App 數據分析的常用指標有哪些？
知乎新人，不請自來。
本人是APP數據分析師，從業四年。1. 常規數據指標的監測，不在話下。如用戶量，新用戶量，UGC量（社交產品），銷量，付費量，推廣期間的各種數據等等。這些是最基礎也是最基本，同時也是boss們最關注的指標。你接手這項工作的時候第一任務就是把這些數據梳理好。
2. 渠道分析，或者說流量分析。對於一個在上升期得APP來說，你們會花資源去引流量、去別的渠道拉用戶。 這時候就需要監測各個渠道的好壞，哪個效果好，哪個單價便宜，這都是需要渠道數據監測來完成。當然，你還需要跟蹤監測不同渠道用戶的後續表現，給每個渠道的用戶進行打分，讓BOSS知道哪個渠道值得投，哪個渠道是垃圾。 同時也可以監測iPhone和Android用戶的質量區別，一般來說，iphone用戶質量要略高於android用戶。當然，有多餘精力的話還可以監測不同機型之間用戶的表現區別。 總之就是在不同的維度上監測不同用戶的表現。
3. 用戶的核心轉化率。想想你的APP的核心功能是什麼，然後去監測這個核心功能的轉化率。在遊戲APP里可能叫付費率，在電商APP里可能叫購買率。不同的行業都有相應的不同轉化率，你可以將自己的產品和行業平均進行對比，看看自己的產品在行業中所處的地位。同時，通過長期的監測，你還可以更具這項數據評判APP不同版本的好壞。
4. 用戶使用時長的監測。 一方面，這是一個監測用戶活躍度的非常好的指標。用戶使用時間長就意味這活躍度高，反之亦然。另一方面，想一想你的APP在設計的時候，當初預計一個正常的用戶每天會用多少時間，上線後用戶真正用的時間是否和你的預計相同？ 如果這裡面有很大的偏差，就說明用戶對APP的認知和你當時設想是有不同的。 這個時候你就需要想想如何來調整你的產品，去迎合用戶的認知。（這裡說一個題外話，個人認為在對產品做修改的時候一定是想辦法去迎合用戶，而不是想辦法改變用戶讓用戶去適應產品。這裡以微博作為例子，用戶一直把微博看做是一款傳媒產品，一款信息交流工具。而微博一直想把它打造成一個綜合社交平台，推出了微博會員，用戶推薦，各種私信評論規則等，後台事實證明這一切都沒有改變用戶對微博的認知，微博所作的一切都是無效的。所以當你苦惱於為什麼用戶沒有按照我的設想去用產品的時候，一定要想著我該怎樣變才能迎合用戶的需求，而不是去想我該怎樣變才能讓用戶認可產品的設計？）
5. 用戶流失情況。 一方面需要監測用戶的流失率，比如新用戶進來後，第一、三、七、三十天還在使用產品的有多少人。流失率的變化可以直觀的反應APP再朝好的方向發展還是不好的方向發展。行業中也有一些平均水平指標，你可以參考這些指標評判自己APP的好壞。另一方面需要找到用戶流失的地方，看看用戶在哪些地方流失了，然後有的放矢，進行相應的改動。如果有能力的話，建模將用戶流失的各種情況都刻畫出來，這樣在產品的後續改動中就更加遊刃有餘了。
6. 活躍用戶動態。密切關注APP活躍用戶的動態，傾聽他們的聲音。一旦發現異常立馬組織人員商討對策。活躍用戶（或者說核心用戶）是APP最寶貴的資源，關注他們的一舉一動，這個重要性不需要多說了吧.
7. 用戶特徵描述。這點和指標關係不大，有點建模的意思了。 將用戶的各個指標特徵進行描述，越詳細越好。如性別，年齡，地域，手機型號，網路型號，職業收入，興趣愛好等等。這些數據平時沒什麼用，但對於產品人員來說，有時候會給他們很大的靈感。如果可能的話，還可以分以下維度：如活躍用戶的特徵是什麼樣的，較沉默的用戶的特徵是怎樣的，流失用戶的特徵是怎樣的。
8. 用戶生命周期的監測。這個是專門針對那些社交、遊戲類的APP來說的。當你的APP上線一段時間後（6-12個月），你可以回頭看看一個正常的用戶，完整的體驗你的APP的流程是怎樣的，大概需要多少時間。根據這個數據再結合一些其它數據可以大致的估算下你的產品能夠到怎樣的規模，讓你的BOSS們知道這款產品最終能發展成什麼樣。 當然這個很難，產品的發展受到太多因素的影響，光靠你一個數據分析師來預測顯然是不那麼靠譜的。
歡迎討論～～App 的數據分析常用指標，上面已經列了很多了。我這裡講一下 App 最重要的指標 - 渠道追蹤與渠道數據分析。
我詳細從下面三個角度解答下：- 常見的 App 渠道追蹤方法；
- 基於用戶設備標記的解決方案；
- App 渠道數據分析的兩大思路（案例）。
Part 1 | 常見的 App 渠道追蹤方法
因為應用商店不提供渠道來源數據，所以 App 推廣效果監測一直是個老大難的問題。為了追蹤 App 渠道來源，人們想出了各種方法，下面我們給大家系統介紹一下。
1. Android 渠道追蹤方法
眾所周知 Google Play 無法在中國使用，所以國內 Android 市場被數十家應用商店（ 豌豆莢、百度助手、酷市場、360手機助手等等 ）佔領，Android 渠道追蹤主要圍繞上述渠道展開。
方法 1：每個渠道打渠道包
具體來說就是開發者為每一個渠道生成一個渠道安裝包，不同渠道包用不同的 Channel ID （渠道標識）來標識；當用戶下載了 App 之後，運營人員就可以通過渠道標識查看各個渠道的數據。
Android 渠道打包機制：
方法 2：使用平台方提供的數據
部分第三方推廣平台提供渠道數據，然而只依賴平台方的「一面之詞」是很難找到真正的優質渠道。
2. iOS 渠道追蹤方法
和 Android 的開放生態不一樣，iOS 則是一個完全封閉的系統；除了少部分越獄機器，絕大部分 App 都是從 App Store 中下載。在蘋果一家獨大以及嚴格的審核制度下，Android 打包的做法在這裡就完全行不通。
為了追蹤 iOS 渠道數據，開發者們想出了很多黑科技，下面我介紹一下常見的三種做法。方法 1：通過 IDFA 追蹤渠道
IDFA 的全稱是 Identifier for Advertisers ，即廣告標識符的含義，這是蘋果專門給各廣告提供商用來追蹤用戶而設的標識。
通過 IDFA 追蹤渠道：
方法 2：通過 Cookie 追蹤渠道
iOS 9 裡面引入了 SFSafariViewController 類，一方面是用戶體驗更好了，同時可跨 App 與 Safari 共享 Cookie。
通過 Cookie 追蹤渠道：
當用戶點擊廣告鏈接時，監控伺服器可以接收到 Cookie 中含有的渠道信息；用戶在 App Store 中下載激活 App，這個時候監控伺服器再次收到 Cookie 信息。系統匹配前後兩次 Cookie ，即可追蹤渠道。
缺點是基於SFSafariViewController 的追蹤必須在 iOS 9 及以上版本才有效，而且微信公眾號廣告、朋友圈廣告仍然無法實現追蹤。上述方法可以實現部分平台、部分渠道的追蹤監測，然而三大缺點也是顯而易見：
（1）割裂了 Android 和 iOS 兩個平台的渠道數據，難以整合分析；（2）Android 投放需要重複打包，效率低下；（3）iOS 渠道範圍限制多，無法大規模推廣。
Part 2 | 基於用戶設備標記的解決方案
下面我們介紹一種快速、靈活的解決方案 ––– 基於用戶設備標識的追蹤方法，它可以同時兼容 Android 和 iOS 兩個平台、適用於大部分投放渠道。
1. 基於用戶設備標記的追蹤原理
上面介紹的基於 IDFA 和 SFSafariViewController 的兩種方法均受到 iOS 的限制，而用戶的設備標記則不受系統的影響。在 GrowingIO【渠道來源】解決方案中，我們將「IP + UserAgent + 設備 ID」組合設置為用戶的設備標記。
通過用戶設備標記追蹤渠道：
系統匹配前後兩次的標記，可以確定用戶的渠道來源，同時 UTM 參數含有的詳細渠道信息一併呈現。
2. 用戶設備標記方法的特點
當然，基於用戶設備標記的方法也有一定不足。當小部分用戶所處的網路環境前後變化時（如從 WiFi 切換到 4G），此時 IP 前後不一致就會導致匹配失敗。
但是相比於前面的 4 種方法，基於用戶設備標記的渠道追蹤方法顯然更有優勢：第一點，打通了 iOS 和 Android 的渠道來源，可以將【操作系統】加入用戶屬性整合分析；第二點：避免了 Android 平台重複打渠道包的工作；第三點：規避了 iOS 原有諸多限制，適用於更加廣泛的推廣渠道；第四點：只需修改推廣鏈接中的參數、無需改動安裝包，適合大規模、多渠道、敏捷的推廣需求。
Part 3 | App 渠道數據分析兩大思路
有了 App 渠道追蹤數據後，我們可以將 UTM 的五個參數作為維度，從數量和質量兩個思路出發，進行 App 渠道數據分析。
1. 數量：找到獲客成本最低的渠道
根據業務需要，我們選取廣告來源（ utm_source ）和廣告關鍵詞 ( utm_term ) 兩個維度，計算出不同渠道的獲客數量並評估獲客成本。
