資料分析是產品經理的一項基本技能， 然而每次想好好學習下， 資源不是7天精通Excel就是20天進階SQL， 甚至於Python必知必會……工欲善其事必先利其器，
而資料指標的定義， 是培養資料思維要闖的第一道關。 作為一隻資料小白， 分享一點定義資料指標的心得， 有問題老鐵們請斧正。
1、啟動， 如何定義一個啟動？下載、安裝並打開APP的用戶數？我們暫且這麼定義。 根據定義， 下載沒安裝或者安裝沒打開的用戶， 都不計入啟動。 只有完成所有步驟的使用者才算。 但是問題來了， 一個用戶下載、安裝並打開APP時， 根本沒登錄， 他只是一個遊客。 啟動的定義變成：下載、安裝並打開APP的遊客數。
如果我們把這個定義交給開發， 開發可能會問， 拿什麼標識一個遊客？設備號。 每台移動設備都有一個唯一的識別號碼， 也叫IMEI（International Mobile Equipment Identity）。 所以， 啟動的定義又變成：下載、安裝並打開APP的設備數，
有人可能會問， 我更新APP後打開， 或者卸載重新安裝APP再打開， 算一個新的啟動麼？這就涉及到統計口徑的問題， 一般來講， 覆蓋安裝與卸載安裝後的打開， 都不計入啟動。
2、新增用戶數， 多維度區分如果把新增用戶定義為新註冊的User_ID， 簡單粗暴， 但市場的同事首先不答應。
市場推廣APP有多種管道類型， 比如各大安卓應用市場、AppStore、資訊流、SEO、流量互換等， 每個類型下的管道， 以Channel_ID來標識。
管道有區分， APP自身也有區分。 最省事的區分是Android包和iOS包， 顯然未考慮擴展性。 如果市場製作馬甲包（APP小號）、獨立H5頁， 推向市場， 需要以Product_ID來區分產品（APP、H5）。
另外一個維度是版本。 每個版本發佈時， 市場可能會帶一波量， 需要觀察版本新增使用者的推廣成本、轉化、ARPU值等。
以上， 通過Channel_ID、Product_ID、Version_ID的區分和篩選， 市場部的同事就可以知道， 每個管道下的每個產品的每個版本的新增使用者情況。
維度區分清晰了， 除了在一定程度上， 提高市場推廣效率外， 甚至能預防資料異常的發生。 筆者所在公司是做公積金查詢的， 查詢數/新增用戶數， 是一項重要的指標。 有天突然查詢數/新增用戶數斷崖式下跌， 一開始， 大家都以為是查詢成功率下降導致查詢數（分子）下降， 拼命分析影響成功率的因素， 卻始終無解。
後來才發現， 是新增用戶數（分母）的暴增導致了比率的下跌。 新增用戶數暴增， 查詢數成功率正常， 查詢數卻沒有增加， 什麼鬼？其實這是個偽暴增。
如果能在資料指標定義時， 清晰地劃分出可能的維度， 類似耗費時間與溝通成本的資料異常問題就不會發生。
3、活躍， 誰的活躍？定義活躍， 不能粗暴地只定義一個用戶日活指標， 可以先從轉化的角度進行用戶層級的劃分。
筆者所在的公司， 是通過公積金資料做授信， 説明銀行篩選優質貸款客戶， 使用者在APP上的關鍵行為是查詢公積金、申請貸款。 因此轉化漏斗是：啟動-註冊-查詢公積金-申請貸款， 對應指標是：APP日活（遊客+用戶）、用戶日活、公積金導入用戶日活和貸款申請用戶日活。
APP日活， 以APP的一次打開為一個活躍， 以設備號為標識， 當日的重複打開不計入活躍。
跟蹤以上指標， 能得到比單純的用戶日活指標更豐富的資訊。
另外， 活躍也不一定以日為單位。 從行為頻率上來看， 查詢公積金可能是1次/月， 申請貸款可能是1次/日。 那麼， 公積金導入用戶， 月活可能更適合作為活躍指標；而對於申請貸款的用戶， 則日活更適合。
4、留存/流失， 兩兄弟？在和同事討論7日留存率的定義時， 出現了分歧。 有人認為7日留存率指的是， 新用戶在第2-7日的活躍數/新用戶數；而不同意見表示是新用戶在第7日的活躍數/新用戶數。 老鐵們也可以發表下自己的意見， 你們支持哪種， 理由呢？
留存率是APP推廣初期尤其要重視的指標。 留存率低的產品，等於一個巨大的漏斗，市場砸錢買來的流量，在產生收益前，就都統統漏掉。真真是黃金萬兩，砸不出一個聲響。
至於選擇次日留存率、7日留存率還是30日留存率作為唯一關鍵指標，多少留存率為目標，要根據產品特性與市場環境作具體分析。
從定義上看，流失和留存貌似是兩兄弟。有7日留存率，就有7日流失率，兩者的分子加起來等於首日的新用戶。但新用戶在第7日未活躍，就定義為流失用戶，未免太過草率。由於回流用戶的存在，定義流失用戶的週期一般比留存用戶的長。比如，定義90日內未活躍的用戶為流失用戶，更為合適。
5、定義資料指標的目的性最後強調一點，定義資料指標不能無的放矢。
如果是為了解決一個問題，那我們先明確問題，分析可能的原因，再去定義指標。
如果是為了驗證設計方案的優劣，那我們先明確設計方案的目標，圍繞目標去對比上線前後的資料，或者做A/B Test。
如果是為了預測，那我們先摸索現有的資料規律，找到規律的引數，再進行推演。
如果是為了預警，那我們先制定資料基線以及浮動範圍，並根據實際情況的變化靈活調整。
作者：岸泥。微信公眾號：產品小匠鋪（ID: PMDaiweiwei）
本文由 @ 岸泥 原創發佈于人人都是產品經理。未經許可，禁止轉載。
題圖來自PEXELS，基於CC0協議
留存率低的產品，等於一個巨大的漏斗，市場砸錢買來的流量，在產生收益前，就都統統漏掉。真真是黃金萬兩，砸不出一個聲響。至於選擇次日留存率、7日留存率還是30日留存率作為唯一關鍵指標，多少留存率為目標，要根據產品特性與市場環境作具體分析。
從定義上看，流失和留存貌似是兩兄弟。有7日留存率，就有7日流失率，兩者的分子加起來等於首日的新用戶。但新用戶在第7日未活躍，就定義為流失用戶，未免太過草率。由於回流用戶的存在，定義流失用戶的週期一般比留存用戶的長。比如，定義90日內未活躍的用戶為流失用戶，更為合適。
5、定義資料指標的目的性最後強調一點，定義資料指標不能無的放矢。
如果是為了解決一個問題，那我們先明確問題，分析可能的原因，再去定義指標。
如果是為了驗證設計方案的優劣，那我們先明確設計方案的目標，圍繞目標去對比上線前後的資料，或者做A/B Test。
如果是為了預測，那我們先摸索現有的資料規律，找到規律的引數，再進行推演。
如果是為了預警，那我們先制定資料基線以及浮動範圍，並根據實際情況的變化靈活調整。
作者：岸泥。微信公眾號：產品小匠鋪（ID: PMDaiweiwei）
本文由 @ 岸泥 原創發佈于人人都是產品經理。未經許可，禁止轉載。
題圖來自PEXELS，基於CC0協議