數據指標的定義，是培養數據思維要闖的第一道關。
數據分析是產品經理的一項基本技能，然而每次想好好學習下，資源不是7天精通Excel就是20天進階SQL，甚至於Python必知必會……工欲善其事必先利其器，確實沒錯，但工具需要思維來指揮。
而數據指標的定義，是培養數據思維要闖的第一道關。作為一隻數據小白，分享一點定義數據指標的心得，有問題老鐵們請斧正。
1、激活，如何定義一個激活？下載、安裝並打開APP的用戶數？我們暫且這麼定義。根據定義，下載沒安裝或者安裝沒打開的用戶，都不計入激活。只有完成所有步驟的用戶才算。但是問題來了，一個用戶下載、安裝並打開APP時，根本沒登錄，他只是一個遊客。激活的定義變成：下載、安裝並打開APP的遊客數。
如果我們把這個定義交給開發，開發可能會問，拿什麼標識一個遊客？設備號。每臺行動裝置都有一個唯一的識別號碼，也叫IMEI（International Mobile Equipment Identity）。所以，激活的定義又變成：下載、安裝並打開APP的設備數，以設備號為唯一標識。
有人可能會問，我更新APP後打開，或者卸載重新安裝APP再打開，算一個新的激活麼？這就涉及到統計口徑的問題，一般來講，覆蓋安裝與卸載安裝後的打開，都不計入激活。
2、新增用戶數，多維度區分如果把新增用戶定義為新註冊的User_ID，簡單粗暴，但市場的同事首先不答應。
市場推廣APP有多種渠道類型，比如各大安卓應用市場、AppStore、信息流、SEO、流量互換等，每個類型下的渠道，以Channel_ID來標識。
渠道有區分，APP自身也有區分。最省事的區分是Android包和iOS包，顯然未考慮擴展性。如果市場製作馬甲包（APP小號）、獨立H5頁，推向市場，需要以Product_ID來區分產品（APP、H5）。
另外一個維度是版本。每個版本發布時，市場可能會帶一波量，需要觀察版本新增用戶的推廣成本、轉化、ARPU值等。我們可以通過Version_ID來區分版本。
以上，通過Channel_ID、Product_ID、Version_ID的區分和篩選，市場部的同事就可以知道，每個渠道下的每個產品的每個版本的新增用戶情況。
維度區分清晰了，除了在一定程度上，提高市場推廣效率外，甚至能預防數據異常的發生。筆者所在公司是做公積金查詢的，查詢數/新增用戶數，是一項重要的指標。有天突然查詢數/新增用戶數斷崖式下跌，一開始，大家都以為是查詢成功率下降導致查詢數（分子）下降，拼命分析影響成功率的因素，卻始終無解。
後來才發現，是新增用戶數（分母）的暴增導致了比率的下跌。新增用戶數暴增，查詢數成功率正常，查詢數卻沒有增加，什麼鬼？其實這是個偽暴增。新增用戶的統計口徑，納入了錯誤的Product_ID，而ID對應的產品剛好正在大力推廣……
如果能在數據指標定義時，清晰地劃分出可能的維度，類似耗費時間與溝通成本的數據異常問題就不會發生。
3、活躍，誰的活躍？定義活躍，不能粗暴地只定義一個用戶日活指標，可以先從轉化的角度進行用戶層級的劃分。
筆者所在的公司，是通過公積金數據做授信，幫助銀行篩選優質貸款客戶，用戶在APP上的關鍵行為是查詢公積金、申請貸款。因此轉化漏鬥是：激活-註冊-查詢公積金-申請貸款，對應指標是：APP日活（遊客+用戶）、用戶日活、公積金導入用戶日活和貸款申請用戶日活。
APP日活，以APP的一次打開為一個活躍，以設備號為標識，當日的重複打開不計入活躍。剩下的3種日活，以相應用戶群體的一次登錄請求為一個活躍，以User_ID為標識，當日的重複請求不計入活躍。
跟蹤以上指標，能得到比單純的用戶日活指標更豐富的信息。
另外，活躍也不一定以日為單位。從行為頻率上來看，查詢公積金可能是1次/月，申請貸款可能是1次/日。那麼，公積金導入用戶，月活可能更適合作為活躍指標；而對於申請貸款的用戶，則日活更適合。
4、留存/流失，兩兄弟？在和同事討論7日留存率的定義時，出現了分歧。有人認為7日留存率指的是，新用戶在第2-7日的活躍數/新用戶數；而不同意見表示是新用戶在第7日的活躍數/新用戶數。老鐵們也可以發表下自己的意見，你們支持哪種，理由呢？
留存率是APP推廣初期尤其要重視的指標。留存率低的產品，等於一個巨大的漏鬥，市場砸錢買來的流量，在產生收益前，就都統統漏掉。真真是黃金萬兩，砸不出一個聲響。
至於選擇次日留存率、7日留存率還是30日留存率作為唯一關鍵指標，多少留存率為目標，要根據產品特性與市場環境作具體分析。
從定義上看，流失和留存貌似是兩兄弟。有7日留存率，就有7日流失率，兩者的分子加起來等於首日的新用戶。但新用戶在第7日未活躍，就定義為流失用戶，未免太過草率。由於回流用戶的存在，定義流失用戶的周期一般比留存用戶的長。比如，定義90日內未活躍的用戶為流失用戶，更為合適。
5、定義數據指標的目的性最後強調一點，定義數據指標不能無的放矢。
如果是為了解決一個問題，那我們先明確問題，分析可能的原因，再去定義指標。
如果是為了驗證設計方案的優劣，那我們先明確設計方案的目標，圍繞目標去對比上線前後的數據，或者做A/B Test。
如果是為了預測，那我們先摸索現有的數據規律，找到規律的自變量，再進行推演。
如果是為了預警，那我們先制定數據基線以及浮動範圍，並根據實際情況的變化靈活調整。
作者：產品戴唯威。微信公眾號：產品戴唯威（ID: PMDaiweiwei）
本文由 @ 產品戴唯威 原創發布於人人都是產品經理。未經許可，禁止轉載。
題圖來自PEXELS，基於CC0協議
收藏已收藏 | {{ postmeta.bookmark }} 點讚已贊 | {{ postmeta.postlike }}