從廣告來源上看，渠道 1 的平均獲客成本最低；從廣告關鍵詞上看，「外賣」主題的廣告平均獲客成本最低。從客單價的角度出發，接下來可以針對性優化投放渠道和投放內容，大幅度降低投放成本、提高拉新效率。
2. 質量：找到獲客價值最高的渠道
「App 新增激活用戶量」和「獲客成本」這兩個指標是從數量的角度進行分析，但是數量大、價格低並不一定代表渠道用戶質量高。我們還需綜合考慮用新用戶在接下來的表現，以及新用戶所能帶來的價值。
方法 1：用戶行為數據分析
在這個過程中，我們重點參考用戶留存指標，包括次日留存率、三日留存率、七日留存率、三十日留存率等等。
方法2：用戶價值分析
除了用戶行為指標，財務指標也非常具有參考性。按照廣告來源（utm_source）我們統計出不同渠道獲取到的新用戶的財務價值，如新用戶在第一個月的月付費率（MPR）和用戶平均收益（ARPU）。
移動互聯網的流量紅利逐漸褪去，數以百萬的 App 正在一個存量市場中搶佔用戶；誰能提高獲客效率，誰就有可能在激烈的競爭中獲勝。
搭建一個完整的 App 渠道追蹤體系，對每個渠道、每次投放的數量和質量進行精益化的分析，如此事半功倍的方法，難道你不想試一下嗎？本文作者：GrowingIO 增長團隊，集工程、產品、市場、分析多重角色於一身，負責拉新和用戶活躍，用數據驅動業務增長。
GrowingIO 推出「來源管理」新功能，Web、Android、iOS，一個鏈接搞定渠道監控。點此免費試用 GrowingIO - 矽谷無埋點用戶行為數據分析產品每天工作中的重要一項就是認真查閱和分析App的各項數據。一般來講，App數據分析可利用三大模塊的各種組合和拆分，完成對App表現的細緻監測和分析。
1、空間維度
包括不同渠道和不同版本（不同地點也是一個空間維度，但是對於大部分專註於國內市場的App來說，必要性不大）。
Android版本的不同渠道可以通過不同的下載包來區分，而iOS版本都是集中在App Store下載，所以一般較難區分iOS的推廣渠道。不過現在可以推廣一個中間頁面的跳轉服務（匹配IP和設備信息）來判斷App Store下載的iOS版本來自於哪個渠道的推廣。另外一個方式是利用iOS系統的 SFSafariViewController類共享的Cookie來做分鐘。不過這兩個仍然不是完美的解決方案，只能夠六七成解決問題。
2、時間維度
包括App下載激活的時間和觀測數據的時間。最常用的就是次日留存率、7日留存率以及30日留存率等等。
3、指標維度
參照黑客增長經常提到的AARRR模型（用戶獲取Acquisition / 用戶活躍Activation / 留存Retention / 傳播Referral / 收入Revenue），可以將各個指標進行分類。
用戶獲取Acquisition：
安裝量、激活量、安裝及激活成本（分析不同渠道的安裝及激活成本，指導推廣渠道的選擇、拓展和優化）
用戶活躍Activation：
日活用戶DAU、周活用戶WAU、月活用戶MAU、DAU/MAU（反映在月度期間內的活躍度）；
日使用時長、日啟動次數；
push召回用戶所佔比率（一定程度反映App的健康程度，更多是用戶主動啟動還是被動騷擾或誘導後的行動，參考最近ofo的自動啟動App鬧劇）；
穩定性（卸載率和崩潰率等，這些指標漏計的比例很高，會低估問題，因此只能看趨勢而不能太依賴於絕對值。）
留存Retention：
新增留存率、活躍留存率；
30日的留存率總和（=用戶在30天內的平均活躍天數）
傳播Referral：
NPS（凈推薦值，目前只能依賴用戶調研）、某些核心頁面的分享率（=分享UV／頁面總UV）
收入Revenue：
單用戶單日收入（前向收費模式來說，是用戶的付費率和消耗金額；後向廣告模式來說，是用戶觀看或者點擊廣告頁面而產生的收入）、LTV（Life Time Value，在一定周期內或者生命周期內，對業務所產生的價值，對於電商等能量化ROI的App特別適用）、ROI（比較App用戶產生價值和推廣成本之間的比例關係）
總結
基於以上的三大模塊，常見做法是：「空間+時間+指標」形成各種顆粒度的數據，然後展開比較和趨勢分析。比較可以使用環比、同比、橫比以及總比等等，趨勢分析甚至可考慮使用傅里葉變化等略複雜的演算法，拆分出季節性波動，及時發現變化。
…更多文章請到數據冰山 - 知乎專欄
…更多回答請看何明科
不知道樓樓關注的是哪個領域。我以電商行業的核心指標為例，這個行業一般會關注一下指標：
總體運營指標
活躍用戶數、新增用戶數 總訂單數量、訪問到下單轉化率 成交金額(GMV)、銷售金額、客單價 銷售毛利、毛利率
流量指標
新增用戶數、頁面訪問數
用戶獲取成本
跳出率、頁面訪問時長、人均頁面訪問數
註冊會員數、活躍會員數、活躍會員率、會員平均購買次數、會員回購率、會員留存率
銷售指標
加入購物車次數、加入購物車買家數、加入購物車商品數、購物車支付轉化率
下單筆數、下單金額、下單買家數、瀏覽下單轉化率
支付金額、支付買家數、支付商品數、瀏覽-支付買家轉化率、下單-支付買家轉化率
交易成功/失敗訂單數、交易成功/失敗金額、交易成功/失敗買家數、交易成功/失敗商 品數、退款訂單量、退款金額、退款率
客戶價值指標
累積購買客戶數、客單價
新客戶數量、新客戶獲取成本、新客戶客單價
消費頻率、最近一次購買時間、消費金額、重複購買率
市場營銷活動指標
新增訪問人數、新增註冊人數、總訪問次數 訂單數量、下單轉化率
ROI
關於App分析，其實分析師們所扮演的角色很像大廚，一個好的廚師不僅懂得如何選取食材（競品選擇），還要懂得如何做菜（分析），而你所選擇工具就好比是燒菜所需的器具，燒煮煎炸等等是做法（分析方法），最後，大餐出爐，只待享用。
一. 移動應用商店的簡介
如果生活在一線城市，你會發現自己的生活已經開始從電腦端全面向移動端遷移了，隨著這種遷移的進行，App Economy應運而生（App economy refers to the range of economic activity surrounding mobile applications. 圍繞著移動應用而展開的的經濟活動的範圍）不論是新型互聯網行業，還是傳統行業，紛紛進駐到移動領域開展業務，移動互聯已經成為整個世界發展的方向：
圖源：State of the App Economy
當今世界最寶貴的資源不再是石油，而是數據，因此，從某種意義上來講，傳統意義上的數據分析，也紛紛湧向了移動端，所以，移動應用分析白皮書的適用範圍，不僅限於移動互聯網行業，本文所涉及的某些概念是行業通用的。
既然App Economy是圍繞移動應用展開的，那麼將應用分發至各移動端的應用商店就顯得至關重要，比如iOS Store, 和Google Play作為分發平台中的佼佼者，其一舉一動都關乎整個行業格局的改變，榜單的存在催生了刷榜行業和ASO行業的發展:
App store刷榜報價
展示方式的改變催生了第三方視頻製作公司的出現，
用戶評論和用戶獲取催生了除用用商店外再次付費分發行業的產生等：
縱觀全球移動應用商店（渠道分析）無非以下幾類：
iOS Store、Google Play、Amazon、Windows Phone、Other Android
中國大陸除了iOS Store外，主流的Android平台有：
圖源：The Top Ten Android App Stores In China 2015 - TechNode
BAT三家旗下的應用商店佔據了整個Android市場份額的大半, 此外還有手機廠商和電信運營商的預裝應用商店等：
- 百度旗下應用商店：
百度手機助手http://shouji.baidu.com/安卓軟體91助手官網
- 阿里旗下應用商店：
豌豆莢淘寶手機助手PP助手
- 騰訊旗下應用商店：應用寶官網
- 360旗下應用商店：360手機助手
- 搜狗旗下應用商店：搜狗手機助手
- 金山旗下應用商店：金山手機助手
- 主流手機廠商應用商店：
三星：三星應用商店
小米：小米應用商店
華為：華為應用市場
OPPO：OPPO軟體商店
vivo：vivo應用商店
酷派：酷派應用商店
魅族：魅族應用商店
- 三大運營商應用商店：
http://mstore.wo.com.cn/聯通：沃商店
移動：MM應用市場
電信：天翼空間
- 其他應用商店：
安智木螞蟻優億市場應用匯
N多市場 等
二. 移動市場應用規模
背景介紹完了，接下來回到移動應用分析的主題上來：
選菜市場（市場規模：Market Size）
哪裡的菜品新鮮，哪裡的海鮮肥美，哪個市場的價格公道等等，都是大廚們需要考慮的問題，應用市場也一樣，了解市場規模(Market Size)的基本信息，對開發商、發行商、投資者以及應用市場從業者來講，都是不可或缺的甚至是至關重要的環節。
