【业务数据分析】——数据指标和数据指标体系

简介: 【业务数据分析】——数据指标和数据指标体系

数据指标主要由“维度”和“计算方式”两部分组成。

974a61f90af84f239e6aa0b49e3f8dd6.png



数据指标体系是把数据指标系统地组织起来,可以按照功能模块、业务模块,以及其他一些划分的方法组织起来。数据指标体系的作用主要有监控现状、反映问题、预测趋势、评估分析、决策支持5个方面。


不同的细分行业的数据指标体系有共同点,也有不同点。


共同点指的是几乎所有行业都关注DAU、MAU等活跃用户数指标。一个APP无论是要活下来还是要后期变现,用户活跃的数量是基础。


不同点指的是不同行业所侧重的点不一样。比如,社交类APP,会关注用户的互动指标、点赞率、评论率等;电商类APP会关注交易金额、交易人数等;音乐类APP会关注播放时长、播放的歌曲数等。


一、互联网产品典型的数据指标体系


1.拉新指标

拉新指标用于刻画新用户的增长情况及获客的成本情况,主要目的是希望在保持一定成本和收益的情况下,新用户能够稳步增长。


● 曝光数:被某APP曝光的用户数量,指的是有多少用户看到过这个APP。


● 下载数:成功下载某APP的人数。


● 注册数:成功注册某APP的人数。


● 曝光下载转化率:下载数/曝光数。


● 下载注册转化率:注册数/下载数。


● 拉新平均成本:总花费的金额/花费所对应的新用户数。


● 拉新ROI:拉新的用户贡献的付费金额/拉新的用户所花费的成本。


2.活跃指标

新用户来到APP是第一步。第二步就是希望我们获取的新用户能够活跃,并且活跃足够的次数,能在APP中停留足够长的时间。活跃指标就是用来刻画用户活跃情况的指标。

a7580c65eca84b4a89f67f3d4aedf0e7.png



● DAU:日活跃用户数。按照一天活跃的设备数去重。


● WAU:周活跃用户数。按照一周活跃的设备数去重。


● MAU:月活跃用户数。按照一个月活跃的设备数去重。


● 活跃次数:指的是用户在某个APP中活跃的次数。


● 活跃时长:指的是用户在APP中活跃的总的时间。


3.留存指标


当用户在APP中活跃后,我们希望用户可以持续活跃,对APP有足够的黏性,留存指标就是用来刻画用户黏性的指标。


● 次日留存率:当天活跃的用户在次日还活跃的比例。


● 三日留存率:当天活跃的用户在第三天活跃的比例。


● 七日留存率:当天活跃的用户在第七日活跃的比例。


● 周留存率:本周活跃的用户在下一周还活跃的比例。


4.付费指标

当用户对APP产生足够的依赖后,我们希望用户可以贡献收入。付费相关的指标就是用来刻画用户的付费频次、金额及忠诚度的。


● 总销售额:总的购买金额。


● 总付费用户数:付费的用户数量,以设备数去重然后计数。


● ARPU(Average Revenue Per User):每个用户平均贡献的收入。


● ARPPU(Average Revenue Per Paid User):每个付费用户贡献的收入。


● 总订单数:订单总的数量。


● 人均订单数:订单总的数量/订单用户数。


● 付费渗透率:下单用户数/总用户数。


● 复购率:下单用户数再次下单的比例。


5.传播指标

当用户在平台上留下来后,我们希望用户可以将APP转发给更多的人,相关的传播指标如下。


● 邀请率:发出用户数/现有用户数,用来刻画有多少比例的用户愿意分享。


● 接受率:接受数/发出邀请数,用来刻画有多少用户收到邀请会被转化为新用户。


● k因子:邀请率×接受率,同时考虑分享的转化和接受的转化,完整刻画整个传播的链路。


二、电商平台的数据指标体系


电商平台的数据指标体系主要可以从用户、商品、平台3个方面来拆解(见图)。


1.用户

(1)新增情况。


● 每天新增用户数:每天新增加的设备数去重。


● 单一获客成本:总成本/总的新用户数。


● ROI(Return On Investment):投资回报率。




(2)活跃情况。


● DAU:每天活跃的用户数。


● WAU:一周活跃的用户数。


● MAU:一个月活跃的用户数。


● 天活跃次数:每天活跃的次数,每打开一次APP就是一次活跃。


● 周活跃次数:一周活跃的总次数。


● 月活跃次数:一个月活跃的总次数。


(3)留存情况(购买)。


● 次日留存率:当天购买的用户在次日继续购买的比例。


● 三日留存率:当天购买的用户在三日内继续购买的比例。


● 七日留存率:当天购买的用户在七日内继续购买的比例。


(4)付费情况。


● 总销售额:总的收入金额。


● 总付费用户数:总的付费的用户数量。


● 总下单数:总的下单的数量。


● 人均下单数:总的下单数量/总的付费用户数。


● 总购买商品数:用户购买的商品总数。


● 人均购买商品数:总购买商品数/总付费用户数。


(5)评论情况。


● 评论用户数:成功评论的用户数量。


● 好评用户数;成功发起好评的用户数量。


● 好评率:好评用户数/评论用户数。


● 差评用户数:成功发起差评的用户数量。


● 差评率:差评用户数/总用户数。


2.平台

● 总的访问页面数:总的打开的页面的数量。


