网站分析常用的指标之内容指标(*敏*感*词*：如何提升次日留存的数据字段需求？)

　　网站分析常用的指标之内容指标(*敏*感*词*：如何提升次日留存的数据字段需求？)

　　2015年在*敏*感*词*从事内容运营。当时，我们的核心 KPI 是将第二天的留存率提高到 45%。所以我想研究一下用户第一次登录的内容消费和第二天留存的关系。通过优化内容推荐系统，提高次日留存率。想法很好，但现实很悲惨。当我问技术学生关于数据分析的需求时，他们非常佛系地回答：“对不起，我们没有用户内容消费数据的统计。” 由于缺乏用户内容消费数据，我当时只能搁置这个数据分析方案（补充统计用户消费字段1个月后终于实现了）。

　　与大家分享这个案例，主要是希望大家能够明白，数据分析的底层关键支持是基础数据字段。没有基础数据字段，您的数据分析计划将无法实施。没有基本数据字段，无论驱动程序多大，您都无法使用它们。数据驱动的操作。因此，为了能够做好数据分析工作，您需要尽可能全面地提出您的数据字段要求，具体包括以下两类基础数据字段：

　　1）用户信息数据字段

　　它是指用户的社会信息数据，如姓名、性别、出生日期、出生地、婚姻、教育、手机、电子邮件等领域。对于电商和母婴产品，还需要基于“用户行为数据”推导出家庭类型、家庭规模、家庭子女标签、职位、行业等高级用户信息数据字段。

　　2）用户行为数据字段

　　用户行为数据字段记录时的格式通常为User id（哪个用户）+ Active（哪个操作）+ Time（生成时间）。比如今天早上，我在贴吧客户端的首页看了一篇关于China Joy的帖子，还评论了妹子的美。那么官方贴吧会按照以下格式统计我的发帖行为数据。

　　用户行为数据字段是每个用户对产品的操作行为的数据记录。对于不同的产品类型，需要记录的用户行为是不同的。阅读内容、点赞、评论、分享是社区产品的关键用户行为领域。点击商品、加入购物车、下单、支付、评价是电商商品的关键用户行为领域……

　　与用户信息数据相比，用户行为数据是数据分析的重中之重。基于对用户行为数据的处理和处理，可以基于对用户行为数据的处理来分析总登录用户数（DAU）、新用户留存率、评论用户总数。产品数据指标，如体积。

　　促进数据增长的指标有哪些？

　　有两个内容管理学生。一天，领导问他们产品进展如何。

　　其中一位经营者表示，该产品表现非常好，每天都有很多人互动和称赞。另一个说产品有问题，用户不会分享内容。如果你是老板，你应该相信谁？我想你不会相信这两个同学，甚至会很生气，因为你的员工没有一点数据分析的意识。

　　现代管理之父彼得德鲁克说过一句经典的话：如果你不能衡量它，那么你就不能有效地发展它。为了让数据驱动业务增长，我们需要制定业务度量标准，并使用统一的度量标准来定义和评估业务。这个统一的标准在数据分析中被称为指标。如果案例中的两个内容运营商能够利用互动率、分享率等三个产品数据指标向领导汇报自己的运营情况，或许能够在领导的心中留下好印象。

　　理解和使用指标是数据分析思维的第二步。我们需要根据特定的业务需求设置可以推动产品增长的指标。（ps：数据指标由用户基础数据字段处理处理）根据大家比较认可的AARRR产品增长模型，我们可以将指标分为五类：新指标、活跃指标、留存指标、转化指标、传播指数。

　　5个新产品拉动指标

　　该操作允许“用户”通过渠道交付访问产品。当“用户”认为产品好时，就会下载，打开产品，发现里面的内容很适合自己，“用户”就会注册产品，最终成为产品的真正用户。

　　以上就是大部分操作都会经历的拉出过程。如果要监控整个过程并评估拉出的实施效果，则需要设置以下数据指标。

　　1）观看次数

　　俗称曝光，是指有多少用户在朋友圈、搜索引擎、应用商店等渠道看到产品推广信息。与查看次数对应的是点击次数。两者的比值是业内专业术语CTR（CRT=clicks/views）。许多广告平台使用CTR来评估广告的质量。