全球應用市場，應用下載量（Total Downloads）最高的是哪個國家？應用下載總收入（Total Revenue）最高的是哪個國家？哪個國家哪類應用的下載量近期增幅最大？哪個國家的用戶有比較好的付費習慣？在日本，除了遊戲和社交類應用，最吸金的是哪類應用？在印度，視頻直播，VR創業公司出海應該先發哪個平台iOS還是Google Play？等等
圖源：App Annie展示圖片
- Data Breakdown: 維度（按國家country，類別category，和設備device劃分）
- Data Range: 時間段
- Total Downloads：總下載（不包括重複下載）
- Downloads Trend：下載趨勢
- Downloads Change：下載變化
- Downloads Share：下載份額（某一特定國家的下載量佔全球下載量的百分比）
- Total Revenue： 總收入（不包括平台傭金）
- Revenue Trend：收入趨勢
- Revenue Change：收入變化
- Revenue Share：收入份額 （某一特定國家收入佔全球收入的百分比）
三. 移動應用分析實務
選取食材（chose）
既然市場選好了，那麼接下來就該選食材了，也就是研究對象，比如遊戲廠商想要研發新IP，投放新市場，就需要知道目標市場哪類題材受歡迎，然後就將某一題材的遊戲作為一個group進行數據分析，這些遊戲就是研究對象；共享單車ofo想知道競爭對手的運營數據，就需要將摩拜單車，小藍單車，優拜單車等競爭對手作為一個group進行數據分析，這些共享單車app的相關數據就是分析師（大廚）們的研究對象（食材）。
然而有時候，通過業內資訊挖空行業知識儲備後，除了你熟悉的那幾家，想要了解自己還不熟悉的App，除了關鍵詞搜索以外，App Store里還有一項功能常常被忽略：相關_顧客購買的還有:
但是這種相關性只是表面現象，實際上有些App的相關性並不是很高，所以更高級的篩選競品的方法是藉助平台工具，這裡涉及到一個術語：Cross-App Usage（跨應用使用情況），舉個例子， 您是從事遊戲行業的分析師，您研究的這款遊戲類App是《刺客信條》：你想知道的是，2017你1月，美國的應用市場，下載安裝了《刺客信條》的用戶，還安裝了哪些App? 這些App和《刺客信條》的相似度如何？跨應用使用情況如何？等等：
1. 相似度（Affinity):
這裡提到的相似度是一個比值，按下面的例子來說明：
【2017年1月，美國，iPhone用戶，所有類別】
安裝了《刺客信條》的用戶對《星球大戰》的使用率，和《星球大戰》在普通人群中的使用率的比值為8.0x，
也就是說：安裝了《刺客信條》的用戶對《星球大戰》的使用率為普通用戶的8倍。
Affinity對比出的結果是基於數據演算法得出的，因此，非常有參考價值。
2. 跨應用使用情況 (Cross-App Usage):
一段時間內，《刺客信條》的用戶，使用《星球大戰》的百分比，這裡假設為20%，進一步解釋，2017年1月，美國所有使用了《刺客信條》的iPhone用戶中，有20%的人同時也使用了《星球大戰》。
下面這張圖是一個比較完整的demo，更多內容，請參見App Annie：
開始烹飪（cooking）
食材都選好了，接下來該烹飪了，同樣當分析師們選好了所要研究的應用後，接下來需要做的就是進行數據對比了，對比的維度很多，比如下載量（downloads）和收入（revenue）等等：
- Downloads：下載，一般不包括重新下載
- Revenue：收入，一般不包括平台傭金
- Usage Penetration：使用行為滲透率，一段時間內使用該應用的用戶百分比
- DAU：daily active user 日活躍用戶數量
- WAU: weekly active user 周活躍用戶
- MAU: monthly active user 月活躍用戶
- Install Penetration：安裝滲透率,安裝此應用的設備百分比
- Install Base：裝機量
- Open Rate：打開率
- Avg Sessions / User／Day：平均會話／每用戶／每日，即每位日活躍用戶的平均會話數量, 一個會話（session）是指用戶打開並使用該應用，因此，後代數據傳輸等活動不能算作會話
- Avg Session Duration：平均會話時長，即每次會話平均時間
- Avg Time / User／Day：平均時長/用戶／每天，即該時間段內每位每日活躍用戶在該應用中花費的總時間的平均值
- Total Time：總時長，在應用中花費的總時間
- Avg Active Days：平均活躍天數，此段時間內所有用戶的平均使用天數
- % Active Days：%活躍天數，在該時間段內，應用被使用的平均天數百分比。該數值等同於每日平均活躍用戶數量除以該星期或該月份的活躍用戶數量。（DAU／WAU或DAU／MAU）
- Share of Category Time：此應用分類時間份額，即用戶在該應用中花費時間與同應用分類其他應用中話費時間的百分比
- Avg MB / User：用戶平均使用數據流量 (MB)，即每個用戶（每台設備）所使用的平均網路流量
- Avg MB / Session：平均每次會話使用數據流量 (MB)，即所有會話使用的平均數據流量，也即是總數據流量除以總會話次數
對於初創公司來講，如果是付費產品，那麼收入（Revenue）無疑會成為最重要的指標，但如果是免費產品，那麼活躍用戶數（Active User）就會顯得尤為重要，以上指標中的DAU和MAU使用率最廣，非專業人士也常常將其作為對某個產品認知的入口，例如Facebook官網就引用了這兩項非常重要的指標：
然而實際工作中，分析師們常常查看的數據指標有以下這些：
- Today Active Users：今日活躍用戶
The number of unique active users of your app today as of now. - Yesterday Active Users：昨日活躍用戶
The number of unique active users of your app yesterday. - Previous 7 Days Active Users：不包括今天在內的7日活躍用戶
The number of unique active users of your app in the last 7 days excluding today. - Previous Week Active Users：上周活躍用戶
The number of unique active users of your app previous week. - This Week Active Users：截至目前，本周活躍用戶
The number of unique active users of your app this week as of now. - Previous 30 Days Active Users：不包括今天在內的過去30天活躍用戶
The number of unique active users of your app in the last 30 days excluding today. - Previous Month Active Users：上月活躍用戶
The number of unique active users of your app previous month. - This Month Active Users：截至目前，本月活躍用戶
The number of unique active users of your app this month as of now.
儘管多數非專業人士對以上指標有所耳聞，但是對DAU/MAU RATIO的概念就未必明了了：
The Daily Active Users (DAU) to Monthly Active Users (MAU) Ratio measures the stickiness of your product - that is, how often people engage with your product.
也就是說，這個RATIO是用來計算用戶粘性（stickiness）的，這個值的取值最大為1，值得注意的是Unique這個概念，也就是去重：
DAU is the number of unique users who engage with your product in a one day window.
MAU is the number of unique users who engage with your product over a 30-day window (usually a rolling 30 days).