● 总的访问用户数:总的打开过页面的用户数量。


● 人均访问页面数:总的访问页面数/总的访问用户数。


● 跳出率:访问一个页面后离开网站的次数/总访问次数。


● 搜索率:搜索行为的用户数/活跃的用户数。


● 平均页面加载时长:页面从开始加载到成功展现所用的时长。


3.商品

● 新上架商品数:当天新上线的商品数量。


● 老的在架商品数:老的在架上的商品数量。


● 总在线商品数:当天总的在线商品数量。


● 新上架比例:新上架商品数/总在线商品数。


● 老的在架上比例:老的在架商品数/总在线商品数。


● 被购买的数量:被购买的商品数。


● 被购买的商品总价格:被购买的商品的总金额。


● 平均每个商品的价格:被购买的商品总价格/被购买的数量。


● 总的利润率:(总收入-总成本)/总成本。


好了,指标体系就介绍到这里,下一篇我们介绍【如何搭建数据指标体系】。


文章参考书籍《数据分析方法论和实战》。

目录
相关文章
|
2天前
|
SQL 人工智能 数据可视化
数据团队必读:智能数据分析文档(DataV Note)五种高效工作模式
数据项目复杂,涉及代码、数据、运行环境等多部分。随着AI发展,数据科学团队面临挑战。协作式数据文档(如阿里云DataV Note)成为提升效率的关键工具。它支持跨角色协同、异构数据处理、多语言分析及高效沟通,帮助创建知识库,实现可重现的数据科学过程,并通过一键分享报告促进数据驱动决策。未来,大模型AI将进一步增强其功能,如智能绘图、总结探索、NLP2SQL/Python和AutoReport,为数据分析带来更多可能。
39 20
|
29天前
|
SQL 数据可视化 大数据
从数据小白到大数据达人:一步步成为数据分析专家
从数据小白到大数据达人:一步步成为数据分析专家
217 92
|
1月前
|
存储 数据采集 数据可视化
Pandas数据应用:医疗数据分析
Pandas是Python中强大的数据操作和分析库,广泛应用于医疗数据分析。本文介绍了使用Pandas进行医疗数据分析的常见问题及解决方案,涵盖数据导入、预处理、清洗、转换、可视化等方面。通过解决文件路径错误、编码不匹配、缺失值处理、异常值识别、分类变量编码等问题,结合Matplotlib等工具实现数据可视化,并提供了解决常见报错的方法。掌握这些技巧可以提高医疗数据分析的效率和准确性。
81 22
|
2月前
|
存储 数据采集 数据可视化
Pandas数据应用:电子商务数据分析
本文介绍如何使用 Pandas 进行电子商务数据分析,涵盖数据加载、清洗、预处理、分析与可视化。通过 `read_csv` 等函数加载数据,利用 `info()` 和 `describe()` 探索数据结构和统计信息。针对常见问题如缺失值、重复记录、异常值等,提供解决方案,如 `dropna()`、`drop_duplicates()` 和正则表达式处理。结合 Matplotlib 等库实现数据可视化,探讨内存不足和性能瓶颈的应对方法,并总结常见报错及解决策略,帮助提升电商企业的数据分析能力。
154 73
|
2月前
|
数据采集 数据可视化 数据挖掘
Pandas数据应用:天气数据分析
本文介绍如何使用 Pandas 进行天气数据分析。Pandas 是一个强大的 Python 数据处理库,适合处理表格型数据。文章涵盖加载天气数据、处理缺失值、转换数据类型、时间序列分析(如滚动平均和重采样)等内容,并解决常见报错如 SettingWithCopyWarning、KeyError 和 TypeError。通过这些方法,帮助用户更好地进行气候趋势预测和决策。
137 71
|
2月前
|
数据采集 数据可视化 索引
Pandas数据应用:股票数据分析
本文介绍了如何使用Pandas库进行股票数据分析。首先,通过pip安装并导入Pandas库。接着,从本地CSV文件读取股票数据,并解决常见的解析错误。然后,利用head()、info()等函数查看数据基本信息,进行数据清洗,处理缺失值和重复数据。再者,结合Matplotlib和Seaborn进行数据可视化,绘制收盘价折线图。最后,进行时间序列分析,设置日期索引、重采样和计算移动平均线。通过这些步骤,帮助读者掌握Pandas在股票数据分析中的应用。
93 5
|
2月前
|
数据采集 监控 数据挖掘
常用电商商品数据API接口(item get)概述,数据分析以及上货
电商商品数据API接口(item get)是电商平台上用于提供商品详细信息的接口。这些接口允许开发者或系统以编程方式获取商品的详细信息,包括但不限于商品的标题、价格、库存、图片、销量、规格参数、用户评价等。这些信息对于电商业务来说至关重要,是商品数据分析、价格监控、上货策略制定等工作的基础。
|
3月前
|
存储 机器学习/深度学习 数据可视化
数据集中存在大量的重复值,会对后续的数据分析和处理产生什么影响?
数据集中存在大量重复值可能会对后续的数据分析和处理产生多方面的负面影响
189 56
|
4月前
|
机器学习/深度学习 人工智能 搜索推荐
某A保险公司的 数据图表和数据分析
某A保险公司的 数据图表和数据分析
86 0
某A保险公司的 数据图表和数据分析
|
4月前
|
机器学习/深度学习 数据采集 数据可视化
如何理解数据分析及数据的预处理,分析建模,可视化
如何理解数据分析及数据的预处理,分析建模,可视化
95 0