宏观数据指标简介（上）：「新增」与「卸载」

小提示：您能找到这篇{宏观数据指标简介（上）：「新增」与「卸载」}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宏观数据指标简介（上）：「新增」与「卸载」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！

笔者基于自己工作中遇到的一些产品数据分析问题，与大家分享其对于数据分析的见解与感悟。期望以简单易懂的文字让产品数据分析小白，能通过改文章对数据分析有一定的了解。

一直想把产品工作中遇到的数据分析问题做一个系统的总结，但因为种种原因一直没有下笔。前些天详细梳理了一番，打算通过几篇文章将产品工作中的“数据分析”说清楚，文章尽量用通俗易懂的言语阐述。

对于这些文章，我心里有一个小目标：让一个毫无基础的人，看了这几篇文章也能对产品的数据分析有一个初步的了解。

废话不多说，我们开始吧！

一、宏观指标

宏观指标会从：新增、卸载、留存、活跃，四个维度来进行介绍，当然每个维度又有具体的细分。

宏观指标通常出现在数据面板（Dashboard）中，用于日常数据的监测，来判断产品的异常与否。

因为文章篇幅限制，本篇文章只会介绍前两个指标：『新增』『卸载』，剩余的部分会在接下来的文章里面进行阐述。

二、统计的基本单位

在正式介绍数据指标之前，我们要明确一个概念：用户数量统计的基本单位。

实际上，目前市面上常见的数据数据统计平台，还没有能力真正识别一个真正的人。

回顾一下国家是怎么统计人口的：是为每个人分配唯一的一个身份编号，这个编号不仅仅保存在户口本与身份证上，还保留在国家的统计局里。

但是，如果一个人有两个不同的身份证号，其实从国家的角度来看，就是完全独立的两个人。

对于产品统计平台来说，也是如此。

数据统计平台也是通过为用户分配唯一编号的形式进行确认的，目前常见的方式有三种：

1. 社会属性账号，例如：手机号码，微信号，邮箱……
2. 设备标识，例如：每个手机都有一个唯一的id，可以通过手机id来区分。
3. 应用标识，其实每个应用也有唯一的一个id，这也可以用于区分不同的用户。

不同的应用对于用户单位的定义也不尽相同：对于拥有账号体系的应用，一个用户特指注册的账号，但是对于没有账号体系的应用，多数使用的是应用id作为用户数量的基本单位，而设备id通常作为补充。

这里补充一点：接下来所有的案例均以应用id作为基本单位进行阐述。

在明确了用户数量的『基本单位』后，我们正式进入产品数据核心指标的阐述部分。

所谓的核心指标指的是：能够衡量产品状态的数据标准。

通过这些指标就能很直观的判断：产品整体表现的好与坏，局部改动的得与失。

其中核心指标主要分为两类：宏观指标与微观/功能指标。

宏观指标主要衡量产品的整体状况，而微观指标则能够精准的呈现产品中某些功能的使用情况。

为了方便，我们先凭空造出一个App，名为：示例App。

接下来所有的数据指标都来源于『示例App』。

三、新增

新增顾名思义，指的是：没有使用过示例App的用户。

如果这用户开始使用了，那么该用户便是示例App的一个新增用户。

如果从职责划分的角度，新增指标更多的属于运营指标。因为产品功能上的改动，往往对新增数据的影响不大。新用户的获取属于流量获取行为，更多的的归因于宣传活动、广告投放、产品ASO的优化等。

如果笼统的说新增这个指标，上面那段文字的描述就已经足够了，但是如果你想细致的了解，那可以从以下几个维度进行细分：

1. 新增究竟是什么

传统行业中的新增用户很好定义——就是个体的人。

例如：某个餐馆开张，第一天来了100个顾客，那么这一天的新增用户就是100人。

但是对于手机App来说，这个维度就显得有些粗了，举个几个例子：

1. 用户甲有两个手机，并且都安装了示例App，那么对于示例App究竟甲算究竟作一个用户还是算作两个用户呢？
2. 如果在示例App能够在一台手机上进行重复安装，用户甲在自己的手机上安装了两个示例App，那么又该怎么算呢？
3. 如果一个用户甲第一天安装了示例App，然后第二天进行了卸载，第三天又重新安装了，那在第三天的时候，甲算不算新增用户呢？
4. 如果用户甲第一天安装了示例App，然后在第二天进行了升级/更新，那甲算不算新增用户呢？

