1打开应用就算，但是这种定义是很宽松的，有误点的可能，数据可能存在水分。
日活跃用户数（DAU：DailyActiveUser)），
周活跃用户数（WAU：WeekActiveUser），
月活跃用户数（MAU：MonthActiveUser）
活跃用户数/总用户数
次日留存率，3日留存率，7日留存率，30日留存率
什么样的留存率算好呢？
也就是对于次日留存率，7日留存率，月留存率而言，有个40-20-10的法则，如果达到这个标准，也就说明公司的留存率达到了行业基本标准，但是每个公司根据自己的实际情况会有所不同。
订单总额与订单数量的比值。应用场景主要是零售，包括电商平台
总收入/付费用户数。即平均每付费用户收入;它反映的是每个付费用户的平均付费额度。
2.行为数据
即通常说的PageView(PV)，用户每一次对电商网站或者移动电商应用中的每个网页访问均被记录一次，同一个网页刷新一次就算一次访问，用户对同一页面的多次访问，访问量累计
独立访客数，对于PC网站，统计系统会在每个访问网站的用户浏览器做记录，一个cookie来标记这个用户，对同一cookie在一天内多次访问网站的用户仅记录为一个用户，如果同一个电脑一天之后好几个人使用也是记录一次。
某IP地址的计算机访问网站的次数，如果是局域网使用同一个IP，则只记录一次。
衡量网站的用户体验的指标。访客在一次访问中，平均打开网站的时长，打开第一个页面到关闭最后一个页面的时长叫做总访问时长，平均访问时长=总访问时长/访问次数
跳出率是指访客来到网站后，只访问了一个页面就离开网站的访问次数占总访问次数的百分比。跳出率=只访问一个页面就离开网站的访问次数/总访问次数。跳出率是反映网站流量质量的重要指标
潜在用户在我们的网站上完成一次我们期望的行为，就叫做一次转化，转化率=转化次数/访问次数。
电商网站的转化率=网站下单的次数/网站总访问次数
购买两次及以上的客户/总购买客户数
3.产品数据
就是指成交总额，也就是零售业说的“流水”。需要注意的是成交总额包括销售额、取消订单金额、拒收订单金额和退货订单金额。
库存量单位，SPU是商品信息聚合的最小单位，例如：一款商品多色，则是有多个SKU，例：一件衣服，有红色、白色、蓝色，则SKU编码也不相同，如相同则会出现混淆，发错货
StandardProductUnit（标准化产品单元），SPU是商品信息聚合的最小单位，是一组可复用、易检索的标准化信息的集合，该集合描述了一个产品的特性。SPU即通俗点讲，属性值、特性相同的商品就可以称为一个SPU。如iphone5S是一个SPU，而iPhone5S配置为16G版、4G手机、颜色为金色、网络类型为TD-LTE/TD-SCDMA/WCDMA/GSM则是一个SKU
是指通过投资而应返回的价值，也就是投资回报率。产生的交易金额与活动投放成本金额的比值
3.如何选择指标
例如：
我们想要了解公司人员稳定情况，只知道离职人数是没有太大的概念的，但是如果知道了离职率，则就能判断出公司目前的人员稳定性情况，离职率就是一个关键指标
北极星指标也叫唯一关键指标（OMTM，Onemetricthatmatters），产品现阶段最关键的指标，其实简单说来就是公司制定的发展目标，不同阶段会有不同的目标。为什么叫“北极星”指标，其实大概的寓意就是要像北极星一样指引公司前进的方向。
北极星指标:日活跃用户数
核心指标：用户收听时长
核心指标：用户问答数
4.电商指标体系详细介绍
指标体系即相互之间有逻辑联系的指标构成的整体
1总体运营指标
人均页面访问数
总订单量
销售金额
销售毛利
毛利率
2网站流量指标
3销售转化指标
4客户价值指标
5商品类指标
6市场营销活动指标
7风控类指标
8市场竞争指标
能帮我看看公司最近的网站运营情况不？
解：
1.明确需求
