数据分析——常见数据指标汇总

简介: 数据分析——常见数据指标汇总

数据分类


用户数据:反映用户的基本信息等。

行为数据:做过什么,如页面停留时间购买等。

产品数据:产品信息、库存等。


用户数据指标

:one: 日新增用户数:产品每天新增用户。

:two: 活跃率:衡量用户活跃度的一个指标,活跃用户可分为日活跃用户,周活跃用户,月活跃用户。

  • 日活跃用户:一天之内活跃的用户数
  • 周活跃用户:一周之内至少活跃一次的用户数
  • 月活跃用户:一月之内至少活跃一次的用户数


活跃率=[活跃用户数][总用户数]活跃率=\frac{[活跃用户数]}{[总用户数]}=[][]


:three: 留存率:留存率可分为次日留存率、第3日留存率、第7日留存率、第30日留存率等。

  • 次日留存率:第1天新增的用户中,在第2天使用过产品的用户数/第1天新增总用户数
  • 第3日留存率:第1天新增的用户中,在第3天使用过产品的用户数/第1天新增总用户数;
  • 第7日留存率:第1天新增的用户中,在第7天使用过产品的用户数/第1天新增总用户数

Facebook 有一个著名的 40-20-10 法则,也就是新用户次日留存率为40%,第7日留存率为20%,第30日留存率为10%


行为数据指标

:one: PV(Page View):一定时间内某个页面的浏览次数

:two: UV(Unique View):一定时间内某个页面的访问人数


:three: 转化率

  • 支付转化率
    支付转化率=[购买的人数][店铺访问人数(UV)]支付转化率=\frac{[购买的人数]}{[店铺访问人数(UV)]}=[访(UV)][]
  • 广告转化率
    广告转化率=[通过广告点击进入推广界面的人数][看到广告的人数]广告转化率=\frac{[通过广告点击进入推广界面的人数]}{[看到广告的人数]}广=[广][广广]

:four: 转发率


转发率=[转发某商品的用户数][看到某商品的用户数]转发率=\frac{[转发某商品的用户数]}{[看到某商品的用户数]}=[][]

:five: K因子(K-factor):用来衡量社交共享(推荐)效果,一个发起推荐的用户可以来带多少新用户。


K因子=[平均每个用户分享人数][收到邀请的用户成为新用户的转化率]K因子=\frac{[平均每个用户分享人数]}{[收到邀请的用户成为新用户的转化率]}K=[][]

当 K>1 时,新增用户数快速增长。

当 K<1 时,新增用户数到某个规模时就会停止通过该途径的增长。


产品数据指标

:one: 总量

  • GMV(Gross Merchandise Volume):即商品交易总额  ,是成交总额(一定时间段内)的意思。多用于电商行业,一般包含拍下未支付订单金额
  • 成交数量:下单的商品数量
  • 访问时长:指用户使用App或网站的总时长


:two: 人均

  • 人均付费:游戏行业称为 ARPU(Average Revenue Per User),电商行业称为客单价。
  • 付费用户人均收入:ARPPU(Average Revennu Per Paying User),统计付费用户的平均收入
    付费用户人均收入=[总收入][付费人数]付费用户人均收入=\frac{[总收入]}{[付费人数]}=[][]
  • 人均访问时长
    人均访问时长=[总时长][总用户数]人均访问时长=\frac{[总时长]}{[总用户数]}访=[][]


:three: 付费

  • 付费率
    付费率=[付费用户][总用户数]付费率=\frac{[付费用户]}{[总用户数]}=[][]
  • 复购率
    月度复购率:
    月度复购率=1月购买的用户又在2月发生购买的用户数1月发生购买的总用户数月度复购率=\frac{1月购买的用户又在2月发生购买的用户数}{1月发生购买的总用户数}=112
    累计复购率:
    累计复购率=1月购买的用户又在2月 7月购买的用户数1月发生购买的总用户数累计复购率=\frac{1月购买的用户又在2月~7月购买的用户数}{1月发生购买的总用户数}=1127


推广付费指标

在付费做广告推广时,涉及考察推广效果的指标。从不同的付费渠道可以分为以下指标:展示位广告、搜索广告、信息流广告。


:one: 展示位广告

按展示次数付费(CPM,Cost Per Mille)

:two: 搜索广告

广告主为某一个搜索关键词出价,用户看到的搜索结果是按广告主出价的高低来排名的。这种类型的广告是按点击次数付费(CPC,Cost Per Click)

:three: 信息流广告

例如微博、今日头条、知乎、朋友圈(信息流)里的广告。这种广告是根据用户的兴趣爱好来推荐的。这种类型的广告按点击次数付费(CPC)或者按投放的实际效果付费(CPA,Cost Per Action)。

CPA 包括:

  • CPD(Cost Per Download):按 App 的下载数付费
  • CPI(Cost Per Install):按安装 App 的数量付费,也就是下载后有多少人安装了App
  • CPS(Cost Per Sales):按完成购买的用户数或者销售额来付费



相关文章
|
2月前
|
数据挖掘 PyTorch TensorFlow
|
25天前
|
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
54 0
某A保险公司的 数据图表和数据分析
|
3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。
413 54
|
1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
47 0
|
2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:
42 5
|
3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。
40 2
|
3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。
90 2
|
2月前
|
机器学习/深度学习 数据挖掘 TensorFlow
从数据小白到AI专家:Python数据分析与TensorFlow/PyTorch深度学习的蜕变之路
【9月更文挑战第10天】从数据新手成长为AI专家,需先掌握Python基础语法,并学会使用NumPy和Pandas进行数据分析。接着,通过Matplotlib和Seaborn实现数据可视化,最后利用TensorFlow或PyTorch探索深度学习。这一过程涉及从数据清洗、可视化到构建神经网络的多个步骤,每一步都需不断实践与学习。借助Python的强大功能及各类库的支持,你能逐步解锁数据的深层价值。
62 0
|
3月前
|
SQL 数据挖掘 Serverless
SQL 窗口函数简直太厉害啦!复杂数据分析的超强利器,带你轻松攻克数据难题,快来一探究竟!
【8月更文挑战第31天】在数据驱动时代,高效处理和分析大量数据至关重要。SQL窗口函数可对一组行操作并返回结果集,无需分组即可保留原始行信息。本文将介绍窗口函数的分类、应用场景及最佳实践,助您掌握这一强大工具。例如,在销售数据分析中,可使用窗口函数计算累计销售额和移动平均销售额,更好地理解业务趋势。
62 0
|
3月前
|
SQL 数据可视化 数据挖掘
SQL 在数据分析中简直太牛啦!从数据提取到可视化,带你领略强大数据库语言的神奇魅力!
【8月更文挑战第31天】在数据驱动时代,SQL(Structured Query Language)作为强大的数据库查询语言,在数据分析中扮演着关键角色。它不仅能够高效准确地提取所需数据,还能通过丰富的函数和操作符对数据进行清洗与转换,确保其适用于进一步分析。借助 SQL 的聚合、分组及排序功能,用户可以从多角度深入分析数据,为企业决策提供有力支持。尽管 SQL 本身不支持数据可视化,但其查询结果可轻松导出至 Excel、Python、R 等工具中进行可视化处理,帮助用户更直观地理解数据。掌握 SQL 可显著提升数据分析效率,助力挖掘数据价值。
62 0
下一篇
无影云桌面