如下圖，給出如下表格，如何計算DAU, MAU 和 WAU
- 上月25號，星期一，三位用戶（Sam, Sarah, Kim）使用了該應用，當日的DAU即為3
- 本月10號，星期三，兩位用戶（Kim, Sarah去重）使用了該應用，當日的DAU即為2
- 上月最後一周（Week A），去重後的用戶有5位（Sam, Sarah, Kim, Nike和Adrian），那麼WAU即為5
實例：
例一：美國2017年2月14-20日 - 即時通訊類應用用戶粘度比較：
Viber, Telegram, WhatsApp, Signal, Messenger
結果顯示：Messenger的用戶粘度在該時間段內相對較高
例二：美國2017年2月14-20日 - 視頻通話類應用用戶粘度比較：
Bigo Live, Houseparty, ooVoo
結果顯示：ooVoo的用戶粘度在該時間段內相對較高
例三：Facebook Engagement 臉書用戶參與度分析
就職於矽谷知名風投機構Andreessen Horowitz合伙人Benedict Evans對臉書的用戶參與度分析如下：
FB MAU DAUs now 90% mobile.Even MAUs 50% mobile-only: DAU must be higher. Yet DAU/MAU ratio hasn"t changed much
這裡需要注意的是，MAU和DAU同樣適用於PC端頁面訪問量的統計，因此，圖表中未標明Mobile的地方，是指移動端和PC端的總量
具體解讀：
- Facebook的移動端日活躍用戶數量／總日活（Mobile DAU/DAU）在12月15日時，高達90%，也就是說，該天90%的日活是由移動端用戶貢獻的；Mobile MAU/MAU比值類似，也就是說，Facebook移動端登錄的用戶數遠高於與PC端
- Mobile DAU/Mobile MAU 在該段時間內也高達50%，移動端的日活一定很高，也就是說，Facebook的用戶，每月30天中，有15天會使用Facebook
- 但是總體上DAU/MAU並沒有多大幅度的變化
那麼還有哪些用來衡量用戶參與度（User Engagement ）的指標呢？這裡涉及到另外一個概念：User Engagement Actions，簡單地理解就是用戶行為，實際上User Engagement Actions對於不同類型的app來講是不同的：
- Team Collaboration APP: Add Task, Complete Task, Invite Team Members
- 工作協同應用：添加任務，完成任務，邀請成員
- A/B Test SaaS App: Create Test, Start Test, End Test, Share Results
- A/B測試應用：創建測試，啟動測試，結束測試，結果分享
- Online Billing APP: Create Invoice, Send Invoice, Receive Payment
- 聯網計費應用：創建賬單，發送賬單，收到貨款
因此，涉及到具體應用（App）的分析時，分析師們考慮的維度是不一樣的，但是User Engagement的共性在於，它與用戶留存（Retention）有關:
關於Retention的主流演算法有三種:
詳情參見：Mobile Marketing Automation, Engagement, CRM
假設本月1號，周一，10位用戶使用了你的App，其中3位用戶在次日，周二，再次使用了你的App，到了周三，只剩2位用戶依然在使用你的App：
那麼，你的次日留存率就是3/10=30%，而第3日留存率則為2/10=20%, 計算公式如下：
Classic Retention適合短期留存統計，比如市場部門某日上線了某活動（當日有效），需要計算此次活動的用戶粘性，那麼Classic Retention就是比較合適的選擇。
Range Retention適用於一段時間內的留存計算，其中，7日留存和30日留存較為常見：
假設你的app本周一至周五，每天新增10位用戶，8號周一，13號周六，一共有9位用戶（已排重）再次使用，那麼這周（8-14）的用戶留存率就是9/50=18%；15-21號這一周，只有3位用戶再次登陸，那麼該周的用戶留存就是3/50=6%。
需要注意的是，6號當天再次登陸的用戶數是6，但這6位用戶並非新增用戶，因此，不能算在分母內，以下是計算公式：
實際上，這些理論和計算方法並不用分析師們每次調用，許多數據服務提供商已經將原始數據採集並處理好了，分析師們需要做的就只是調參而已：
Range Retention的數據對運營和市場部門來講，顯得十分重要，但是對於更高的決策層來講，如此細化的數據並不夠直觀，因此，Rolling即return retention就比較適合呈與決策層。
接下來是第三種演算法：Rolling，也叫return retention：也就是新增用戶在某特定日期當天或者其後一天再次使用app的比例, 這種數據比較直觀，解讀起來也較方便。
舉例說明：
本月1號，10位新增用戶，7號周日，用戶A再次登陸，本月10號，周三，用戶B再次登陸，本月15，16日，用戶C連續登錄，此時，7日留存即為3/10=30%，因為7天後（包括第7天），A，B，C用戶都登陸了，同理，14日留存就是1/10=10%，因為只有C在14天（包括第14天）後再次登陸了。
計算公式如下：
-------------------------------
作者： @Allie
歡迎關注 @矽谷密探 掌握全球創新趨勢
謝（內部）邀！
各位知友大家好，我是Jackie，作為騰訊移動分析MTA開發組的主要成員，非常榮幸獲得內部邀請回答這個問題。因為我們研發的主要產品就是用來分析APP數據指標的，所以這個問題我想我可以跟大家分享一二，共同探討~
提問者希望知道常用的APP數據分析指標，我們先假設是為了了解一個APP運營的情況，那麼根據我們在產品策劃階段總結的情況來看，大約有90個指標。先來看其中一部分：
顯然這不太符合常見指標的提問要求，類似這樣的90個指標在日常的分析和獲取中也不太可能全部都同時用到（但我們認為更為精細化和專業化的APP運營確實需要從歸結出來的這些更為細小的指標中挖掘更有意義和針對性的信息）。因此我們可以再將這些指標歸類，就有了APP數據分析會常用到的指標類別：
如圖，我們可以將歸結出來的全部指標劃分為用戶分析、用戶行為、渠道推廣、自定義事件、設備分析、質量監控共6大類，如此一來，不同場景就可以運用不同的指標體系了，自此我們可以將提問具體化為：不同分析需求和場景中，APP數據分析的常用指標有哪些？這樣或許更有價值。
以下我們分析不同需求和場景及其常用的數據分析指標：
1、用戶分析：包含最基礎、最重要的指標，應屬於所有產品、運營小夥伴做工作彙報的必備素材。其中新增、活躍、留存、流失外加用戶畫像五大核心指標是所有老闆都關注的指標，也可以理解為常用分析指標了。
2、用戶行為：包含用戶在app中的瀏覽行為、瀏覽路徑、使用頻率和停留時長等。這個大類的重點用戶是運營同學。在做市場促銷、推廣、抽獎活動時，依賴頁面訪問深度和停留時間來評估活動對用戶的吸引力度，及時調整策略，高效吸引更多用戶。
3、渠道推廣：嚴格來講，版本/渠道分析不能分為一個大類，但是區分為大類會比較好說明和理解。版本/渠道分析類指標其實就是在上述用戶分析和用戶行為的基礎上添加渠道維度進行數據分析。版本/渠道分析維度自然也是運營團隊的重點指標，因為廣告投放，流量引流往往都很昂貴的資源，及時跟蹤渠道效果可以用好每一分每一毛的推廣預算，實現最高ROI。
4、自定義事件：非常重要的一類指標，APP團隊的每個角色都非常需要，運營利用自定義事件來做漏斗模型，從而評估用戶轉化情況；產品利用自定義事件來做ABTest，檢驗按鈕、功能邏輯設計是否合理；而對於猿類同學，這是一把好劍，可以私下自己多埋幾個自定義事件，抓住產品狗的把柄，好好炫耀一把當時拒絕重複修改需求的脾氣不是僅僅傲嬌，還是充滿著對公司產品滿滿的擔憂，然後當然就是順理成章約飯局解決一切恩仇。
5、設備分析：設備分析是用戶分析中用戶畫像的一個補充，也是開發團隊挑選測試設備、測試網路環境的依據，不同移動應用統計分析廠商也有不同的處理方法，在MTA的指標體系中更願意認為是一項獨立的內容，其中包括操作系統版本、解析度、網路環境、運營商、設備型號等等的指標。
6、質量監控：毫無疑問，這會是開發團隊的重點工具。正所謂「知BUG知Crash，方能百戰百勝」，程序猿把APP外發出去之後，就像孫悟空一撮汗毛變成的小猴s，具體哪個小混球使壞還真不好監控，用戶上報問題上來也是各種懵逼。質量監控體系會把所有異常捕捉並上報，還對錯誤堆棧進行還原，友好展示給開發人員，自然可以更好地管控app的質量，增加終端用戶的好感。
