【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
|
3月前
|
数据挖掘 PyTorch TensorFlow
|
1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
107 56
|
5天前
|
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。
|
2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
65 0
某A保险公司的 数据图表和数据分析
|
4月前
|
数据采集 DataWorks 数据挖掘
提升数据分析效率:DataWorks在企业级数据治理中的应用
【8月更文第25天】本文将探讨阿里巴巴云的DataWorks平台如何通过建立统一的数据标准、规范以及实现数据质量监控和元数据管理来提高企业的数据分析效率。我们将通过具体的案例研究和技术实践来展示DataWorks如何简化数据处理流程,减少成本,并加速业务决策。
539 54
|
2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
63 0
|
3月前
|
机器学习/深度学习 数据挖掘 TensorFlow
🔍揭秘Python数据分析奥秘,TensorFlow助力解锁数据背后的亿万商机
【9月更文挑战第11天】在信息爆炸的时代,数据如沉睡的宝藏,等待发掘。Python以简洁的语法和丰富的库生态成为数据分析的首选,而TensorFlow则为深度学习赋能,助你洞察数据核心,解锁商机。通过Pandas库,我们可以轻松处理结构化数据,进行统计分析和可视化;TensorFlow则能构建复杂的神经网络模型,捕捉非线性关系,提升预测准确性。两者的结合,让你在商业竞争中脱颖而出,把握市场脉搏,释放数据的无限价值。以下是使用Pandas进行简单数据分析的示例:
50 5
|
4月前
|
存储 数据挖掘 数据处理
DataFrame探索之旅:如何一眼洞察数据本质,提升你的数据分析能力?
【8月更文挑战第22天】本文通过电商用户订单数据的案例,展示了如何使用Python的pandas库查看DataFrame信息。首先导入数据并使用`head()`, `columns`, `shape`, `describe()`, 和 `dtypes` 方法来快速概览数据的基本特征。接着,通过对数据进行分组操作计算每位顾客的平均订单金额,以此展示初步数据分析的过程。掌握这些技能对于高效的数据分析至关重要。
47 2
|
4月前
|
数据采集 机器学习/深度学习 算法
"揭秘数据质量自动化的秘密武器:机器学习模型如何精准捕捉数据中的‘隐形陷阱’,让你的数据分析无懈可击?"
【8月更文挑战第20天】随着大数据成为核心资源,数据质量直接影响机器学习模型的准确性和效果。传统的人工审查方法效率低且易错。本文介绍如何运用机器学习自动化评估数据质量,解决缺失值、异常值等问题,提升模型训练效率和预测准确性。通过Python和scikit-learn示例展示了异常值检测的过程,最后强调在自动化评估的同时结合人工审查的重要性。
108 2
|
4月前
|
供应链 数据可视化 数据挖掘
【python】python省市水资源数据分析可视化(源码+数据)【独一无二】
【python】python省市水资源数据分析可视化(源码+数据)【独一无二】
下一篇
DataWorks