【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
|
1月前
|
数据采集 数据可视化 数据挖掘
多维数据分析:使用Pandas进行复杂的数据操作和聚合
【4月更文挑战第12天】Pandas是Python的强大数据分析库,提供DataFrame数据结构进行多维数据处理。本文介绍了使用Pandas进行多维数据分析的流程:1) 导入数据(如CSV、Excel);2) 数据预处理,包括缺失值处理和类型转换;3) 数据探索,利用describe()、hist()、plot()等进行统计和可视化;4) 数据操作,如筛选、排序和分组;5) 数据聚合,通过groupby()和agg()进行计算。文中还给出了电商数据分析的案例,展示Pandas在实际应用中的价值。
|
1月前
|
人工智能 监控 数据可视化
【Python】Python商业公司贸易业务数据分析可视化(数据+源码)【独一无二】
【Python】Python商业公司贸易业务数据分析可视化(数据+源码)【独一无二】
|
1月前
|
存储 分布式计算 搜索推荐
【专栏】数据之海,分布式计算、数据存储与管理、数据分析与挖掘成为关键技术
【4月更文挑战第27天】在大数据时代,数据量爆炸性增长、类型多样及处理速度需求提升带来挑战。分布式计算、数据存储与管理、数据分析与挖掘成为关键技术,如Hadoop、Spark、HDFS、NoSQL等。实际应用包括互联网搜索、推荐系统、金融科技、智能城市等领域,大规模数据处理发挥关键作用,持续推动创新与奇迹。
|
1月前
|
数据可视化 前端开发 数据挖掘
R语言对综合社会调查GSS数据进行自举法bootstrap统计推断、假设检验、探索性数据分析可视化|数据分享(上)
R语言对综合社会调查GSS数据进行自举法bootstrap统计推断、假设检验、探索性数据分析可视化|数据分享
|
1月前
|
SQL 数据采集 存储
Hive实战 —— 电商数据分析(全流程详解 真实数据)
关于基于小型数据的Hive数仓构建实战,目的是通过分析某零售企业的门店数据来进行业务洞察。内容涵盖了数据清洗、数据分析和Hive表的创建。项目需求包括客户画像、消费统计、资源利用率、特征人群定位和数据可视化。数据源包括Customer、Transaction、Store和Review四张表,涉及多个维度的聚合和分析,如按性别、国家统计客户、按时间段计算总收入等。项目执行需先下载数据和配置Zeppelin环境,然后通过Hive进行数据清洗、建表和分析。在建表过程中,涉及ODS、DWD、DWT、DWS和DM五层,每层都有其特定的任务和粒度。最后,通过Hive SQL进行各种业务指标的计算和分析。
284 1
Hive实战 —— 电商数据分析(全流程详解 真实数据)
|
1月前
|
数据采集 数据可视化 数据挖掘
Python 与 PySpark数据分析实战指南:解锁数据洞见
Python 与 PySpark数据分析实战指南:解锁数据洞见
|
1月前
|
机器学习/深度学习 数据采集 数据挖掘
Python 的科学计算和数据分析: 解释什么是数据规整(Data Wrangling)?
【4月更文挑战第15天】数据规整是将原始数据转化为适合分析和建模的格式的关键步骤,涉及缺失值处理(删除、填充、插值)、异常值检测与处理、数据类型转换、重采样、数据合并、特征选择和特征变换等任务。这些预处理步骤确保数据质量和准确性,为后续的数据分析和机器学习模型构建奠定基础。
35 4
|
1月前
|
存储 机器学习/深度学习 数据采集
数据分析师如何处理数据以进行分析?
【4月更文挑战第4天】数据分析师如何处理数据以进行分析?
26 9
|
1月前
|
机器学习/深度学习 数据可视化 算法
数据分析师如何处理缺失值和错误数据?
【4月更文挑战第4天】数据分析师如何处理缺失值和错误数据?
20 6
|
1月前
|
前端开发 数据可视化 数据挖掘
R语言对综合社会调查GSS数据进行自举法bootstrap统计推断、假设检验、探索性数据分析可视化|数据分享(下)
R语言对综合社会调查GSS数据进行自举法bootstrap统计推断、假设检验、探索性数据分析可视化|数据分享

热门文章

最新文章