数据分析常见指标及影响因素

小提示：您能找到这篇{数据分析常见指标及影响因素}绝对不是偶然，我们能帮您找到潜在客户，解决您的困扰。如果您对本页介绍的数据分析常见指标及影响因素内容感兴趣，有相关需求意向欢迎拨打我们的服务热线，或留言咨询，我们将第一时间联系您！

产品经理需要掌握一定数据分析能力，这里持续总结日常工作中用到的数据分析方法，本篇先简单聊一下数据指标的应用。

几种通用型数据指标

无论是对于什么样的产品，我认为下面的这几种指标都会在产品工作频繁用到，接下来简单讲一下我对这几种指标的理解：

（1）新增中国网络营销政策数据：新增设备数、新增注册数、注册转化率

通过观察这几个数据，主要用于两个用途：

其一，初步评判各渠道流量质量，匹配度，成本。目前市面上App流量的主要来源无外乎以下几种渠道：

1. 手机厂商自家应用商店（华米ov等应用商店）
2. 第三方应用商店（应用宝，360应用商店）
3. 信息流广告投放（抖音，快手，头条等）
4. 品牌，裂变，自然流量，口碑传播等

通过对比各类渠道的新增设备数，新增注册数。可以了解到目前流量来源分布占比，并依此去计算渠道投放成本。即单用户成本=总投入成本/有效新增用户数（不同产品对有效定义有差异）。

举个例子，如果华为商店新增设备数和小米商店新增设备数是2:1，但是他俩的新增注册数比例是1:2，那他们两个渠道对比，很明显小米渠道的用户更愿意注册，更愿意使用产品，那在两家投放价格一样的情况下，市场应该加大对小米渠道的投放力度。这样才能将整体用户成本降低。

因此，通过对不同渠道的新增数据横向比较，可以指导市场部门去对比成本，优化渠道投放计划。

其二，初步评判新用户流程是否合理，顺畅，产品价值是否被用户感知。一个新用户刚使用产品时，初来乍到，对产品功能是第一次体验。是否愿意注册，在产品上，留下自己的手机号码信息，取决于在使用过程中，流程是否自然，引导是否明显。

对产品部门来说，如果新用户的注册转化率过低，说明在新用户的使用流程上存在优化空间，应该尽量去将登录前的流程优化，提升注册转化率。除此之外，还可以根据此数据去拆分成更多数据。比如：通过已有的信息，对比不同画像间用户的注册转化率差异。比如男生和女生的注册转化率是否存在差异，一线用户和三四五线用户注册转化率是否有差异。单对此项数据做交叉分析，能得到很多有趣的结论

（2）行为漏斗数据：首页→详情页转化率，ctr，cvr，详情页到成交转化率

用户在使用产品核心功能时，往往会分为多步完成。每一步都会有一些用户在当前页面流失或跳到非核心页面，造成分流。如果将所有的用户行为数据整合在一起，就会形成以数据呈现的用户关键行为的漏斗。

这里以电商类产品的核心漏斗为例：

用户想随便看看商品：用户浏新闻调查广告报价览首页信息流

↓

突然有了明确的目标：去搜索目标关键词

↓

浏览商品：在搜索结果页滑动浏览商品

↓

相中某一款商品，想具体了解该商品参数：点击进入该商品详情页

↓

产生购买意愿：点击加入购物车

↓

确认结账：下订单并付款

在整个用户的行为漏斗中，会涉及到首页到搜索页转化率，搜索页到搜索结果转换，搜索结果到详情页转化率，详情页到订单转化率，订单到付款转化率等等。

环环相扣，页面流量越来越少，用户使用越来越深入。形成一个完整的行为漏斗。每一步都有转化，有流失。通过分析各个页面的流失，就能去做相应的优化。

比如搜索结果到详情页转化率很低，可能说明搜索结果不准确，并未满足用户真实需求。因此导致用户只看搜索结果，但没有想点进去的意愿。

产品的行为漏斗数据，一定程度上说明了用户对产品的使用深度，漏斗转化率越高，说明用户使用越深入，使用过程越流畅。

（3）留存数据：活跃留存与关键行为留存

留存率，往往用来衡量产品的核心价值。并且总会和新增关联在一起去衡量整体流量池的存量。如果留存率很高，即使新增率很低，依然能维持很大的存量用户群。反之，留存率低，新增率高。那长期看，很难保持持续的存量用户群。

