【數據如何驅動增長】（2）如何搭建能夠指導增長的數據指標體系
上一篇【數據為什麼能驅動增長】https://zhuanlan.zhihu.com/p/170502522 里說到，數據驅動業務增長的第一步就是幫助營業單位更快速的拿到一手反饋，同時幫助領導層接收到無損的訊息，起碼讓各個團隊知道自己的業務現階段好不好，哪裡好，哪裡不好，為什麼好，為什麼不好。 所以，好的數據指標體系需要能夠清晰的展現出業務的各個流程的表現
這篇聊聊，如何根據業務特點及階段，搭建清晰高效的數據指標體系
本文結構
PART1 數據指標搭建思路
- 抽象業務為可量化的增長模型
- 拆解業務模型形成指標體系
- 構建核心關鍵指標
PART2 移動端應用程式應該關注的數據指標
- 用戶規模和品質
- 參與度分析
- 管道分析
- 功能分析
- 用戶屬性和畫像分析
- 收入分析
Part1 數據指標體系搭建思路
1.抽象業務成可量化的增長模型
分析業務現狀理清數據脈絡，分析當前業務模式，確定核心增長指標和核心公式
- 目標客戶
- 用戶價值
- 成本結構
- 增長模式
- 運營模式
- 盈利模式
- 商業模式
選擇什麼樣的增長模型需要同時考慮公司的核心業務模式及現階段核心任務
常用的模型有關注增長的AARRR海盜模型，也有更關注留存的RARRA模型。 這些模型將用戶的整個生命週期抽象出來，數據、運營人員再針對每個環節設計相應的指標體系。 所有環節的指標體系合在一起就構成了整個業務線的指標體系。 其中不同的模型會有不同的關注點
AARRR模型
AARRR模型更適合產品初期，快速獲客，擴大市場版圖。 使用AARRR時運營人員更應該關注的是Acquisition和Activation
然而當產品到達一定規模（百萬使用者級）時，由於市場凈空有限，同時這個階段中高手林立，團隊此時需要更多的關注產品的使用者留存率。 通過提升產品的留存率，在長期的戰爭中逐漸獲得優勢，此時更適合使用RARRA模型，重點關注留存率
RARRA模型
壞的留存率 VS 好的留存率
2. 拆解業務模型形成指標體系
拆解核心關鍵指標，分解為多級數據指標，制定數據指標框架
邏輯化的數據拆解路徑：
- 按使用者拆解：從使用者生命周期出發（AARRR、RARRA），側重使用者分析的拆解路徑
- 按市場流程拆解：完整的業務路徑，路徑節點通常會形成漏鬥模型
- 按組織部門拆解：組織部門的工作所對應的影響因數或KPI
以電商業務模式為例，按市場流程拆解核心關鍵指標和核心公式，從使用者購買路徑拆解核心公式
- 打開APP：APP打開率
- 流覽商品：PV、UV、搜索率
- 查看商品詳情：總瀏覽時長、平均瀏覽時長
- 加入購物車：加入率、購物車商品數
- 生成訂單：訂單量、訂單流失率、訂單付款率
- 付款：支付方式佔比、付款流失率
- 退貨：平均退貨時長、
- 評價：商品平均評價分數、商品平均評價字數、商品平均評價率
3. 構建核心關鍵指標
增長三大要點：支點、槓桿、北極星
一個完善的數據指標體系有可能包含幾百個指標，每次動作后幾百個指標有升有降，如何判斷本次行為的有效性？
這時候就需要將當前業務最核心的目標抽象成若干個指標組合成的北極星指標，通過長期關注這個指標，促進業務長期增長
以電商行業關注的核心關鍵指標，成交總額、訂單量為例
- 成交總額=訂單量X單均價
- 成交總額=使用者量XARPU（客單價）
PART2 移動端應用程式應該關注的數據指標
APP的數據指標體系主要分為五個維度，包括用戶規模與質量、參與度分析、管道分析、功能分析和使用者屬性分析
長按圖片可保存
（一）用戶規模和品質
用戶規模和品質是APP分析最重要的維度，其指標也是相對其他維度最多，數據分析師要重點關注這個維度的指標
（1）活躍用戶指標
活躍使用者指在某統計週期內啟動過APP的使用者。 除此之外，我們還可以將活躍使用者定義為某統計週期內操作過產品核心功能的使用者
活躍使用者是衡量應用用戶規模的指標