2.确定思路
3.数据处理
4.数据分析
5.数据可视化
6.数据报告
明确问题：
公司最近的网站运营情况？这个问题太宽泛了，你要跟boss再问几个问题明确需求
问题1:boss,你是想看看公司网站具体哪方面的问题？
回答：公司最近销售不太好，订单转化率降低了
问题2：boss，这个数据您是从哪得知的呢？
回答：上午运营部做的汇报里体现的
回答：4个月的转化率比3月转化率降低了
ok,问到这里就可以了，接下来就是你要做的事情了
胡同口的煎饼摊子一年能卖多少个煎饼？
具体思路如下：
复杂的问题简单化
公司8月总体销售额下降了，什么原因？
如果按照逻辑数分析法：
销售额=销售数量X单价
总体销售额下降了，就得去分析到底是销售数量下降了还是单价降低了
若是销售数量下降则要分析为什么，是市场问题产品问题，渠道问题
若是单价降低了则要跟运营部门沟通是否有恶意竞价的现象
按照这个思路你实践了一遍，最后啥问题都没发现，总体销售额下降的幅度并不明显，内部和外部环境也没有太大的变化，但是把这个结果汇报给boss，自己也觉得没底气啊。
其实啊，这个时候光靠逻辑树分析法已经不够了，因为他毕竟只是一种思考问题的方式，要解决这个问题，我们还需要用到一种新的分析方法--多维度拆解分析法。其实啊，这个时候光靠逻辑树分析法已经不够了，因为他毕竟只是一种思考问题的方式，要解决这个问题，我们还需要用到一种新的分析方法--多维度拆解分析法。
第一个拆解
总体销售额下降：按照产品拆解，是所有产品的销售额都下降了，还是个别产品
第二个拆解
假设是某个产品销售额下降：按照产品拆解，是这个产品下所有的商品的销售额都下降了，还是个别商品
假设我们发现是某三款商品存在销售额大幅度下降造成的总体销售额下降，那对于下降的商品再进行具体的原因分析，才更有针对性。
再比如：某个销售事业部下面有5个销售部门，本季度整个事业部的总销售业绩没有达标，boss很生气，但是事业部总监继续汇报接下来的5个销售部门各自的业绩时，他才知道其中一个部门的人员流失造成业绩下滑，其他部门都是正常的，boss也没那么生气了。
有时候我们在看问题时，只看总体是不够的，需要从不同维度去拆解，细化到具体细分领域中，才能更全面的认识到企业存在的问题，才能有针对性的去解决问题。
该怎么拆解呢？
从指标构成拆解
用户数=新用户数+老用户数某类商品是由多个子商品组成；事业部销售额是由事业部下多个部门的销售额组成
从业务流程
我们回到本篇的案例中，网站订单转化率低，该怎么去分析
我们可以从业务流程角度：用户进入到网站--浏览商品--加入购物车--下单--付款
从用户进入网站到下单的转化率低，那我们就要分析每个流程的转化率，到底问题是出在了哪个环节。
将整体细分到局部再用逻辑树去分析。化整为零，化繁为简
横向对比
工作中经常用到的是同比
2019年3月销售比2018年3月销售额增长10%，这属于同比
纵向对比
工作中经常用到的是环比
4月比3月的销售额下降了2%
假设检验法的流程是：
提出假设
搜集证据
得出结论
某款商品销量上升了？分析一下原因
可以从产品渠道运营三方面的去大胆提出假设
也可以从4P营销理论去提出假设
分为两类
结果如下：
消费频率（Frequency），
消费金额（Monetary）
精准刻画用户，是进行用户差异化营销的前提
RFM模型是目前衡量客户价值和客户创利能力的重要工具和手段。该模型通过一个客户的近期交易行为，交易频率以及交易金额这三项指标来描述该客户的价值状况，依据这三项指标划分8类客户类型，针对不同类型进行精准营销。
RFM分析计算方式没有统一标准，一般分成两大类，一类是以每类的总均值为标准进行计算，一类是人为划分不同等级进行打分，按照得分再进行用户分类。
需要注意的是：RFM分析模型根据不同的公司，不同的业务计算方式也不一定一致，因此不存在谁对谁错，选择合适的方式即可。
