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
|
3天前
|
机器学习/深度学习 传感器 数据采集
基于机器学习的数据分析:PLC采集的生产数据预测设备故障模型
本文介绍如何利用Python和Scikit-learn构建基于PLC数据的设备故障预测模型。通过实时采集温度、振动、电流等参数,进行数据预处理和特征提取,选择合适的机器学习模型(如随机森林、XGBoost),并优化模型性能。文章还分享了边缘计算部署方案及常见问题排查,强调模型预测应结合定期维护,确保系统稳定运行。
37 0
|
22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。
86 21
|
2月前
|
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
254 92
|
2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。
94 22
|
3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。
164 73
|
3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。
153 71
|
3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。
112 5
|
3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。
|
4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
215 56
|
5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
88 0
某A保险公司的 数据图表和数据分析