网站分析常用的指标之内容指标( 互联网好的数据指标是一个比率的可操作性强吗？)

　　网站分析常用的指标之内容指标(

互联网好的数据指标是一个比率的可操作性强吗？)

　　在互联网公司，在评审设计方案时，总有一些这样的声音“用数据说话”。数据驱动的设计并非不合理。数据在一定程度上可以揭示产品用户的行为习惯，而这些关键数据也可以帮助和改进产品设计。同时，从公司或者产品经理的角度，他们会关注一些关键的数据指标，比如转化率、留存率、日活跃度、月活跃度等等，什么样的数据指标才值得我们关注，并能帮助企业或产品找到适合自己的市场和改进方向。在《精益数据分析》一书中，作者谈到了一些关于良好数据度量的指南。

　　一.什么是好的数据度量？

　　1.好的数据指标具有可比性：如果我们能够比较一个数据指标在不同时间段、不同用户群、不同竞品的表现，可以帮助我们更好地了解产品的实际走势。比如某医疗APP本周的药品购买率高于上周，“高”的原因可以通过不同时间段的对比来找到。

　　2.一个好的数据度量简单易懂：团队或公司的其他同事很容易记住或讨论它。比如用户增长率。

　　3.一个好的数据度量是一个比率：比率是最好的数据度量，原因如下：

　　理由一：比值机动性强，是行动的指南：比如开车时的速度（距离/小时），速度是一个比值，我们可以通过改变速度来控制到达目的地的时间。

　　原因2：比率是一个天然的比较指标：例如通过比较月度新用户率来判断产品的用户是否在稳步增加。

　　理由三：这个比例也适合比较各种因素之间的正负相关关系：如果滴答单APP产品采用免费+收费模式，就会面临一个选择，为了吸引用户，是否加足免费版本丰富的功能，或者将这些丰富的功能保留在付费版本中，以鼓励用户付费。

　　4.好的指标会改变行为：只有几个“试验指标”可用于测试和帮助产品优化、定价和市场定位。例如：如果超过一半的用户反馈他们不会为勾选列表中的“日历小部件”付费，他们可以决定不开发此功能或将此功能放入免费版本。

　　一个好的数据指标可以改变业务行为，因为它符合您的产品目标：留住用户、鼓励口碑、有效地获取新用户或产生收入。

　　二.如何找到合适的数据指标？

　　1.定性定量指标：

　　定性指标：通常是非结构化的、经验性的、有启发性的、难以分类的。

　　定量指标：涉及大量数值和统计数据，提供可靠的定量结果，但缺乏直观的洞察力。定量数据易于使用、科学，易于分类和推断。比如电影收视率、点赞数等量化数据。

　　如果定量数据回答“什么”和“多少”之类的问题，那么定性数据回答“为什么”。定量数据排除主观因素，定性数据吸收主观因素。

　　2.虚荣指标和可操作指标：

　　虚荣指标：如果您有一段数据，但您不知道如何对其采取行动，这就是虚荣指标。需要用数据来揭示信息，指出方向，帮助产品改进商业模式，并决定下一步的行动。这就是“数据驱动的决策”。文章 中需要注意的 8 个虚荣指标：点击次数、页面浏览量、访问量、唯一身份访问者、粉丝/朋友/喜欢、网站停留时间/浏览的页面数、采集的用户电子邮件地址和下载次数.

　　可操作的指标：它是“活跃用户百分比”（活跃用户百分比）。该指标揭示了产品的用户参与度。如果产品调整，该指标上升，则可以继续向调整方向迭代。另一个可以关注的指标是“单位时间新用户数”（新用户增长率），这往往有助于比较不同营销方式的优劣。

　　3.探索性和报告性指标：

　　探索性指标：具有投机性，并提供以前未知的见解，以帮助您在业务中领先一步。

　　可报告指标：适用于公司日常经营管理活动，保持信息畅通，节奏一致。

　　4.先见之明和后见之明：

　　有先见之明的指标：可以用来预测未来。例如，通过“销售漏斗”中现有潜在客户的数量，可以大致预测未来可以获得的新客户数量。例如，某产品在一段时间内的用户投诉次数，可以作为用户流失的先见之明。如果投诉数量继续增加，用户放弃使用您的产品或服务的概率就会增加。因此，这个指标可以帮助了解产品和服务的真实情况。

　　后见之明指标：揭示当前问题。如流失（在一定时期内离开产品或服务的客户数量）。大部分流失的客户都找不到，但是这个指标可以帮助产品降低产品用户的流失率。

　　5.相关性和因果性指标：

　　相关性和因果性指标：即两个或多个指标是相关的，找到相关性可以帮助你预测未来，找到因果关系意味着或可以改变未来。通常，因果关系并不是简单的*敏*感*词*关系，很多事情都是多种因素共同作用的结果。想要证明因果关系的指标：找到相关性指标，运行控制变量实验并测量因变量的变化。但是这样的测试需要考虑足够大的用户样本。

　　在数据分析中，测试通常用于证明更改的合理性。这种测试通常是比较两个样本之间的差异。常用方法包括市场细分、队列分析、A/B 测试和多变量测试。

　　1.Market Segment：具有共同特征的用户群。

　　2.队列分析：比较相似组随时间的变化。该产品会随着开发和测试进行迭代，从而为在产品发布的第一周加入的用户和稍后加入的用户带来不同的用户体验。每个用户都有一个生命周期。在此期间，商业模式不断调整。这会对用户流失率产生什么影响？通过队列分析可以找到答案。队列分析可以观察用户在生命周期不同阶段的行为模式。这种分析方法适用于收入、客户流失、口碑病毒式传播等数据指标。

　　3.A/B测试：假设其他条件不变，只考虑体验中的某个属性对被测用户的影响。比如“立即试用”和“免费试用”的区别。这种方法更适合用户流量大的网站（微软、谷歌）

　　4.多变量测试：如果没有大的用户流量，考虑同时测试多个属性