最用心的運營數據指標解讀

本文是《如何七周成為數據分析師》的第十七篇教程，如果想要了解寫作初衷，可以先行閱讀七周指南。溫馨提示：如果您已經熟悉業務，大可不必再看這篇文章，或只挑選部分。

數據分析涉及不同的業務領域，很多時候，業務的了解比數據技巧更重要。很多新人常問Python、SQL，但鮮有問業務，可後者才決定分析的成敗。

業務的洞悉決定了數據分析師發展的上限，數據技巧只是逼近它。好的分析師都懂業務，也必須懂業務。

我希望通過本文，讓數據新人對業務有一個大概的了解，也適用產品和運營新人（我是互聯網背景，所以本文更多涉及這塊）。文章的內容會給你「寬」的感覺，希望最後有幫助。

用戶獲取

用戶獲取是運營的起始，用戶獲取接近線性思維，或者說是一個固定的流程：用戶接觸-用戶認知-用戶興趣-用戶行動／下載。每一個流程都涉及多個數據指標。

渠道到達量

俗稱曝光量，即產品推廣頁中有多少用戶瀏覽。它可以在應用商店，可以在朋友圈，可以在搜索引擎，只要有流量的地方，都會有渠道曝光。

曝光量是一個蠻虛榮的數字，想一想現代人，每天要接觸多少信息？其中蘊含了多少推廣，最後能有幾個吸引到用戶？更多時候，渠道到達量和營銷推廣費掛鉤，卻和效果相差甚遠。

廣告和營銷還會考慮推廣帶來的品牌價值。用戶雖沒有點擊或和產品交互，但是用戶知道有這麼一個東西，它會潛移默化地影響用戶未來的決策。然而品牌價值很難量化，在廣告計算中，系統只會將用戶的行為歸因到最近一次的廣告曝光。

廣告點擊量稱為CTR，廣告點擊量/廣告瀏覽量，除了廣告，它也應用在各類推薦系統的評價中。

渠道轉化率

既然廣告已經曝光，那麼用戶應該行動起來，轉化率是應用最廣闊的指標。業界將轉化率和成本結合，衍生出CPM，CPC，CPS，CPD，CPT等。

CPM(Cost Per Mille)指每千人成本，它按多少人看到廣告計費，傳統媒介比較傾向採用。CPM推廣效果取決於印象，用戶可能瀏覽也可能忽略，所以它適合在各類門戶或者大流量平台採用Banner形式展現品牌性。

CPC(Cost Per Click)指每用戶點擊成本，按點擊計價，對廣告主來說，這個比CPM的土豪作派理性多了。也有很多人會認為，CPC不公平，用戶雖然沒有點擊，但是曝光帶來了品牌隱形價值，這對廣告位供應方是損失。

CPA(Cost Per Action)指每行動成本，按用戶行為計價，行為能是下載也能是訂單購買。CPA收益高於前兩者，風險也大得多，它對需求方有利對供應方不利。

以上三種是常見的推廣方式，CPT按時間，CPS和CPS算在CPA的範圍內。渠道推廣是依賴技術的行業，用戶畫像越精準，內容與用戶越匹配，則越容易產生收益。

還有一種指標eCPM(effective cost per mille)，每一千次展示可獲得收入，這是廣告主預估自身收益的指標。

渠道ROI

ROI是一個廣泛適用的指標，即投資回報比。

市場營銷、運營活動，都是企業獲利為出發點，通過利潤/投資量化目標。利潤的計算涉及財務，很多時候用更簡單的收入作分子。當運營活動的ROI大於1，說明這個活動是成功的，能賺錢。

除了收入，ROI也能推廣到其他指標，有些產品商業模式並不清晰，賺不到錢，那麼收入會用其他量化指標代替。譬如註冊用戶量，這也就是獲客成本了。

日應用下載量

App需要下載，這是一個中間態，如果不注意該環節也會流失不少用戶。應用商店的產品介紹，推廣文案都會影響。有些動輒幾百M的產品，常將部分安裝留在初次啟動應用時以補丁形式完成，如各類遊戲，就是怕漫長的下載時間造成玩家流失。