活躍用戶數根據不同統計週期可以分為日活躍數（DAU）、周活躍數（WAU）、月活躍數（MAU）
大多數希望使用者每天都打開的應用如新聞APP、社交APP、音樂APP等，其產品的KPI考核指標均為日活躍用戶數。 但對於某些低頻消費需求的APP比如旅遊、婚紗攝影，可能會關注月活躍數，甚至更長時間週期內的活躍數
（2）新增用戶指標
新增使用者是指安裝應用後，首次啟動應用的使用者
按照統計時間跨度不同分為日、周、月新增使用者
新增使用者量指標主要是衡量行銷推廣管道效果的最基礎指標;新增使用者佔活躍使用者的比例也可以用來用於衡量產品健康度
如果某產品新使用者佔比過高，那說明該產品的活躍是靠推廣得來
這種情況非常值得關注，尤其是關注使用者的留存率情況
（3）用戶構成指標
用戶構成是對周活躍使用者或者月活躍使用者的構成進行分析，有助於通過新老使用者結構瞭解活躍使用者健康度
以周活躍使用者為例，包括以下幾類使用者：
- 本周回流使用者：上周未啟動過應用，本周啟動應用的使用者
- 連續活躍n周用戶：連續n周，每周至少啟動過一次應用的活躍使用者
- 忠誠用戶：連續活躍5周及以上的使用者
- 連續活躍用戶：連續活躍2周及以上的使用者
- 近期流失用戶：連續n周（大等於1周，但小於等於4周）沒有啟動過應用的使用者
（4）使用者留存率指標
使用者留存率是指在某一統計時段內的新增用戶數中再經過一段時間后仍啟動該應用的使用者比例
使用者留存率可重點關注次日、7日、14日以及30日留存率
次日留存率即某一統計時段新增使用者在第二天再次啟動應用的比例;7日留存率即某一統計時段新增用戶數在第7天再次啟動該應用的比例;14日和30日留存率以此類推
使用者留存率是驗證產品使用者吸引力很重要的指標，通常可以利用使用者留存率與競品進行對比，衡量應用對使用者的吸引力。 對於某一個相對成熟版本的應用，如果使用者留存率有明顯變化，則說明用戶質量有明顯變化，很可能是因為推廣管道質量的變化所引起的
（5）每個使用者總活躍天數指標
每個使用者的總活躍天數指標（TAD，Total Active Days per User）是在統計週期內，平均每個使用者在應用的活躍天數。
如果統計周期比較長，如統計週期一年以上，那麼每個使用者的總活躍天數基本可以反映使用者在流失之前在APP上耗費的天數，這是反映用戶品質或黏性，尤其是用戶活躍度很重要的指標
（二）參與度分析
參與度分析主要是分析用戶的活躍度，包括啟動次數分析、使用時長分析、訪問頁面分析和使用時間間隔分析
（1）啟動次數指標
啟動次數是指在某一統計週期內用戶啟動應用的次數
在進行數據分析時，一方面要關注啟動次數的總量走勢，另一方面，則需要關注人均啟動次數，即同一統計週期的啟動次數與活躍用戶數的比值
通常人均啟動次數和人均使用時長可以一起分析
（2）使用時長
使用總時長是指在某一統計統計週期內所有從APP啟動到結束使用的總計時長。 使用時長還可以從人均使用時長、單次使用時長等角度進行分析
- 人均使用時長=同一統計週期內的使用總時長/活躍用戶數
- 單次使用時長=同一統計週期內使用總時長/啟動次數
使用時長相關指標也是衡量產品活躍度、產品品質的重要指標。 對於用戶來說，每天時最寶貴的就是間，如果用戶願意在你的產品投入更多的時間，證明你的應用對使用者很重要，比如現在很流行的抖音快手
（3）訪問頁面
訪問頁面數指使用者一次啟動訪問的頁面數
我們通常要分析訪問頁面數分佈，即統計一定週期內（如1天、7天或30天）應用的訪問頁面數的活躍用戶數分佈，如訪問1-2頁的活躍用戶數、3-5頁的活躍用戶數、6-9頁的活躍用戶數......
同時，我們可以通過不同統計週期（但統計跨度相同，如多為7天）的訪問頁面分佈的差異，以便於發現用戶體驗的問題
（4）使用時間間隔
使用時間間隔是指同一使用者相鄰兩次啟動的時間間隔
一般統計一個月內應用的使用者使用時間間隔的活躍用戶數分佈，如使用時間間隔在1天內、1天、2天......
