营销人需要掌握的数据分析常识

如何把工作中产生的问题，与我们的数据工具和可以拿得到的数据建立对应关系。观测数据看见趋势异常下，挖掘数据背后的意义。基于数据分析的基础的思考，最后才可以形成对营销业务的洞察。

先来看一看常见的一些数据指标们

1. DAU：Daily Active User 日活跃用户量。统计一日（统计日）之内，登陆或使用了某个产品的用户数（去重）

2. WAU：Weekly Active Users 周活跃用户量。统计一周（统计日）之内，登陆或使用了某个产品的用户数（去重）

3. MAU：Monthly Active User 月活跃用户量。统计一月（统计日）之内，登陆或使用了某个产品的用户数（去重）

4. DNU：Day New User 日新增用户，表示当天的新增用户

5. DOU：Day Old User 日老用户。当天登陆的老用户，非新增用户

6. ACU：Average Concurrent Users 平均同时在线人数

7. PCU：Peak Concurrent Users 最高同时在线人数

8. UV：Unique Visitor 唯一访问量，即页面被多少人访问过

9. PV：Page View 页面浏览量，即页面被多少人看过

10. ARPU：Average Revenue Per User 平均每个活跃用户收益。

一、数据指标分类

大致的，我认为可以将数据指标分为三大类：综合性指标、流程性指标、业务性指标。

1. 综合性指标

综合性指标是能体现产品目前综合情况的指标。

在非交易网站，比如社交网站，数据指标的用途偏向于了解产品的用户增长或减少等情况。综合性指标通常有：DAU、留存数、留存率、人均使用时长、PV、UV等。

对于交易系型网站，那么平台关注的综合性指标通常是：GMV、支付UV、人均订单数、人均客单价等。

2. 流程性指标

流程性指标是指与用户操作行为相关的指标。

点击率：有PV点击率和UV点击率，一般使用PV点击率。

转换率：下一步操作用户数/上一步操作用户数

流失率：（上一步用户数-下一步用户数）/上一步用户数

完成率：完成率相对于转化率而言，是最终的结果数值。转化率是过程值，完成率是结果值。

3. 业务性指标

业务性指标是跟产品业务相关的指标。例如视频网站，则可能需要的业务指标有：视频播放数、人均观看时长、人均播放数、播放率等。

二、数据分析与设计方法

数据分析和设计的方法有：事件分析、留存分析、漏斗分析、分步分析、对比分析和多维度拆解。

1. 事件分析

事件是追踪或记录的用户行为或业务过程。事件是通过埋点记录，通过SDK上传的用户行为或业务过程记录。例如，一个视频内容产品可能包含的事件：①播放视频；②暂停；③继续播放；④分享；⑤评论。

一个事件可能包含多个事件属性，例如，“播放视频”事件下可能包含的属性：①来源；②是否自动播放；③播放形态。

2. 留存分析

留存率是验证用户粘性的关键指标，设计师和产品经理通常可以利用留存率与竞品对标，衡量用户的粘性和忠诚度。通常重点关注次日、3日、7日、30日即可，并观察留存率的衰减程度。留存率跟应用的类型也有很大关系。通常来说，工具类应用的首月留存率可能普遍比游戏类的首月留存率要高。

3. 漏斗分析

漏斗分析就是转化率分析，是通过计算目标流程中的起点，到最后完成目标节点的用户量与留存率，流量漏斗模型在产品中的经典运用是AARRR模型。

衡量每一节点的转换率，通过异常数据（转换率过低）找出异常节点，进而确定各个环节的流失率，分析用户怎么流失、为什么流失、在哪里流失。根据数据改进产品，最终提升整体转化率。

4. 用户分群分析

用户在某个特定条件下的用户分组或占比。例如：注册7天内下单的用户组、参与过A活动的用户等。

5. 对比分析

将不同时段的数据进行对比，找出差值，进行产品优化或验证设计。

自身产品对比：对比产品不同模块相似场景的数据，找出问题点。

行业产品对比：与同行业产品进行对比，找出优劣势，并持续优化。

6. 多维度拆解

用不同的维度视角拆分分析同一类数据指标。例如按照不同的省市地区分析、不同的用户人群、不用的设备等。通过不同维度拆解，找到数据背后的真相。