观察每个步骤的转化与流失。
漏斗分析模型是将一个总体按照一定顺序分解成不同的阶段，对于每个阶段的数据进行量化，根据计算的结果来分析发现问题，常用于电商分析用户购物行为转化率的分析。
AARRR分析模型
第一环节是获取用户（Acquisition）：用户如何找到我们？
第二环节是激活用户（Activation）：用户的首次体验如何？
第三个环节是提高留存（Retention）：用户会回来吗？
第四个环节是增加收入（Revenue）：如何赚到更多钱？
第五个环节推荐（Refer病毒式营销）：用户会告诉其他人吗？
（1）Acquisition获取用户
渠道——产品匹配是说产品投放在什么渠道才能直达用户的视线范围。
渠道可以分为三类，一种是口碑渠道，适合病毒营销；一种是有机渠道，适合搜索引擎优化（SEO）、内容营销，比如搜索引擎优化可以提高自己网站在搜索引擎搜索结果页面的排名；还有一种是付费渠道，有哪些付费渠道呢？
按投放的实际效果付费（CPA，CostPerAction）包括：
渠道曝光量：有多少人看到产品推广的线索
渠道转换率：有多少用户因为曝光转换成用户
日新增用户数：每天新增用户是多少
日应用下载量：每天有多少用户下载了产品
获客成本（CAC）：获取一个客户所花费的成本
（2）Activation激发活跃
二、第二环节激活用户：用户的首次体验如何？
在这一系列动作中，到底用户停留在了哪一步？是搜不到要的东西，还是创建账户太麻烦，或者是页面设置不合理？你要计算每个节点用户的流失率，来相应地提高产品性能，改善用户体验。
比如下面的某淘宝店铺，用户购物过程中每个节点的流失率。
如果是网页端的产品，还有两个指标来衡量网页端活跃。
PV（PageView）是页面浏览量，用户每打开一个网页可以看作一个PV，用户看了十个网页，则PV为10。
用户注册后是否有进一步了解我们的产品？这其中涉及到产品的功能，设计，文案，激励，可信等等。我们需要不断调优，引导用户进行下一步行为，让新用户成为长期的活跃用户：
我们可以通过界面/文案优化，新手引导，优惠激励等手段，进行用户激活流程的转化提升。监控浏览商品页面，加入购物车，提交订单，完成订单的漏斗转化。
（3）Retention提高留存
在第二个环节用户终于被激活唤醒了，这时候你的任务就变成了如何让用户变成回头客。留存的核心目标是让用户养成使用习惯。在这个阶段，你要明白习惯是如何形成的。
案例1：亚马逊会员服务
亚马逊的会员服务在刚推出时，许多分析人士都说这个计划必定会失败，因为美国的配送成本是很高的，而99美元的会员服务给会员免费配送一年，亚马逊肯定会亏。但亚马逊的真正目标是改变人们的习惯，让他们在购物中习惯会员优惠价格，习惯免运费，从而不再去其他家买东西，从而提高用户留存。
案例2：蚂蚁森林游戏
蚂蚁森林是阿里巴巴推出的是一款养成类的小游戏，在支付宝里就可以打开看到。截至到2018年5月份，蚂蚁森林已经累计了3.5亿用户，成功拉升了支付宝一直渴望的用户活跃度。
用户激活蚂蚁森林的账号后，她的一部分日常行为，例如“乘地铁”、“走路”、“在线购买电影票”等都会被视为减排行为，然后，这些行为会被换算成一定的能量，显示在个人的主页面上，用户只要点击屏幕上的能量，就可以收取。
用户可以到其他用户的页面上去偷取对方的能量。当能量累计到一定程度，就可以申请种一棵树。蚂蚁金服会为用户发放一个带有特定编号的证书，并且真的在现实中种一棵树。同时，政府还会给你发放一个植树的证书。
次日留存率：（当天新增的用户中，在第2天使用过产品的用户数）/第一天新增总用户数
第3日留存率：（第一天新增用户中，在第3天使用过产品的用户数）/第一天新增总用户数
第7日留存率：（第一天新增的用户中，在第7天使用过产品的用户数）/第一天新增总用户数