　　2）下载

　　指应用安装数，是衡量新拉出效果的结果指标。但是，App下载其实是一个中间状态。为了让产品从曝光到下载有很高的转化率，需要注意应用的大小和介绍文案的打磨。比如游戏类应用，为了避免下载时间过长导致玩家流失，用户会选择以补丁的形式下载所有素材来完成加载。

　　3）添加用户

　　下载并不代表它是一个用户。如果“用户”只下载而不注册，则它是无效用户。每个产品的用户定义不同。大部分产品在用户注册App后被定义为用户，例如知乎、微博、小红书、*敏*感*词*。

　　4）获取成本

　　用户获取不可避免地涉及成本，这是新手运营商最容易忽略的事情。目前常见的成本计算方式有CPM（每千次展示成本）、CPC（每次点击成本）、CPA（每获客成本）。

　　5个产品的活跃指标

　　与下载量和用户数相比，人口红利消失后，大家开始更加关注真实的东西——你有多少活跃用户。用户活跃度是运营的核心任务，无论是移动端、网页端还是微信端，都有相关指标可以衡量。

　　1）活跃用户数

　　DAU是指日活跃用户数，指24小时内活跃用户总数。还有每周活跃的 WAU 和每月活跃的 MAU 可以延长时间段。（MAU是指一个月内重复数据删除后的活跃用户总数）

　　ps：活跃用户对应的是流失用户、忠实用户、回访用户。流失用户是长期不活跃用户，忠实用户是长期活跃用户，回归用户是已经不活跃或流失的活跃用户，然后再打开产品。.

　　2）活动率

　　活跃用户数衡量产品的市场规模，活跃率看产品的健康度。比如某个产品的DAU是100万，也许你觉得还不错，但我告诉你，它的注册用户总数是1亿，活跃率只有1%。你的感觉可能是这个产品很好。

　　3）在线时间

　　如今，数据分析越来越关注用户行为。为了研究一个App的活跃健康度，需要研究在线时长（它是视频类别网站的核心数据指标）。不同的产品类型有不同的访问时间。社交一定比工具产品长，内容平台一定比理财长。如果你在做内容产品，发现大部分用户访问只有几十秒，那么最好分析一下原因。

　　4）启动次数

　　它反映了用户的使用频率。用户每天的开机次数越多，用户对产品的依赖度就越高，他们的活跃度就越高。社交产品人均启动次数将在3-5倍之间，是互联网启动次数中的最高值。

　　5）页面浏览量

　　PV（PageView）是页面浏览量，UV（Unique Visitor）是一定时间内访问网页的人数。用户对网页访问的请求可以看作是一个PV。如果用户浏览了十个网页，则PV为10。PV是早期互联网站点时代的活跃指标，也可以理解为活跃的网页版。

　　5 个产品留存指标

　　如果活跃数和活跃率是产品的市场规模和健康度，那么用户留存衡量的是产品能否持续发展，如果你是早期产品，则更应该关注留存指标。

　　1）用户留存率

　　留存率=留存用户数/当时用户总数

　　使用产品一定时间并在一段时间后继续使用的用户称为留存用户。假设某产品某天某渠道新增用户1000人，第二天仍有350人登录该产品，第7天仍有100人登录该产品，则获得的用户留存率来自该渠道的次日为 35%，则 7 天留存率为 10%。Facebook有一个众所周知的40-20-10法则，即新用户的次日留存率为40%，7天留存率为20%，30天留存率为10%。有这个表现的产品属于比较好的数据。.

　　2）用户流失率

　　流失率和留存率正好相反。如果产品的新用户第二天留存率是 30%，那么就会流失 70% 的用户。流失率可以在一定程度上预测产品的发展。如果产品某个阶段有10万用户，则每月流失率为20%。一个简单的猜测是，该产品将在 5 个月后失去所有用户。

　　ps：这里可以引出一个公式，生命周期=（1/流失率）*流失率的时间维度。例如，某产品每周流失率为 50%，平均用户生命周期为 14 天。

　　15 种产品的转化指标

　　在运营方面，新的、主动的、留存的只是手段。衡量您工作绩效的最终标准是您拥有多少有价值的用户。运营就像用户成长路上的指南针。引导产品中的用户成为能够产生价值的超级用户，即回归商业本质。