第三方平台下載到用戶註冊App，這步驟數據容易出錯，主要是用戶對不上。技術上通過唯一設備ID匹配。

日新增用戶數

新增用戶數是用戶獲取的核心指標，曾經

新增用戶可以進一步分為自然增長和推廣增長，自然增長可以是用戶邀請，用戶搜索等帶來的用戶，而推廣是運營人員強控制下增長的用戶量。前者是一種細火慢燉的優化，後者是烹炸爆炒的營銷。

用戶獲客成本

用戶獲取必然涉及成本，而這是運營新手最容易忽略的。曾經寫過一篇文章描述獲客成本，「獲取新增用戶，運營都應該知道的事」。

一次會話用戶數

一次會話用戶，指新用戶下載完App，僅打開過產品一次，且該次使用時長在2分鐘以內。這類用戶，很大可能是黑產或者機器人，連羊毛黨都算不上。

這是產品推廣的灰色地帶，通過各種技術刷量，獲取虛假的點擊量謀取收益。該指標屬於風控指標，用於監管。

用戶活躍

用戶活躍是運營的核心階段，不論移動端、網頁端或者微信端，都有相關指標。另外一方面，現在數據分析也越來越注重用戶行為，這是精細化的趨勢。

日活躍用戶/月活躍用戶

行業默認的活躍標準是用戶用過產品，廣義上，網頁瀏覽內容算「用」，在公眾號下單算「用」，不限於打開APP。「一篇文章讀懂活躍數據」。

活躍指標是用戶運營的基礎，可以進一步計算活躍率：某一時間段內活躍用戶在總用戶量的佔比。按時間維度，則有日活躍率DAU、周活躍率WAU和月活躍率MAU。活躍用戶數，衡量的是產品的市場體量，活躍率，看的則是產品的健康。

可僅僅打開產品，能否作為產品健康的度量？答案是否定的。成熟的運營體系，會將活躍用戶再細分出新用戶、活躍用戶、忠誠用戶、不活躍用戶、流失用戶、迴流用戶等。流失用戶是長期不活躍，忠誠用戶是長期活躍，迴流用戶是曾經不活躍或流失，後來又再次打開產品的活躍用戶。

通過不同的活躍狀態，將產品使用者劃分出幾個群體，不同群體構成了產品的總用戶量。健康的產品，流失用戶佔比不應該過多，且新增用戶量要大於流失用戶量。

PV和UV

PV是互聯網早期Web站點時代的指標，也可以理解為網頁版活躍。PV(PageView)是頁面瀏覽量，用戶在網頁的一次訪問請求可以看作一個PV，用戶看了十個網頁，則PV為10。

UV(Unique Visitor)是一定時間內訪問網頁的人數，正式名稱獨立訪客數。在同一天內，不管用戶訪問了多少網頁，他都只算一個獨立訪客。怎麼確認用戶是不是同一個人呢？技術上通過網頁緩存cookie或者IP判斷。如果這兩者改變了，則用戶算作全新的訪客。

PV和UV是很老的概念，但是數據分析繞不開他們，除了產品上各頁面的瀏覽，在第三方平台如微信，各類營銷活動都只能通過Web頁實現，PV和UV便需要發光發熱了。

有一點需要注意的是，微信瀏覽器不會長期保留cookie，手機端的IP也一直變動，基於此統計的UV會有誤差(不是大問題,只是uv中的新訪客誤差較大)。這裡可以通過微信提供的openid取代cookie作為uv基準，需要額外的技術支持。

用戶會話次數

用戶會話也叫session，是用戶在時間窗口內的所有行為集合。用戶打開App，搜索商品，瀏覽商品，下單並且支付，最後退出，整個流程算作一次會話。

會話的時間窗口沒有硬性標準，網頁端是約定俗成的30分鐘內，在30分鐘內用戶不管做什麼都屬於一次會話。而超過30分鐘，不如出去吃個飯回來再操作，或者重現打開，都屬於第二次會話了。

移動端的時間窗口默認為5分鐘。

用戶會話次數和活躍用戶數結合，能夠判斷用戶的粘性。如果日活躍用戶數為100，日會話次數為120，說明大部分用戶都只訪問了產品一次，產品並沒有粘性。

用戶會話依賴埋點採集，不記錄用戶的操作，是無法得知用戶行為從哪裡開始和結束的。另外一方面，用戶會話是用戶行為分析的基礎。

用戶訪問時長

顧名思義，用戶訪問時長是一次會話持續的時間。不同產品類型的訪問時長不等，社交肯定長於工具類產品，內容平台肯定長於金融理財，如果分析師發現做內容的產品大部分用戶訪問時長只有幾十秒，那麼最好分析一下原因。