第30日留存率：（第一天新增的用户中，在第30天使用过产品的用户数）/第一天新增总用户数
用户完成初次购买流程后，是否会继续使用？流失的用户能否继续回来使用我们的产品？
产品缺乏粘性会导致用户的快速流失，我们可以通过搭建生命周期节点营销计划，通过push、短信、订阅号、邮件、客服跟进等一切适合的方式去提醒用户持续使用我们的产品。并且在此基础上通过积分/等级体系，培养用户忠诚度，提升用户粘性。
（4）Revenue增加收入
第四个环节是增加收入：如何赚到更多钱？
这里我们要注意“用户”和“付费用户”的区分，这也将影响收入的计算。（下面提到的“用户”，如果没有特别说明是“付费用户”，那么就是值全部用户（包括付费用户和非付费用户））
客单价：每位用户平均购买商品的金额。客单价=销售总额/顾客总数
PUR(PayUserRate)：付费用户占比
销售额=用户数转化率客单价*购买频率（购买频率是指消费者或用户在一定时期内购买某种或某类商品的次数。）
我们获得每位用户平均需要花费多少钱？每位用户平均能为我们贡献多少价值，能是否从用户的行为，甚至其他方式赚到钱？
（5）Referral病毒传播
五、第五个环节推荐：用户会告诉其他人吗？
前面的4个环节做完，就到了第5个环节推荐，也叫病毒式营销。
传染物本身是说要对自己的产品有足够的了解。试着问自己一个问题：我的产品是否真正解决了用户的痛点？
也就是你的用户在哪里？对应我们前面讲的AARRR模型第一关环节（获取用户）。要去思考使用你产品的刚需用户经常在哪些环境（社区，大学等等渠道）中出现。
转化率：计算方法与具体业务场景有关。我们举几个栗子。
K因子(K-factor)：用来衡量推荐的效果，即一个发起推荐的用户可以带来多少新用户。
K因子=(每个用户向他的朋友们发出的邀请的数量)*(接收到邀请的人转化为新用户的转化率)。
假设平均每个用户会向20个朋友发出邀请，而平均的转化率为10%的话，K=20*10%=2。这个结果还算是不错的效果。
当K1时，用户群就会象滚雪球一样增大。如果K1的话，那么用户群到某个规模时就会停止通过自传播增长。
用户是否会自发的推广我们的产品？通过激励是否能让更多的忠诚用户推广我们的产品？
在社交网络高度发达的今天，我们可以通过各种新奇的方式去进行产品传播：用户邀请的老带新活动，垂直领域的社群运营，H5营销传播，让老用户推广我们的产品，吸引更多的潜在用户。
将各种财务指标综合在一起来评价公司财务管理效果，通常用于公司财务方面的分析。
1）公司业务是否赚钱？（销售净利率）
2）公司资产运营效率如何？（总资产周转率）
3）公司债务负担有没有风险？（权益乘数）
净资产收益率=销售净利率X总资产周转率X权益乘数
1）销售净利率：公司业务是否赚钱？
销售净利率=净利润/销售额，衡量公司业务是否赚钱。
2）总资产周转率：公司资产运营效率如何？
资产周转率=销售额/总资产，衡量公司资产运营效率如何。
3）权益乘数：公司债务负担有没有风险？
权益乘数=总资产/净资产，也叫做杠杆率，衡量公司负债经营的情况。
控制变量谬误：在做A/B测试时没有控制好变量，导致测试结果不能反映实验结果。或者在进行数据对比时，两个指标没有可比性。
样本谬误：在做抽样分析时，选取的样本不够随机或不够有代表性。举例来讲，互联网圈的人会发现身边的人几乎不用「今日头条」，为什么这APP还能有这么大浏览量？
定义谬误：在看某些报告或者公开数据时，经常会有人鱼目混珠。「网站访问量过亿」，是指的访问用户数还是访问页面数？
比率谬误：比率型或比例型的指标出现的谬误以至于可以单独拎出来将。一个是每次谈论此类型指标时，都需要明确分子和分母是什么。
辛普森悖论：简单来说，就是在两个相差较多的分组数据相加时，在分组比较中都占优势的一方，会在总评中反而是失势的一方。