或许看完了以上四个问题，你心中充满了困惑，这里建议你再重新看一次『用户数量的基本单位』的阐述——如果我们以App id为基本单位，则一切以App的时机数量为准。
所以，前两个问题的答案就迎刃而解。

对于第三个问题，用户卸载了App又进行了重装，那么这个用户还算不算新增用户？

这里给出的答案：依然是新增用户。

举个例子，『员工甲』在自己的『A公司』办理了离职手续，几个月后又重新入职，那么对于A公司来说，员工甲算不算是公司新人呢？

原则上肯定是公司新人，虽然之前员工甲对于A公司爱过、痛过，但毕竟现在是重新来过！

对于最后一个问题：升级的用户，对于新版本来说算不算是新用户？

一般来讲，应该不算是新用户的。

接着上面的案例说：员工甲在A公司努力工作，职位升了，对于新到的部分来说，可能算是新面孔，但是对于公司来讲，肯定不算是新员工了。

当然，上述文字只是说了最一般的情况。其实最终对于新增单位的定义还要看具体数据统计平台自己的定义，至于关于数据统计平台的阐述，这就是后话了。

2. 新增的关键事件

定义完了新增的基本单位，接下来要说新增的触发时机了。

发生了什么行为的用户算作是新增用户呢？

这里有两个关键的操作：安装与首次打开。

一般情况下，还是默认为：只有发生了首次打开的事件才会被认为是有效新增。因为只有用户打开了示例App，社会化媒体口碑营销案例才能体验示例App的提供的服务（功能或内容），同样只是安装但是一直没有打开，那基本上等同于无效安装。

继续以员工甲与A公司为例：如果员工甲在A公司只是提交了入职材料，但是一直没有来公司上班。那么，对于A公司来说，员工甲基本上算是无效员工，只有员工甲为A公司真正工作了、服务了，这样的员工才算是一个合格的员工。

所以，我们一般情况下定义的新增用户，指的是：安装并且打开过示例App的用户。

3. 描述新增的时间范围

如果按照时间范围这个维度来划分新增用户，一般可以分为『单位时间新增』与『累计新增』。

单位时间新增又可以分为：每日新增、每周新增、每月新增、每季……

当然最长用的还是每日新增。

最开始提到过：新增是衡量运营同学工作的核心指标之一。

这里要更加精确一些：『每日新增』才是衡量运营同学工作非常的核心指标。

至于累计新增这个指标，可能对外提到的会多一些，例如：全中国一共有XXX用户用过我们的软件这样的描述，无论对于吸引投资还是展示公司的形象，都是挺管用的。

四、卸载

一直再考虑要不要加上『卸载』这么一个指标，纠结的原因主要在于：

首先卸载是衡量一个产品好与坏非常直观的指标，所以非常的有意义；

但是，卸载这个指标非常的难以统计到，以至于市面上主流的统计平台只有Google的Firebase统计平台才能获取。但是，国内的互联网环境你们也懂，很多国内的Android系统内置的Google服务被阉割了。所以，主要面向国内市场的互联网公司根本就拿不到。

但是，抱着内心中仅存的一丝幻想：万一将来Google又回来了呢？

所以关于卸载仍然要说上几句。

卸载指标从时间连续性上可以分为两个类型：『卸载率』与『卸载曲线』。

卸载率指的是：截止到某一时刻，某批新增用户中，卸载用户的占比。

而卸载曲线则是：卸载率在时间这个维度上的动态变化。

1. 卸载率

再次重申一下『卸载率』的定义：

某一批的新增用户中，截止到某一时刻，卸载用户占据新增用户的比例。

举个例子：如果今天的新增用户有100人，这100个人中，有30人在首次打开示例App后的24小时内，把示例App卸载了。那么可以定义：今天示例App的24小时卸载率为30% 。