這是我們總結的一些app分析指標體系及其常用指標，根據不同需求和場景可以選擇對應指標來分析，不僅可以提高效率且更有針對性。
這些指標都涵蓋在我們的產品中，在此也小小地做個廣告：產品名字叫做「騰訊移動分析」（簡稱MTA。官網請戳?騰訊移動分析|免費移動應用APP統計| H5統計|渠道統計|用戶畫像），它是一款免費的移動應用統計分析工具，開發者可以通過嵌入統計SDK，實現對APP的全面監測。
通俗點講，MTA利用第一方數據、騰訊係數據、及其他第三方數據，來協助移動應用開發方分析APP指標、更好地運營產品。歡迎開發朋友們前來體驗，有任何問題都可以通過官網客服或郵件與我們溝通哦~（小廣告可以說打得很6了嘿嘿）。
另外，我們將分類和關鍵指標都集成到了產品的demo裡面，想知道更為詳細的分析指標和分類場景的朋友，也歡迎移步我們的移動應用統計分析demo查看~↓↓↓
移動統計-騰訊分析（demo根據實際分析需求不斷更新中~~）
最後，歡迎大家評論留言或是私信交流，代碼之餘爭取回復大家~ (?&>?&
之前學習APP運營數據分析的讀書筆記，重新整理了下，希望對你有幫助。
新增- 新增下載量
每天有多少新用戶下載了App。目前我們會把成熟的App推廣到各種應用商店、媒體、線下廣告等，所以每日新增下載量也可以用來判斷哪個渠道可以吸引到更多的用戶、推廣使用的素材是否具有吸引力。
- 新增安裝量
每天有多少新用戶下載了App後安裝成功了。很可能用戶只是漫不經心地瀏覽到了我們的產品點擊了下載，但一轉眼就忘了這事，這對免費的應用來說很正常。但也不排除是App對某些系統的兼容性沒有做到位，用戶安裝失敗，或者請求了哪些他不想要得授權讓他反感了。
- 新增激活量、激活率
每天有多少新用戶下載了App後安裝成功了以後，並打開了它。雖然大部分人都會覺得下載後使用是很順理成章的事情，但真實情況就是每個過程都會存在流失，激活率就是從下載到打開App的比例，例如Please Stay Clam的用戶中只有83%啟動了應用。
留存率
留存用戶是指在某段時間內的新增用戶，經過一段時間後依然繼續使用App的用戶，這部分用戶占當時新增用戶的比例即時留存率。統計留存用戶的時間粒度很細，通常我們會比較關注次日留存、7日留存、30日留存。- 次日留存率：快速判斷App質量
次日留存可以快速地幫助我們判斷App是否能夠在第一時間內吸引到用戶，一般來說，次日留存率達到40%就是個不錯的產品了。
- 7日留存率：判斷App用戶的忠誠度
在一周中，用戶一般已經經歷了一個完整的使用和體驗周期，如果他選擇留下來了，那麼可以判斷App的流程可以被接受，也解決了他的某點需求。
- 30日留存率
通常App的迭代周期為2-4周，所以通過月留存率我們可以來判斷，版本更新對用戶產生的影響，規劃的方向是否正確。
- 日活躍用戶數量DAU
每天有多少用戶使用了App。這是App運營最重要的數據之一，體現了產品的人氣。通常需要綜合一個時間段來研究產品的一些波動因素，比如每個月的節日，假期，學生開學等其他因素的影響情況，並且觀察版本迭代質量是否符合用戶預期，對於重大拐點和趨勢進行分析，並預測下一個周期的變化形式。
- 月活躍用戶數量MAU
每月有多少用戶使用了App。通常MAU會結合DAU一起使用，這兩個指標一般用來衡量服務的用戶粘性以及服務的衰退周期。MAU、
DAU分別從宏觀和微觀的角度對服務的用戶粘性做了權衡，也可以這麼說，MAU更像戰略層面的表徵，DAU更像戰術層面的表徵。通過這些宏觀和細微的趨勢變化，可以對營銷及推廣提供一些數據支持或者幫助。- DAU/MAU
用戶活躍度指數衡量用戶的黏性，留存率情況，這在社交遊戲中使用率非常高，可以認定為用戶活躍度指數，也就是用戶的活躍度如何，理論上可以接受的風險值是0.2，也就是說當值低於0.2時，意味著產品正在進入一個衰退的階段，只不過這個衰退的階段依據產品本身的壽命還有長短之分。
當比值接近1時，那麼用戶很活躍，流失率低，黏性強。流失- 用戶平均流失周期
平均一個用戶多久流失。判斷App是否真正解決了用戶痛點，App是否具備用戶粘性。比如一個社交App用戶平均一兩天就流失了，那麼這肯定很難成功。。
流失分析其實是一個系列的過程，不僅僅是找到流失的原因，還有其他的流失管理部分。
首先是流失特徵提取，流失的用戶有哪些特徵、平均多長時間流失、與哪些功能交互較多等等，然後根據前期的特徵提取進行分析，歸結下用戶流失的主要原因，然後根據流失原因採取挽留策略，做好流失的預防措施，挽留策略制定好了，還需要整個運營團隊，營銷團隊，程序，策劃的共同配合執行和實施，才能達到良好的效果，最後還需要有針對型的進行評估和分析，目的在於不斷的修正挽留策略，不斷適應我們用戶和產品的發展需求。
增長- 新增環比
- 活躍環比
- 留存環比
- 付費環比
目前很多產品都有增長停滯的問題。《精益創業》中提及了三種增長引擎：黏著式增長（獲取新用戶的速率大於用戶流失的速率）、病毒傳播式增長（提升病毒系統大於1）、付費式增長（用戶生命價值周期大於獲取用戶成本）。每次只關注其中一種增長引擎，因為同時控制三種時往往帶來混亂。
渠道- 渠道新增用戶
- 渠道活躍用戶
- 渠道次日留存率
- 渠道付費轉化率
通過不同渠道數據帶來的用戶量、用戶質量，我們可以給它們分別定級，然後去維持優秀的渠道，優化良好的渠道，對於一些質量差、可能存在虛假數據的渠道就可以考慮放棄。一個應用可能同時運營著幾十個渠道，在有限的資源條件下，做好量化分配很重要。
- 周用戶構成
對周活躍用戶數據進行的成分分解，根據用戶的活躍度和留存情況進行歸類。一般而言，增長期中的產品中會有大比例的新用戶，而產品相對成熟後，老用戶的比例就會逐漸提高上來。
- 版本分布
可以了解每個版本的升級用戶、最新版本的升級情況以及哪些版本的用戶最為活躍等。
- 應用商店好評率
可以了解用戶反饋，並且應用商店的評價也會影響產品在榜單中的位置。
轉化/數據漏斗- 核心行為流程：註冊、購買等
如上圖，展示了一個商品的購買路徑「瀏覽首頁 - 瀏覽商品 - 提交訂單 - 支付訂單 - 取消訂單」，通過觀察每一個步驟的轉化率，我們可以看到提交訂單後，還有一部分用戶未支付、或者支付後又取消了。針對後面兩個步驟我們可以採取一些運營策略，比如提醒折扣優惠、限時秒殺，讓用戶更快完成支付，支付完成後簡訊提醒，賣家已經正在發貨了，讓買家更快打消顧慮，進入準備收貨的狀態。
同期群分析- 基於同期群的核心數據/行為對比
同期群是一種用戶分群的方式，按用戶的新增時間將用戶分群，得到的每個群就叫同期群。同期群分析是指將用戶進行同期群劃分以後，分析和對比不同同期群組用戶的相同指標，這套分析方法就是同期群分析。
進行同期群分析最重要的原因是，同一項產品改進，對不同同期群中的用戶，產生的影響是不同的，分開衡量才更能反映真實的情況。
- 用戶獲取成本
平均多少錢能夠獲取到一個真實的新用戶。目前移動廣告水漲船高，有些以利益驅動的用戶也並非真正的用戶，所以仔細跟蹤用戶獲取成本是非常重要的，同時也要注意用戶回報彌補獲取成本的速度。嘗試不同的渠道並跟蹤用戶的行為，使用病毒性傳播作為降低獲取用戶成本的手段。
- 首次付費
如今有很多採用增值服務收費的應用，首次付費是對付費行為分析的重要環節之一，需要研究首次付費時間節點、首次購買傾向、首次付費額度等，並且開始了之後的付費變化過程，首先用戶是免費用戶，進入了應用，通過一系列指導使用，初期轉化成付費用戶，隨著產品不斷地更新新功能、運營活動，用戶可能間歇性付費、持續性付費，但當產品的單一消費結構已經不再滿足用戶的需求時，用戶可能就可以向沉默付費階段過渡，這時候對於有流失風險的用戶，我們應儘快採取相應的挽留策略，即迴流付費，但可能最終用戶還是流失了，流失付費的數據是後置的，我們已經無法再挽留他，但必須再仔細分析這群人為什麼會流失，流失的原因是什麼，不然必然會加劇流失速度。
- 付費滲透率
付費玩家占整個活躍玩家的比例。宏觀上來說，付費滲透率代表了在用戶的付費意願、消費觀念和目前消費能力。從微觀上來說，付費滲透率代表了一個人喜愛一個商品到了非買不可的地步，這件事發生的概率。但是付費滲透率受到APA（付費玩家數）和活躍玩家數的制約，也不能足夠說明產品的目前的盈利好壞，同時APA群體之間差異可能很大，還需要結合付費頻次，付費間隔方面考慮。
- 每個用戶的平均收入ARPU
一個時間段內運營商從每個用戶所得到的利潤。這個數據通常當作衡量用戶價值的重要指標，ARPU值高，則企業的目前利潤值較高，發展前景好，具有投資可行性。
- 用戶終生價值
用戶平均會在平台/產品上貢獻多少價值，如果小於用戶獲取成本那麼就是虧損的。如何最大化用戶營收，一個有效的方法就是根據用戶的不同忠誠度制定不同的定價方案，比如針對頻繁使用、忠誠的用戶可以通過廣告、精品內容收費，對於不常使用、低忠誠的用戶則更適合一次性付費方式，而對於不常使用、高忠誠的用戶則可以追加銷售、鼓勵他邀請其他人等。