活跃留存分次日，三日，七日，月的单位。具体以哪个为主，取决于绝大部分用户的生命周期，如果本身产品是个高频刚需行为，那么短周期留存会很高，因此适宜观测长期留存，去衡量产品质量，及用户体验。

如红极一时的脸萌，在短时间内汇集了大量的用户，如果只看次日留存，那在那段时间的次日留存，应该会处于很高水平。如果将时间拉长，观察次周留存，也许就能看出一些问题。产品提供的价值可持续性越强，往往用户粘性越高，长期留存就会越高。因为培养了用户习惯，用户也会乐于去长期保持习惯。

另外一种是关键行为留存。如果拿活跃留存率、注册留存率、或有更深入行为用户的留存率做比较，我们会发现，往往用户行为越深入，越接近核心功能，留存会越高。从用户角度叙述即，用户越深入使用产品，就越能感受到产品价值，就越大概率第二天甚至第二周回来继续用它。

因此，如果我们想确定哪种行为，哪种用户是我们想持续拓展的用户群，不妨将他们的画像和留存率做个交叉，即能发现什么样的用户他们的留存率更高，我们将其他用户尽可能转化成这样的用户，就能明显提高留存率了。

影响指标变化的因素

作为产品经理，需要每天持续观察数据指标，以此做出正确决策或思考优化方向。如果某一天数据突然发生异常波动，那就需要立刻确定波动原因，从而去解决问题，使数据回归正常。经过这么长时间和数据打交道，总结了以下几点：

（1）渠道调整

各渠道的投放分配，流量占比一旦发生调整，便有可能影响整体的数据指标。高质量渠道缩量，低质量渠道扩量，都会拉低整体数据指标。因此在关注整体数据变化时，要同步关注渠道数据变化，也要及时跟进市场的计划同步。便于第一时间确认指标变化原因。

另一方面，如果有品牌投放或广告投放，要注意投放的素材发生变化，会带来新增用户群的画像变化。也会影响到用户质量与匹配度，从而影响到整体数据指标

（2）用户画像变化

不同用户画像在产品上表现的行为特性不同，因此要善于拆分用户画像或交叉用户画像去对比数据。比如寒暑假，往往会带来学生流量的增加。学生流量的特点和上班族的特点一定存在某些差异，那么从数据指标上看，每当寒暑假的时候，数据指标都会发生一些趋势变化。因此需要提前了解不同画像的行为特性，并且在关键时间点，监控不同用户群的占比变化。

（3）功能变化

每一次迭代发版，很容易造成数据指标的波动。因为存在新老版交替，用户行为数据的迁移和重叠。另一方面。功能改动越大，影响面就越大，有可能产生连带效应。即更改的虽然是这个页面，但实际会影响到多个页面。

比如：我虽然更改了列表的排序策略，但通过数据，会发现，除了列表CTR发生了变化，列表的下一级页面转化率也会变化。这是因为，当列表的结果因排序变得不精准，那进入下一级页面依然会受此影响，变得不精准，从而造成持续的流失。从用户角度解释，即用户的决策会受到持续影响。

今天先聊到这儿，有时虽然会被数据波动虐的不行，但当经过各种原因排查，最终确定问题根源时，那种串联逻辑后形成的完整分析思路，是我最大的收获。希望你也有此收获~

#专栏作家#

王伟华，微信公众号：夜漫产品（learnerwwh），一只略带文艺情怀的产品汪，擅长社交，资讯领域产品，心理学爱好者，目前正处于知识体系搭建阶段。

本文于，，不得转载。

，基于CC0协议