功能使用率

除了關注活躍，運營和數據分析師也應該關注產品上的重要功能。如收藏，點贊，評論等，這些功能關係產品的發展以及用戶使用深度，沒有會喜歡一個每天打開產品卻不再做什麼的用戶。

功能使用率也是一個很寬泛的範圍，譬如用戶瀏覽了一篇文章，那麼瀏覽中有多少用戶評論了，有多少用戶點贊了，便能用點贊率和評論率這兩個指標，然後看不同文章點贊率和評論率有沒有差異，點贊率和評論率對內容運營有沒有幫助，這些都屬於功能使用率。又譬如視頻網站，核心的功能使用率就是視頻播放量和視頻播放時長。

微信公眾號指標即可以單獨說，也能把它作為產品的功能延伸看待。圖文送達率，轉化分享率，二次轉化分享率，關注者增量等和本文其他指標一脈相承。只是第三方數據多有不便，更多分析依賴假設。

用戶留存

如果說活躍數和活躍率是產品的市場大小和健康程度的話，那麼用戶留存就是產品能夠可持續發展。

留存率

用戶在某段時間使用產品，過了一段時間后，仍舊繼續使用的用戶，被稱為留存用戶。留存率 = 仍舊使用的用戶/ 當初的總用戶量。

在今天的互聯網行業，留存是比新增和活躍提到次數更多的指標，因為移動的人口紅利沒有了，用戶越來越難獲取，競爭也越來越激烈，如何留住用戶比獲得用戶更重要。

假設產品某天新增用戶1000個，第二天仍舊活躍的用戶有350個，那麼稱次日留存率有35%，如果第七天仍舊活躍的用戶有100個，那麼稱七日留存率為10%。

Facebook有一個著名的40-20-10法則，即新用戶次日留存率為40%，七日留存率為20%，三十日留存率為10%，有此表現的產品屬於數據比較好的。

上面的案例都是圍繞新用戶展開，還有一種留存率是活躍用戶留存率，或者老用戶活躍率，即某時間活躍的用戶在之後仍舊活躍的比率。它更多用周留存和月留存的維度。

新增留存率和活躍率是不同的，新增留存率關係於產品的新手引導，各類福利，而活躍留存率和產品氛圍，運營策略，營銷方式等有關，更看重產品和運營的水平。

用戶流失率

用戶流失率和留存率恰好相反。如果某產品新用戶的次日留存為30%，那麼反過來說明有70%的用戶流失了。

流失率在一定程度能預測產品的發展，如果產品某階段有用戶10萬，月流失率為20%，簡單推測，5個月後產品將失去所有的用戶。這個模型雖然簡陋，用戶迴流和新增等都沒有考慮，但是它確實反應了產品未來的生命周期不容樂觀。

這裡可以引出一個公式，生命周期 = （1/流失率）*流失率的時間維度。它是經驗公式，不一定有效。

產品的流失率過高有問題么？未必，這取決於產品的背景形態，某產品主打婚禮管理工具，它的留存率肯定低，大多數用戶結婚後就不用。但這類產品一定有生存下去的邏輯。旅遊類的應用也是，用戶一年也打開不了幾次，但依舊能發展。

退出率

退出率是網頁端的一個指標。網頁端追求訪問深度，用戶在一次會話中瀏覽多少頁面，當用戶關閉網頁時，可認為用戶沒有「留存」住。退出率公式：從該頁退出的頁面訪問數/進入該頁的頁面訪問數，某商品頁進入PV1000，該頁直接關閉的訪問數有300，則退出率30%。

跳出率是退出率的特殊形式，有且僅瀏覽一個頁面就退出的次數/訪問次數，僅瀏覽一個頁面意味著這是用戶進入網站的第一個頁面，俗稱落地頁LandingPage。

退出率用於網頁結構優化，內容優化。跳出率常用於推廣和運營活動的分析，兩者容易混淆。

營銷

營銷也有自己的數據體系，互聯網的數據體系就是脫胎於此才發展出AARRR框架。產品的發展模式有兩種，如果一款產品能夠在短時間獲得百萬用戶，AARRR框架更適合它；如果一款產品從第一個用戶起即有明確的商業模式，也能嘗試套用市場營銷的概念。