其实单纯的看卸载率所获取的信息是远远不够的。

因为很多时候，我们不仅仅要看某一刻的卸载率，还要观测一段时间内，示例App的卸载率的变化，所以通常情况下，我们更多的是查看「长期卸载率」。

2. 长期卸载率

长期卸载率指的是：在一段时间内（一般以天为单位），每天前XX分钟/小时的卸载率的集合，如下图所示：

上面两条曲线分别代表：对照组与实验组在15天的时间里，前24小时的卸载率的变化曲线。

给人最直观的感受是：实验组的卸载率显著低于对照组。

所以，很容易得出结论：实验组要好于对照组。

虽然结论很容易得出，但是真的就这样结束了吗？

试想这样一个场景：实验组和对照组唯一的区别就是实验组砍掉了A功能。

通过数据可以看出：砍掉功能A后，卸载率降低了，但是我们真的能斩钉截铁的说用户不喜欢功能A吗？

如果是因为功能A的存在，导致了用户安装1小时之后会有极大的概率出现严重的bug，而用户实际上非常喜欢功能A，只是因为忍受不了这个bug而被迫进行卸载，那么这个时候仅仅通过长期卸载率是无法归结出正确的原因的。

更确切的说：如果App从被打开到使用了1个小时的过程中，实验组的卸载率要远高于对照组。但是1个小时之后，对照组的卸载率才开始反超实验组。

所以，这个时候只盯着固定时刻的卸载率，很容易导致我们的误判。如果这个时候能够结合着『卸载曲线』去分析，就会避免这样的问题。

3. 卸载曲线

关于卸载曲线，纯粹用文字解释可能比较麻烦，所以先给大家看一个示例图：

这张图展示的就是：示例App的卸载曲线。

• 横轴代表着：距离首次打开事件的时间间距（单位为分钟）；
• 纵轴代表着：某一时刻的卸载率。

现在我们可以给卸载曲线下一个定义：指的是在指定的时间段内（一般以分钟为单位），每个时刻的卸载用户数占新增用户数的比例的集合。

从图中我们可以看到：无论是实验组，还是对照组，其卸载曲线在前几分钟内急剧的上升，然后有急剧的回落，最终逐渐的平稳，直至趋向于一条直线。

从卸载曲线的示意图中，我们可以明显的看出：实验组的卸载峰值高度明显低于对照组，而且峰值时间也要网络危机公关的定义比对照组晚一些。

这说明：实验组确实要比对照组好很多，那么可以进一步证明A功能确实不受用户的待见。

而实际上的卸载曲线的峰值会更快与更高，因为一个普通的新用户对于一个陌生App的耐受程度是非常低的。在使用App的前几分钟内，如果觉得不爽，那就会毫不犹豫的删除掉，这关键的几分钟也被称之为：新手窗口期。

这意味着在设计产品的时候，要尽量让用户在刚打开App的时候，就能看到该App的特色/优势。如果将这些功能藏着掖着，待用户自己发掘，结果很有可能是这些功能根本没有展示的机会，就胎死腹中！

当然了，能不能把两张图结合在一起来看呢？

或许『累计卸载率』能满足这样的要求。

4. 累计卸载率

累计卸载率指的是：在指定的时间段内（一般时间范围为1天），单位时刻（一般单位为分）的累计卸载率。

如下图所示：

每个节点代表着截止到某一时刻为止，总的卸载率。

而某段时间内卸载率的变化趋势/斜率，则代表着：这段时间内用户的卸载速度。

累计卸载率既能体现出卸载的过程，又能直观的看到每个时间节点的累计卸载率。

五、结语

这篇比较详细的说明了『统计单位』『宏观指标』『新增』『卸载』的概念。

虽然种类不多，但深究起来，也足以值得细细品味，不再多说，下期见！

作者：MING，个人公众号：MING的大航海，知乎专栏：产品见知录

本文由 @MING 于。，。

题图来自 Unsplash，基于CC0协议。