- 病毒傳播性/K因子
平均一個用戶能夠再為我們的產品帶來多少個新用戶。病毒性可分為三種，其一，原生病毒性，根基於產品內部，作為產品的使用功能而存在，比如通訊類App，用戶為了和好友對話，他會邀請好友也來使用這個App。其二，人工病毒性，外力推動，往往根植於一套獎勵系統，比如網盤類產品，用戶邀請了好友使用，那麼雙方都可得到額外的存儲空間。其三，口碑病毒性，源於用戶的交談，可以監控社交平台或博客獲取與產品相關的內容，就可以知道用戶怎麼向他的好友形容我們的產品。
數據分析的幾種方法：- 同比：為了消除數據周期性波動的影響，將本周期內的數據與之前周期中相同時間點的數據進行比較。早期的應用是銷售業等受季節等影響較嚴重，為了消除趨勢分析中季節性的影響，引入了同比的概念，所以較多地就是當年的季度數據或者月數據與上一年度同期的比較，計算同比增長率。
- 環比：反應的是數據連續變化的趨勢，將本期的數據與上一周期的數據進行對比。最常見的是這個月的數據與上個月數據的比較，計算環比增長率，因為數據都是與之前最近一個周期的數據比較，所以是用於觀察數據持續變化的情況。
其實同比、環比沒有嚴格的適用範圍或者針對性的應用，一切需要分析在時間序列上的變化情況的數據或者指標都可以使用同比和環比。
在產品的數據分析中，我們要經常使用這兩個術語，而且使用維度從日、周、月、年全部覆蓋，但是需要注意的是產品中的同環比應用要考慮很多因素，需要考慮事故、更新、活動等很多情況，所以諸如環比，同比的使用時要把在考慮這些情況下適度的使用，且不能沒有緣由的比較完畢後，但是沒告訴看報告的人為什麼同環比下滑或者上浮這麼大。同環比能夠為產品整體運營的發展狀況提供有力的參考，但是必須建立在一定的基礎上和環境的考慮上。- 回歸分析：是確定兩種或兩種以上變數間相互依賴的定量關係的一種統計分析方法。運用十分廣泛，回歸分析按照涉及的變數的多少，分為一元回歸和多元回歸分析；在線性回歸中，按照因變數的多少，可分為簡單回歸分析和多重回歸分析；按照自變數和因變數之間的關係類型，可分為線性回歸分析和非線性回歸分析。如果在回歸分析中，只包括一個自變數和一個因變數，且二者的關係可用一條直線近似表示，這種回歸分析稱為一元線性回歸分析。如果回歸分析中包括兩個或兩個以上的自變數，且自變數之間存在線性相關，則稱為多元線性回歸分析。
- 相關分析：研究現象之間是否存在某種依存關係，並對具體有依存關係的現象探討其相關方向以及相關程度，是研究隨機變數之間的相關關係的一種統計方法。
相關分析研究的是現象之間是否相關、相關的方向和密切程度，一般不區別自變數或因變數。而回歸分析則要分析現象之間相關的具體形式，確定其因果關係，並用數學模型來表現其具體關係。比如說，從相關分析中我們可以得知「質量」和「用戶滿意度」變數密切相關，但是這兩個變數之間到底是哪個變數受哪個變數的影響，影響程度如何，則需要通過回歸分析方法來確定。
- 聚類分析：一組將研究對象分為相對同質的群組的統計分析技術，在分類的過程中，不必事先給出一個分類的標準，聚類分析能夠從樣本數據出發，自動進行分類。聚類分析所使用方法的不同，常常會得到不同的結論。
數據能真實的反映一款APP的運營狀況，幫助開發者進一步了解產品、了解用戶。但問題是，面對如此多的數據報表，該關注哪些指標?怎樣去分析數據才能解決問題?如何獲取這些有價值的數據?關鍵性的數據指標可分四類：用戶獲取、用戶質量、內容使用、關鍵行為轉化。
首先，數據和指標是不同的，數據只是一個數字，而指標是設計的結果，是以目標為導向的。雖然數據已成為企業的一種「新貨幣」，在擁有更多數據貨幣的同時，企業一定更希望將其應用於業務增長，迅速獲取數據的價值，同時在挖掘數據價值的過程中，讓這些價值變成可執行的策略。
這裡強調了「可付諸於行動」這個概念，因為，指標最終是為了指導實踐的，如果一個每天都關注的指標，卻不知道該如何根據它來採取行動，那這個指標就沒有發揮出數據應有的價值。因此，在制定指標時需要有一個明確的目標。
基於2A3R模型，將用戶生命周期分為獲取、激活、留存、營收和傳播。將該模型與用戶生命周期歷程各階段做對應，獲取和激活這兩個階段，在歷程圖中有一個非常清晰的對應關係，而後續的留存、營收和傳播往往是交織在一起的。但是交織也不意味著一團亂麻，其中還是有一個清晰的邏輯線，當逐一對應起來後，基於業務特點來梳理具體指標。
1、獲取
這一環節將定義基本的衡量指標，比如：新增用戶數和活躍用戶數，高質量新增用戶數（點我回顧）之前講過，變化的就是衡量高質量的條件了。以金融理財為例，以「是否查看理財項目」來定義用戶是否屬於高質量。
基於「可付諸於行動」這個價值，重點解釋下「高質新增用戶中一次性用戶佔比」這個指標：
一個指標的定義，要讓使用者明確的知道該如何採取行動，予以改進。想像一下，如果定義一個指標叫「一次性用戶數」，如果這個指標上升了，那意味著很多種可能的情況，可能是流量（都是假量），可能是進入產品後出了什麼問題，還有可能是根本沒有什麼問題，只是做活動後新增用戶猛增，所以「一次性用戶數」這個絕對數量也有上升而已。
「高質新增用戶中一次性用戶佔比」這個指標就非常明確，如果這個指標出現了問題，肯定不是假量或者絕對數量的問題，必然是用戶進入產品後出現了問題，此時立刻找到產品部門深入分析就對了。
這就是所謂的，「可付諸於行動」的數據指標——清晰且高效。
另一方面，針對獲取階段的分析和指標會有一些常見的監控維度，比如渠道、產品版本、來源、地域、關鍵詞等等，這些信息可根據業務特點去做更細維度的拆分，重要流程可單獨定義指標進行查看。
比如：產品大改版，那麼需要在新版本上線前拆分和定義清晰指標，在改版後快速評估，關注狀態，隨時迭代優化。
比如：產品受眾主要是二三線城市的用戶，那可能關鍵的城市要梳理出來，進行一個清晰的定義。同時，一旦指標出現波動，從這幾個監控維度去判斷問題，基本能覆蓋90%，快速定位原因。比如：懷疑假量，先看地域，再看 ip 基本能看出個大概，更深入的可以查看屏幕解析度等，假量操作基本就能完成判斷了。
2、激活
同樣是基於關鍵的用戶行為即可定義指標，比如：註冊綁卡等，基本的數量是最基礎的指標，基本的新增、活躍，都根據訪問這一潛在行為進行判斷。
「註冊用戶註冊當日綁卡轉化率」
這一指標的可付諸於行動的價值，就不僅僅體現在定位波動原因了，而是體現在指標即目標，這個指標本身就提出了業務目標，即用戶註冊後，目標就是在註冊當天讓用戶能夠進行綁卡，不斷提升這個指標的轉化率，必然能夠提升整個產品的價值。
「新增到首投平均時間趨勢」
這一指標，從整體上衡量產品和項目吸引用戶的能力
如果在激活階段的這些指標，如果出現波動，即可將分析的關注點集中在右邊「影響分析」的幾個維度。
「用戶引導路徑」
在產品迭代過程中，往往會忽略一些已經解決的問題，或者不存在的問題。當新版本上線後，原來被解決的問題，突然又暴露出來，「用戶引導路徑」就是常常被忽略的一個點；類似的另一個點就是安全信賴感傳達的設計和內容，如果調整不當，很容易帶來波動。
3、留存 營收 傳播
留存、營收和傳播階段，交織在一起的這部分很難完全拆分乾淨，也沒必要完全拆分乾淨，這三個階段往往都是互相關聯的。這階段能體現可付諸於行動的指標，比如「追加資產復投佔總復投次數的比例」這個指標，一樣能夠評估出復投用戶中追加資產投資和獲利繼續投資的差異。
該階段影響指標的因素主要是產品的核心價值，比如投資回報率的設計，投資周期的設計，投資計劃的設計等。同時，之前所有的藍色這一欄的內容都會影響數據，影響用戶決策的因素。
總之，好的指標是能夠讓人明確目標，付諸於行動的指標，往往是一個比率。比率能夠很好的衡量數據與數據之間的關係，反映真實健康的狀態；同時，如果能夠與業務結合緊密且設計得當，那這個指標就能變成促進各部門工作且時刻讓每個崗位明確目標的指標。
其次，好的指標，互相之間是有所關聯的，一旦某個指標出現問題，必然會指向其他幾個指標，互相關聯就能快速定位問題。
打個比方，如果新增到首投平均時間趨勢下降了或者變快了，那麼有可能是註冊綁卡充值投資環節留存的某個階段首日轉化率提升了，也有可能是羊毛黨佔比變大了，由於羊毛黨的目標明確，並沒有決策期，所有投資往往會更快。
如此定位，基本上都能夠快速找到數據波動的原因，找到能夠有所提升的關鍵點。其實，定義指標其實並不難，只要掌握了方法，且一定要圍繞用戶、圍繞業務本身來思考數據衡量，圍繞目標和方向來定義指標。
在「數據驅動型」經濟時代，搶奪數據已成為決定下一步行動決策的關鍵，對企業而言，迅速獲取數據價值，將這些價值變成可執行的策略，將數據與行業場景進行高度結合才是最根本的需求
本文以互金行業為例，給出了關於指標梳理的核心通用思路，如果您還有什麼疑問，歡迎隨時聯繫諸葛君（zhugeio2016）
關於我們：
諸葛io是國內領先的數據數據智能決策平台 www.zhugeio.com
