户流失率 – 新增 * 日老用户流失率) / 新增
当新增、老用户流失率、次日留存的指标都明确时，DAU的测算公式：
今日DAU = 昨日DAU – 新增 * (1 – 次日留存) + 新增 – (昨日DAU – 新增) * 老用户流失率
2.DAU预测
首先，建立预测模型
影响日活的因素中，最本质的其实是两个，一个是每日新增用户数，一个是新增用户的留存率。
某一天的日活，可以看作是，当天的新增，加上前一天的新增的次日留存用户，再加上大前天的新增的二日留存用户……
以此类推，可以认为日活是“当天的新增用户和此前每一天新增用户在当天的留存用户之和”，基于此，可以用一个很简单的公式表达日活。
DAU(n)=A(n)+A(n-1)R(1)+A(n-2)R(2)+… …+A(1)R(n-1)
其中，DAU(n)为第n天的日活，A(n)为第n天的新增，R(n-1)为新增用户在第n-1天后的留存率。如果假设，每日用户的新增是一个固定的数值A，则公式可简写为：
DAU(n)=A(1+R(1)+R(2)+… …+R(n-1))
上述公式可以看成是日活的一个简单的数学模型。从这个模型中，可以看出，新增A是一个较为确定的数值，另一部分：
1+R(1)+R(2)+… …+R(n-1)
留存率衰减渠线
留存率是一个产品最为核心的指标了，下图是网上一个产品的留存率衰减曲线
由图中，我们可以看出：留存率的衰减曲线，非常类似幂函数的曲线，其实，在业内绝大部分产品的留存衰减曲线，基本都是符合幂函数曲线。
基于此，可以通过幂函数来近似拟合留存率的衰减曲线，也就可以顺利的预估出日活模型中需要的留存之和。
一般在预估一个产品的留存之前，会有一些先验的数据基础，如果产品已经上线来一段时间，可以使用历史数据作为基础。如果产品还未上线，没有历史的数据，因为不同类型产品的留存和衰减速度都不太一样，因此可以用业内同类型的产品的大概留存数据作为拟合预测的参考。
2.产品DAU异常下降该如何分析
核心：先做先做数据异常原因的假设，后用数据验证假设。
1.确定数据真实性
2.运用维度分析法，分析不同维度数据，定位原因
主要的维度拆分包括渠道，新老用户，区域等
计算影响系数：每一项数据都要和以往正常值做对比，算出影响系数。
影响系数越大越可能是造成DAU异常的原因
3.根据维度拆分得出的原因进行进一步的分析
比如，某个产品日活下降，首先看新老用户维度，新用户的影响系数较大，则可以定位在新用户；再看新用户的渠道和登录平台等；渠道有1、2、3，分析发现，1渠道当天新增明显减少，就可以基本定位在渠道一新用户原因，进而在进行分析具体原因，提出运营策略进行改进。
3.LTV计算
A/B测试
见之前的总结：
参数估计和假设检验
P值：
P值（P value）就是当原假设为真时，比所得到的样本观察结果更极端的结果出现的概率。如果P值很小，说明原假设情况的发生的概率很小，而如果出现了，根据小概率原理，我们就有理由拒绝原假设，P值越小，我们拒绝原假设的理由越充分。总之，P值越小，表明结果越显著。
直观来讲P值即概率，P值越大越小，就是原假设为真的概率大小，例如P值等于0.04但是显著性水平取0.05，那么久必须拒绝原假设，小于0.05就显著了，小概率事件不发生原理，因此拒绝原假设
数据分析常用模型