　　交易产品转换指标

　　1）GMV

　　这是一个虚荣指标。只要用户下单并生成订单号，就可以计入GMV。不管用户是否真的购买了，京东在双十一上的报告都是GMV。

　　2） 营业额

　　交易金额是指用户支付的实际成交额，即用户购买后的消费金额，天猫在双十一发布的战报就是交易金额。

　　3）销售收入

　　是指交易金额减去退款后的余额，属于内部机密数据。

　　如果将以上三个指标作为用户支付的动态环节，可以产生两个新的指标。交易金额与GMV的比值实际上可以换算成订单支付率，反映支付的流畅性；销售收入和交易金额还涉及到退款率，它反映了产品的质量。

　　4）付费用户

　　在产品中有交易行为的用户总数。与活跃用户一样，交易用户也可以分为首单用户（首次消费）、忠实消费用户（继续购买的用户）、流失消费用户（流失后返回的用户）等。

　　同时，为了研究用户的付费潜力，还可以研究产品的付费用户比例：

　　付费用户占比=付费用户÷注册用户总数

　　5）ARPU

　　在单次促销中，是指每个用户订单的收入，总收入/订单数。在整个产品生命周期中，我们更关注用户平均付费、总收入/用户数。ARPU可以进一步细分。当普通用户占比过大时，通常采用每个付费用户的平均收入：ARPPU=总收入÷收费用户数

　　6）回购率

　　与新用户一样，获取新付费用户的成本已经高于维护老客户的成本。复购率在整体复购统计中使用较多：单位时间内消费超过两次的用户数占已购买用户总数。比如运研社技能训练营，一季度付费用户1789人，两次以上购买657人，所以我们的季度回购率为36%。

　　基于社区的产品转化指标

　　基于社区的产品的主要目的是将用户聚集在一起并引入用户生成的内容。其核心关键是培养一个可以产生内容的活跃用户社区。

　　1）内容创建者

　　参与内容生存的用户总数，其中我们用内容生产比例（内容生产者/用户总数）来衡量一个社区内容生成的健康度。最近很多大公司都在模仿小红书做社区。事实上，要超越小红书是相当困难的，因为小红书最大的障碍在于内容制作者的数量。

　　2）内容交互者

　　指在产品中产生内容、阅读内容、评论内容、分享内容、采集内容、投票（任何一）行为）的用户总数。其中，我们使用内容交互率（contentinteractors/总用户数）来衡量整个产品的用户参与度。

　　3）内容价值

　　指通过内容产生的实际收入，包括广告收入、分享收入、订阅费等。 比如你在社区发布了一个卖广告的图文，图文阅读量为4000，产生的收入为2000元，则内容价值为2000元，内容的个人阅读收入为0.5元。

　　企业产品转化指数

　　目前大部分企业类产品会通过免费试用来吸引用户，并通过后续运营将试用用户转化为付费用户。对于分级收费模式的企业产品，运营也需要引导用户购买更先进、更好的服务。因此，对于企业产品的运营，需要重点关注以下转化指标。

　　1）体验用户量

　　申请企业服务体验的用户总数，运营需要用体验率（experienced users/users）来衡量产品的包装吸引力。

　　2）付费用户

　　对于企业服务产品，最需要关注的就是有多少免费用户最终成为付费用户。运营需要通过转化率（付费用户总数/体验用户总数）来衡量产品的市场匹配度。

　　3）追加销售量

　　有多少人升级到了更昂贵的服务水平，运营商需要通过追加销售比例（总加销售用户/总付费用户）来衡量产品的售后服务能力。

　　4）平均客户收入

　　单位时间内每位客户（销售/付费用户）的平均收入，以及相应的客户终身价值，指客户在使用产品期间支付的总金额。

　　3 产品传播指标

　　现在产品将具有内置的共享功能。对于依赖传播增长的基于内容的平台或产品，病毒式增长的衡量将变得至关重要。

　　1）病毒K因子

　　在国外是一个广泛使用的概念，是指现有用户能够获取的新用户数量。计算病毒K因子，首先需要计算邀请率，即发送邀请数除以现有用户数，然后计算邀请接受率，即新注册人数或新用户数除以邀请总数；将两者相乘。当K因子大于1时，每个用户至少可以引入一个新用户，用户数量会滚雪球，最终实现自我传播。当 K 因子足够大时，病毒式营销会迅速传播。

　　2）传播周期

　　传播周期是指用户完成传播转化新用户所需的时间。一般来说，传播周期越短，用户裂变传播的效果越好。假设1000个*敏*感*词*用户在10天内邀请1500个用户，那么传播周期为10天，K因子为1.5。这 1500 名用户将在接下来的 10 天内邀请 2250 名用户。