同時，我們可以通過不同統計週期（但統計跨度相同，如都為30天）的使用時間間隔分佈的差異，以便於發現用戶體驗的問題
（三）管道分析
管道分析主要是分析各管道在相同的投入情況下，用戶數量的變化和趨勢，以科學評估管道品質，優化渠道推廣策略
管道分析包括新增使用者、活躍用戶、啟動次數、單次使用時長和留存率等指標。
APP的推廣管道主要為安卓和iOS
安卓的管道：
- 第三方應用市場，如華為、oppon、小米、91助手等
- 廣告聯盟，如網盟、友盟等
- 廠商預裝，像華為、小米、vivo等
- 水貨刷機，如刷機精靈等
- 社會化推廣，如在社群做分享，在社區形成二次甚至多次傳播，也可以做推廣，但是部分的數據較難獲取
不同類型的推廣方式，可從不同的維度做數據的分析。
比如說像第三方應用市場，很多使用者都是通過這個管道來下載APP，所以這方面的數據更多的是看活躍和留存;像廣告聯盟這種，是通過積分牆來分析，更多的是使用者完成任務通過量級來做分析
iOS的管道主要是AppStore。
原則上我們所有的數據和啟動都是通過這個管道來獲取，但是在實際推廣的過程中，我們更多的是想分析用戶是通過什麼管道跳轉到AppStore上進行下載，啟動產品
具體的分析方法與安卓是類似的，主要是分析活躍和留存數據
以上提到的只是管道質量評估的初步維度，如果還需要進一步研究管道，尤其是研究到管道防作弊層面，指標還需要更多。 包括：判斷使用者使用行為是否正常的指標，如關鍵操作活躍量佔總活躍的佔比，用戶啟動APP的時間是否正常;判斷用戶設備是否真實，如機型、操作系統等集中度的分析
（四）功能分析
功能分析主要分析功能活躍情況、頁面訪問路徑以及轉化率
（1）功能活躍指標
主要關注某功能的活躍人數、新增用戶數、用戶構成、使用者留存
這些指標的定義與前文提到的「用戶規模與品質」的指標類似
不同的是，本部分只關注某一功能模組，而不是APP整體
（2）頁面訪問路徑分析
主要是統計使用者從打開應用到離開應用整個過程中每一步的頁面訪問和跳轉情況
目的是達成APP的商業目標，即引導使用者更高效的完成App的不同模組的任務，最終促進用戶付費
APP頁面訪問路徑分析，需要考慮APP使用者以下三方面問題：
- 身份：使用者可能是你的會員或者潛在會員，也有可能是你的同事或者競爭對手等
- 目標：不同使用者使用APP的目的有所不同
- 訪問路徑：即使身份類似、使用目的類似，但訪問路徑也很可能不同
因此，我們在做APP頁面訪問路徑分析的時候，需要對APP使用者做細分，然後再進行APP頁面訪問路徑分析
最常用的細分方法是按照APP的使用目的來進行用戶分類
如汽車APP的使用者便可以細分為關注型、意向型、購買型使用者，並對每類用戶進行不同訪問任務的路徑分析，比如意向型的使用者，他進行不同車型的比較都有哪些路徑，存在什麼問題
還有一種方法是利用演算法，基於使用者所有訪問路徑進行聚類分析，依據訪問路徑的相似性對用戶進行分類，再對每類用戶進行分析
（3）轉化率
轉化率是指進入下一頁面的人數（或頁面流覽量）與當前頁面的人數（或頁面流覽量）的比值
通常使用漏鬥模型來，它可以分析產品中關鍵路徑的轉化率，以確定產品流程的設計、使用者體驗問題。 比如使用者從進入某電商網站—流覽商品—把商品放入購物車—支付完成，每一個環節都有很多的使用者流失
通過分析轉化率，我們可以比較快定位使用者使用產品的不同路徑中，分析是否存在問題，並提出如何進行優化的改進意見，通常我們只需要對每天的轉化率進行連續性的監控即可
（五）用戶屬性和畫像分析
使用者屬性分析主要從使用者使用的設備終端、網路及運營商、地域和用戶畫像角度進行分析
- 設備終端分析的維度有機型分析、解析度分析和操作系統分析
- 網路及運營商分析的唯獨有有用戶聯網方式和電信運營商，地域主要從不同省市和國家來分析
- 用戶畫像分析包括人口統計學特徵分析、用戶個人興趣分析、使用者商業興趣分析
- 人口統計學特徵包括性別、年齡、學歷、收入、支出、職業、行為等
- 用戶個人興趣指個人生活興趣愛好的分析，如聽音樂、看電影、健身、養寵物等
- 用戶商業興趣指房產、汽車、金融等消費領域的興趣分析
（六）收入分析
盈利是產品的最終目的，所以總收入、付費用戶數、付費率、ARPU這四個指標經常用到。
總收入、付費用戶數反映的是收入和付費用戶的規模;付費率、ARPU代表的是使用者付費品質，反映的是使用者付費的廣度與深度。
主要關注轉化漏鬥最後環節的訂單數量和金額。