目前我們正在為互金/教育/新零售/保險/汽車等行業提供大數據整體解決方案並提供諮詢服務。服務客戶有：光明隨心訂、食行生鮮；人人貸、陽光保險、眾安保險、平安；寶馬、奧迪、大眾、NEVS；餓了么；東易日盛等。
我補充一點：每次發布新版本後，對主要安卓渠道進行數據監控舉個案例吧！見下
分析目的：8月19日4.3.4版XXX APP上線，安卓渠道的每日新增用戶總量並未提高，但沉默用戶比例有所增加。需要分析原因，尋找對策，也為下次新版上線做好準備。
下圖為新版上線前後，各安卓渠道每日新增用戶數量變化:
接下來對主要渠道進行具體分析：
（1）對近期360手機助手渠道進行分析：
上圖為360手機助手的每日新增用戶數、留存率變化。
8月31日之後，360手機助手每日新增用戶數急速下降，導致留存率下跌。需要諮詢負責渠道的同事相關的渠道投放行為，再做分析。
（2）對近期百度手機助手渠道進行分析：
上圖為百度手機助手的每日新增用戶數、留存率變化。
因為新版XXX APP在百度手機助手較先更新，而小米應用商城等部分安卓渠道，新版更新不及時。導致用戶下載新版的渠道較集中，所以百度手機助手的每日新增用戶數提高明顯。近期百度手機助手的新增留存率較穩定。
（3）對近期豌豆莢渠道進行分析：
上圖為豌豆莢的每日新增用戶數、留存率變化。
因為新版XXX APP在豌豆莢、百度手機助手較先更新，而其他部分安卓渠道，新版更新不及時。導致用戶下載新版的渠道較集中，所以豌豆莢的每日新增用戶數提高明顯。近期豌豆莢的新增留存率也有明顯提高，說明新增用戶的質量較好。
（4）對騰訊應用寶渠道進行數據分析：
上圖為騰訊應用寶的每日新增用戶數、留存率變化。
因為新版首發在百度手機助手、豌豆莢。而騰訊應用寶、小米應用商城等安卓渠道，新版XXX APP更新不及時。習慣從這些渠道下載的用戶，下載不到新版，導致這些渠道每日新增用戶數急速降低。新版上線那幾天，
近期騰訊應用寶的新增用戶留存率較好，說明新增用戶的質量較好，我們需要重視這個渠道。
總結：需要負責渠道的同事提前準備，同一時間更新各大應用市場，減少用戶下載新版XXX APP的難度（用戶習慣從固定商城下載XXX APP，要考慮到咱們用戶會高頻率卸載、安裝）。
推薦個數據分析網站大數據導航-大數據工具導航-199IT大數據導航-199IT大數據工具導航-Hao.199it.com
目前有很多工具是可以使用的，在APP數據監測方面：
1）定向APP維度數據：個性定製，漏斗環節分析：：growing io 諸葛IO
2）提供流量數據統計：谷歌統計 百度統計
3）競品分析網站：
艾瑞指數：
應用商店數據統計：各類ASO網站，如aso100，應用雷達
行業移動廣告投統計：如app growing App Growing - 專業的移動營銷數據分析平台(收錄不同移動廣告平台（如今日頭條百度等）廣告投放案例。
看數據是產品經理的一項日常工作，簡單的數據分析也是檢驗一個產品經理是否合格的必備技能之一。為什麼這麼說，產品經理在公司內部起到的是承上啟下的轉換器作用，一方面要充分的理解公司的產品方向、市場運營、商業邏輯拆解下來的關鍵指標和相關衍生指標，這樣才能知道要做什麼，怎麼去做，做錯的幾率少。另一方面要儘可能的佔據信息制高點才能避免淪為被動的需求執行者，說服老闆、調動其他部門同事聽你的，走上真正的CXO學前班。
知道要看數據之後面臨的是不知道看什麼數據，沒有想看的數據
看什麼數據
從一個產品的正向迭代過程和模仿用戶從知道到最後忠粉／黑粉的過程還原了一份粗略的8個維度一級數據指標圖，根據當前下階段產品所處階段、目標進行圈選出要看的數據指標，和制定下一個階段的的目標數據指標所在。
這也可以作為公司較長周期的戰略目標進行規劃，然後進行二級數據指標的拆分，例如：流量的來源，主要停留的頁面，訪問時長，訪問頻次等等。這樣作為產品經理就可以有理有據的進行產品迭代的規劃，獲取老闆，協同部門同事的信任
沒有想看的數據
一般分為兩種情況：根本沒有統計；需要挖掘分析。
出現這種情況的原因無外乎技術實現數據採集成本過高，產品的人不懂技術，技術的人不熟悉產品童鞋的具體需求，每加一種採集代碼可能都要跟技術磕半天，最後的結果往往就是反覆的溝通成本極高，到產品上線了代碼依然沒有部署好，或者部署好了發現採集錯了。
後者的情況容易人工去彌補，舉個例子電商類產品中的某類商品的訂單轉化率，就可以用商品類目的流量/訂單數這樣簡單算出來。最最痛苦的是前者你想人工去算都沒辦法算。
這裡要安利一下Growing IO，無需埋點的數據採集，隨時根據所需在可視化操作的界面進行圈點統計採集。簡單的說就是它把傳統的代碼數據埋點採集後置到可視化界面人工操作（類似將90年的電腦代碼操作界面進行可視化）
而在此之前接觸到的數據採集方式只有兩種：
1.公司內部技術自己代碼部署，不依賴任何第三方
2.採用代碼埋點部署的第三方
Growing IO無需埋點採集的原理：在網站內接入他們的SDK後將會全站進行數據採集，需要看某個業務線，關鍵指標數據的轉化可以後台提供的可視化操作界面進行人工事件圈點（相當於以前的數據埋點），然後組合為漏斗，最後就能得到自己想要看的數據結果
在使用Growing IO的人工事件圈點數據採集之前做的是主要產品結構流程的梳理：
1.將同一類型的進行標註圈選
2.將同一種事件的進行標註圈選
3.標註要區分的用戶三種身份狀態
同類型頁面標註圈選的意義在於數據採集的時候，Growing IO支持同目錄下屬頁面採用打＊號的方式進行統一歸類採集，例如：詳細頁A可能有上千個，但在數據採集的時候只需要定義一次統一採集就好
這樣就能夠清晰的將用戶在產品內的使用流程拆分為一個四步的漏斗：首頁&>欄目頁&>詳細頁&>購買&>使用
同時細節的同屬性共用頁面，需要關注的用戶關鍵行為：直接支付／二次支付；直接使用／二次使用進行單獨標註
使用Growing IO的圈點（埋點），將每個頁面／節點定義為數據採集的觸發事件，得出某個業務線的數據漏斗。這裡需要注意的是，同類型的多個頁面需要合併採集，單個頁面多種狀態帶參數的頁面需要將參數刪除後定義採集，非頁面採集使用圈點某個區域／控制項進行採集
最後再根據自己想要看到的數據指標類型組合產品結構流程種的維度得出二級組合數據指標，輔助去進行數據漏斗的建立
而二級組合數據指標也可進行在此組合，例如：欄目A中二次才去支付的訂單（2i），由此數據模型也可以得出用戶的支付行為習慣是立刻還是延時支付，如果都是延時那麼對應的二次延時支付的入口功能就需要在下一個產品迭代中進行加強優化
消息推送（push）是APP運最優質的渠道，是一種快捷、精準、有效的消息提醒。Push的主要功能是用來激活用戶，提升用戶活躍。有調查指出，有消息推送的APP在留存率上是沒有消息推送的APP的兩倍多，而對於電商APP，一次push甚至可以帶來明顯的業績增長。
但push是一個典型的雙刃劍，如果使用的好可以幫你提升留存率，如果使用不當，直接會影響當天用戶迴流、關閉推送、甚至卸載APP。這是因為大多數運營都沒有正確意識到推送的負作用，也沒有建立起一套評估Push質量的方法。
上圖是push的發送全流程，從發送push、到達用戶、用戶點擊、用戶消費到可能的粉轉黑，每一層級的轉化分別對應了送達率、點擊率、轉化率和退訂率（卸載率），而退訂率（卸載率）可能是運營同學最容易忽視的數據。
我將就push分析數據分享我的工作經驗。
上表是分析push數據的表頭，幾乎push分析所需的所有數據均可從本張表中查到，接下來我就簡單解釋一下各個數據：
數據這麼多，我們怎麼分析呢？那我就從以下幾個核心指標，講解一下此表如何使用：
一、達到率
到達率=到達量/發送量，我會用以下表格來監控到達率：
到達率低的原因主要是以下兩種：
- 技術通道的原因，導致到達率偏低，這個數據主要考驗技術層面了，因為在通道上就發生了信號損失。
- 用戶主動關閉了消息推送。別怕，這個不一定全部是你的原因，因為在第一次打開APP時，彈窗提示是否允許APP為你推送消息，這個時候的通過率可能不到50%；後續如果push運營得不好，導致用戶禁止你的推送消息，那麼你可能就再也沒有機會去為用戶發送推送通知了。
首先，你要審視自己是不是有太多騷擾用戶的行為；其次別太灰心，只要你用心運營，在用戶後續的使用過程中，你任然有希望得到用戶的推送許可權。
這個時候你一定要給用戶一個清晰的理由，在產品上通過滿足用戶需求的核心功能實現，比如外賣訂單狀態通知、排號進度通知、票務信息提醒、投資收益提醒等。以下是個例子，當已關閉push提醒的用戶訂閱謀篇文章時，就會出現這樣的提示去打開push消息。
二、點擊率
點擊率=點擊UV/到達UV
點擊率高不高，在我看來就一句話：要根據用戶的使用場景給用戶進行消息push。
拆解下來就是，首先要了解你的用戶，其次需要選擇合適的時間，最後推送合適的內容。
如果想要優化點擊率，你需要控制變數，進行大量的A/Btest和小流量測試。
1、文案