　　实际案例：计算病毒传播系数的定量示例。在下图给出的社区裂变活动示例中，2000 名用户发出了 500 份邀请，其中 1000 人加入了社区。

　　通过计算，我们可以计算出本次社区裂变活动的病毒K因子为0.5。理论上，这意味着每两个现有用户可以成功邀请 1 个新用户，每两个新用户可以成功请求 1 个新客户。如果要提高K因子，就需要重点提高邀请率，增加邀请的刺激。

　　如何选择数据指标？

　　以上是您在操作过程中可能用到的数据指标。为了让大家轻松掌握，这里做一个总结。

　　在这么多指标中选择哪个指标来衡量运营效果需要具体结合你的运营场景。在不同的场景下，会用到不同的指标。以运筹所组织的创世大赛为例，分析其指数选择过程：

　　1）明确的目的

　　每一个操作行为都伴随着一个特定的操作目的。对于大型电商促销，其目的通常是增加平台的GMV，对于社区产品，其目的通常是增加产品的DAU。对于运筹学社的创作大赛来说，本次活动的主要目的是增加公众号的关注度，所以它的首要指标就是增加关注度。

　　2）结合流程

　　运营目标指标只是一个结果，其实现需要一系列的运营事件。运营研究机构在比赛中创造粉丝的目标的实现包括注册参数、提交选题、文章写作、排名拉票等。

　　3） 对应指标

　　对于操作过程中的事件，找出相应的指标。分析运筹机构创作大赛的过程，不难得出指标公式：粉丝增长=注册用户数*话题转化率*写作转化率*人均拉票量。通过以上对运筹机构创作大赛的分析，我们可以得出公众号粉丝数是本次活动的第一指标，同时还包括四个可操作的指标：注册用户数、选题转化率、写作的转化率，以及人均票数。

　　1 数据分析的操作方法

　　数据分析从业者有一个共识——“数据是发现问题的神器！”

　　但是在真实的工作环境中，你会发现数据并不能帮你发现问题。比如看完下面的数据，你能看出有什么问题吗？

　　其实很难看出问题！因为真正的数据分析不是事后做数据工作，而是在运营事件开始前要有数据分析意识，在运营执行过程中不断观察数据，调整计划。完整的数据分析具体包括以下5个步骤。

　　第一步是梳理业务流程。对于已有数据的业务，可以先分析了解业务。

　　第二步，按照流程对核心数据指标进行拆解，形成数据分析指标报告。

　　第三步，预测数据分析指标并给出对策。

　　第四步，上报每日统计数据，观察业务指标数据状态。

　　第五步是根据数据指标的结果最终产生运营决策。

　　也为了让大家充分理解这个数据分析的过程，这里举个例子：

　　实际案例：社区上线新的内容推荐功能。在灰色时期，需要进行小范围的内部测试，确定功能与用户需求的匹配度，以便后续决定是否全面推广内容推荐功能。

　　在这样的业务背景下，我们按照以上5个步骤进行数据分析

　　第一步：梳理业务流程，制作分析报告

　　该功能的推广以现场推广为主。用户通过Banner和App推广看到这个内容推荐功能后，有需要的用户会点击该功能阅读内容。如果你觉得不错，过一段时间用户就会过来继续使用这个功能。对于内容功能是否满足用户需求的评价，最重要的指标是用户留存率和每天留存率。

　　第二步：按照流程拆解核心数据指标，形成指标报告

　　留存用户数和留存率是本次功能灰度测试的核心指标。详细拆解可以包括次日留存、2天留存、3天留存……等数据指标。 并且为了观察每天新用户的留存情况，报表以日期为单位进行分组.

　　第三步：预测数据指标，给出解决对策

　　“留存用户”是灰度测试阶段内容推荐功能的核心指标。考虑到灰度测试覆盖的用户是产品的活跃用户，我们将次日留存率预测值设为60%。至于内容推荐功能，其留存率主要受推荐内容质量的影响。当次日留存率低于60%时，运营需要对内容点击量进行深度分析，同时推荐更多优质热点内容。吸引用户再次点击该功能。

　　第四步：每日统计数据指标，观察业务指标状态

　　灰度测试时，每天观察指标数据，发现异常及时调整。在这种情况下，内容推荐功能上线第一天的新用户留存率在第二天只有40%。