push最重要的因素應該算是文案，具體方案有很多運營大神都有講解，我這裡不再贅述，大家可以在網上搜搜PUSH運營幹活，基本上都是跟文案相關的。
2、時間
我們說下push時機，不同app用戶群不同，push時機也會不一樣，但總體而言，push的時間應在人相對閑暇的時候。例如對於上班族：上班路上及早餐時間（9-10點）、午休（12-14點）、下班路上（6-7點）、睡前（21-22點）四個時機發送較佳，所以你要非常明確的了解你的用戶群。
我的測試方案如下：保持你的push類型、策略、文案等所有因素不變，選擇從早上9點-晚上23點，每個小時給相同屬性的用戶，進行小流量測試：
因為我廠APP是關於美食的，曾經測試過的效果，是在晚上19點到22點的晚飯後推送消息，點擊率最低，而且帶來了大量的退訂。
你可以結合自身APP的數據，選擇點擊率較高，退訂率較低的時間段進行push。
點擊率的高低跟退訂率是分不開的，更多維度我會在退訂率的講解段落跟大家詳細講解。
三、轉化率
轉化率=轉化量/點擊量
Push消息一定要鏈接到相關頁面，用戶對你push內容產生了興趣才點擊進入，結果給他看的和消息內容不相關，用戶失望一言不合就卸載，畢竟卸載的步驟比關閉推送的步驟簡單很多。如果退訂量/點擊量高於你往常push的數據，那就趕緊檢查你的落地頁吧。
監測用戶的轉化率，需要對push落地頁進行全面埋點，如果是一個營銷類的活動push，用戶進來了之後，用戶直接退出了APP還是說在營銷頁面做了停留，然後轉化成購買行為等等，整條鏈條數據監測好，看看哪個環節流失率最高，採取一定的產品策略和運營策略進行優化。
例如：一個頁面停留時常超過30S的用戶佔比達到90%，但進入下一個層級頁面的用戶僅有20%，那需要重點檢查一下這個頁面的內容，交易類平台放視頻，而且視頻後沒有明顯的點擊提醒，就會導致跳出率升高。
四、退訂率（卸載率）
退訂率=退訂量/到達量
很多運營同學都在極力優化文案，看著點擊率提升就沾沾自喜，不過99%的運營都錯誤地評價了Push的效果。
每條push都有對應的退訂率，push在拉高日活的同時，也在拉高退訂和卸載！監測數據你可以發現，營銷類的push發完了之後，退訂數馬上上漲到一個峰值。我也經歷過每日的退訂量均大於每日開啟許可權的人數，為了降低退訂量我做了以下的分析。
1、push時間
跟在點擊率中講解的一樣，保持你的push類型、策略、文案等所有因素不變，選擇從早上9點-晚上23點，每個小時給相同屬性的用戶，進行小流量測試：
時間其實就是用戶場景，文案要結合場景，切勿在大半夜發推送，有起床氣的用戶會直接刪掉你的APP。
2、push頻次
我用控制變數的方法進行了以下測試，頻次由1天1次、2天1次一直到31天1次：
退訂率呈直線下降，1天1次的push帶來的退訂率最高，31天push1次的退訂率最低，所以控制一下頻次，你一天發四五條，用戶不卸載才怪。
3、用戶訪問頻次
我用控制變數的方法進行了以下測試，用戶的訪問平均間隔天數由1天、2天一直到31天，間隔天數越短，用戶越活躍：
退訂率呈直線上升，活躍度較高的用戶push退訂率會比較低，而沉默用戶可能因為你的一條push，發現原來我還沒刪這個APP……
4、用戶年齡
根據自己的用戶分幾個年齡段：
經實測，20-25歲的用戶對push的退訂率最高，隨年齡的增長，退訂率隨之降低。
5、拆分機型
實測對機型進行了拆分，iPhone7的用戶退訂率最高：
退訂率與點擊率的分析是相輔相成的，各個維度同時考慮。判斷不同用戶群對的push敏感度，對不同敏感度的用戶進行分級運營，減少push營銷活動對push厭惡用戶的打擾，提高營銷效果，提升用戶體驗，從而建立一套更適合用戶的push策略。
判斷push的好壞，不僅僅是文案內容，系統的數據統計和分析對於push運營的提升更為重要。我對push的評估主要依靠到達率、點擊率、轉化率、退訂率這幾個數據，對比這幾個數據一定要有錨點。第一是不方便透露，第二是每個APP的情況不一樣，錨點的具體數值也需要運營同學大量push之後總結得到，初期你可以按照達到率、點擊率、轉化率的最高值、退訂率的最低值為錨點不斷提升的push能力。
歡迎運營老司機加好友，來交流拍磚！
作者：周健衡（微信/QQ28178515），美團產品運營，5年互聯網產品運營經驗，曾主R多起重量級的全國大促活動，搭建大促運營的項目管理體系。
鋼
APP指標可以從這些指標去分析。
直接去Cobub Razor官網看demo展示
試著回答題主的問題：數據分析的常用指標
首先，目標決定指標，作為企業資產，數據一方面要貼合業務，一方面要洞察用戶，故圍繞增長目標大致可分為五個階段：拉新，促活，留存，交易，傳播，每一個運營策略都需要衡量用戶處於哪個階段：新增？還是活躍？老用戶？新用戶？還是要流失的用戶？用戶的資產規模怎樣？是追加投資？還是已經「滿倉」，如果是這類用戶可能要往傳播角度再去引導。此外，用戶的風險承受能力？是否有學習意願？這都是運營需要考慮的。就用戶的關鍵行為，在不同時機有不同的運營策略，運營效果到底好不好，需要查看完整的用戶行為數據，給用戶最完整的體驗。
其次，構建業務監控的指標體系，以互金產品為例：
理財產品周期大致包括：投放、曝光、流量、著陸、註冊、綁卡，投資。理財產品的用戶也有一個生命周期：新手期、激活期、成長成熟、流失。將業務狀態與用戶流失等關鍵點提煉出來後理清思路，如此梳理出整個企業的業務指標，讓不同部門對目標都有一個非常清楚的認知。
這裡，將理財產品的用戶分成新手期客戶，激活期客戶（理財產品激活期比較長，通常需要經歷註冊，實名認證，充值，綁卡，再投資，其間需要設置幾次密碼，另外，因為涉及到金錢，勢必會存在用戶對產品信任感的建立過程，所以，激活用戶很不容易）。成長成熟時期，流失時期，在各個時期都需要設定一個指標體系。
要知道，指標並不容易確定。對於新手期，通過新增用戶數、活躍用戶數，可衡量新增占活躍比，這種比例可能會更直觀些。在成長階段，通過註冊用戶、新手期用戶和老用戶復投的比例，將關鍵行為拆開，可能帶來更深入的洞察，所以設計指標也是有一套方法的。
指標設計完成，最終是要付諸工作應用的，一旦指標出現問題，可指導相關崗位角色再去查看關聯指標，即出現問題後找到原因。
比如：
1、新增用戶數據出現波動了，便可從渠道、版本、關鍵詞等節點查找原因。2、激活期，如果首投轉化率不夠高，除了查看渠道、版本、關鍵詞等節點，可能還需要更多的傳遞「安全感」。之前諸葛io的客戶就發生過類似的問題，後來發現：改版時產品經理的疏忽，將一些新手引導的信息去掉了，因為他以為用戶都懂，但實際上，每個新用戶都是一個陌生人，產品經理的某些微小刪改都容易引發問題。3、如果老用戶的數據有波動，還是建議從運營方面查看效果數據會比較好。總之，從這幾個維度去查找原因即可。
梳理好業務指標後，如何將企業的各個團隊（部門）關聯在一起呢？將團隊與用戶生命周期對應起來，包括運營活動，營銷推廣、理財項目、產品設計各自對應到不同階段的用戶，比如：營銷推廣主要的目標是不斷尋找精準用戶，運營活動的目標是不斷實現用戶的投資轉化，包括後期周期性投資。對產品來說，更關注事件收集、整體應用性以及產品粘性等方面。如此（見上圖）指標以及目標明確的方向與整個團隊的目標便綁定在一起了。
1、用戶數
獲取用戶是推廣的第一步。這個階段你需要做的是①讓App在十幾秒內抓住你的用戶②通過應用市場下載③通過廣告渠道④找到適合自己的推廣渠道。2.活躍度
因為獲得的用戶數中有一部分以廣告、預裝的的形式進來的用戶，並非意向用戶，這時候就要通過體驗良好的新手教程、有噱頭的設計、向熱門的東西靠攏來吸引這些「偶然誤闖」的用戶 ，並及時記錄用戶轉化率、新手引導過程流失情況，而活躍度應該記錄好周活躍、15天活躍、月活躍度。3.留存率
有活躍度後你要考慮你的用戶粘性，以保住老客戶優先。 1）先統計，日留存率、周留存率、月留存率 2）區分App類型，比如遊戲的首月留存率比社交高，工具的首月留存率又比遊戲高 3）然後在這些用戶流失之前想辦法提高他們的積極性。4.盈利
目前國內開發者被證實可行的盈利方式包括應用內付費和依靠合作者的運營支付和廣告平台這兩種，做好了這些，平均轉化成本和回報率提高了，盈利就實現了。5.後續傳播指數
後續傳播的一個典型媒介就是社交網路，如果產品自身足夠好，有很好的口碑。從自傳播到再次獲取新用戶，應用運營會形成了一個螺旋式上升的軌道。而那些優秀的應用就很好地利用了這個軌道，不斷擴大自 己的用戶群體。如果只看推廣，不重視運營中的其它幾個層次，任由用戶自生自滅，那麼應用的前景必定是暗淡的，所以不同階段應該關心好每個階段的數據。
添加微信公眾號（cn99click），獲取免費試用產品及精華乾貨文章。
請問一下常用的指標數據需要人工計算嗎?有沒有自動計算的方法
推薦閱讀：
※大家都是在哪些網站找數據？
※大數據是不是泡沫？
※如果要推薦一本數據分析入門的書給新人，你希望是哪一本？
※數據分析對網站運營重要嗎？