用戶生命周期

它有兩種含義,一種是針對用戶個體/群體的營銷生存窗口。用戶會隨時間推移發生變化，這種變化帶來無數營銷機會，對市場和企業是機遇。如懷胎十月,它就是一個生命周期為十月的營銷窗口，企業會圍繞這時期的用戶建立特定營銷。搬家，大學畢業，買房等都具有典型的周期特徵。

另外一種是用戶關係管理層面的生命周期，它對運營人員更重要。產品和用戶的業務關係會隨著時間推移改變。在傳統營銷中，分為潛在用戶，興趣用戶，新客戶，老/熟客戶，流失客戶。這幾個層層遞進的階段和用戶活躍很像。

對於一款母嬰產品，我既要知道營銷的生存窗口，即懷孕了幾個月，因為孕早期和孕晚期的營銷側重點不一樣，剛懷孕肯定是最合適的。也要知道用戶本身和產品對應的關係，這位媽媽是新客戶，還是曾經用過App但流失了。

營銷數據分析中，最關鍵的環節就是新客戶—流失客戶這個階段，一位用戶能和產品互動多久，將決定產品的生命力。聽起來和留存挺像的，上文提過的生命周期計算公式，就是脫胎於市場營銷。

用戶生命周期價值

生命周期價值是用戶在生命周期內能為企業提供多少收益，它需要涉及財務定義。互聯網行業更多提到生命周期，而不是生命周期價值，因為互聯網的商業模式沒有傳統營銷的買和賣那麼簡單明確。

舉個例子，微信用戶的生命周期價值能否計算？並不能，不論是廣點通、遊戲或者微信理財，都推導不出一個泛化的模型。但是部分產品，如金融和電商，生命周期價值是可計算的。

以互聯網金融舉例，某App提供理財和現金貸款兩種業務，公司從這兩個業務中獲得收入通常是一個較穩固的比率，而成本支出平攤每個用戶頭上也是固定常數。所以利潤就變成了用戶理財和貸款的金額大小，以及生命周期的長短。這兩者都是可估算的。

生命周期價值比生命周期重要，因為公司要活下去，就得賺更多的錢，而不是用戶使用時間的長短。更多內容見「運營的商業邏輯：CAC和CLV」。

客戶/用戶忠誠指數

忠誠指數是對活躍留存的再量化。活躍僅是產品的使用與否，A用戶和B用戶都是天天打開App，但是B產生了消費，那麼B比A更忠誠。數據往往需要更商業的指標描述用戶，消費與否就是一個好維度。

我們可以用一個簡化模型表示：

t是一個時間窗口，s代表消費次數，代表的距今某段時間內的消費次數。若時間窗口選擇月，那麼t=1是距今第1個月內的消費次數，t=2是距今第2個月內的消費次數，列舉數據如下。

將消費次數代入s/(s+1)，對數據進行轉換，它的目的是收斂。以忠誠角度看，消費10次和消費100次的差異並不大，都屬於很高且難以流失的用戶，10/11和100/101的關係，並且有效規避極值。對於消費0次，1次，2次的用戶，則對應0，0.5和0.66，在業務上也具備可解釋性。

各月份求和得出的指數能反應用戶在消費方面的忠誠。圖例只是解釋，實際應用過程中需要歸一化，並且考慮時間權重：越近的消費肯定越忠誠。上述的模型在於簡單，適合各類商業模式的早期分析，如金融投資，便可以計算用戶每個季度的投資次數。

客戶/用戶流失指數

流失指數是對流失的再量化，它是忠誠指數的反面。流失率衡量的是全體用戶，而為了區分不同用戶的精細差異，需要流失指數。在早期，流失指數=1-忠誠指數。

流失指數和忠誠指數的具體定義能根據業務需要調整，比如忠誠按是否消費，流失按是否打開活躍，只要解釋能站住腳。

在擁有足夠的行為數據后，可以用回歸預測流失的概率，輸出[0,1]之間的數值，此時流失的概率便是流失指數。

客戶/用戶價值指數

用戶價值指數是衡量歷史到當前用戶貢獻的收益（生命周期價值是整個周期，包括未來），它是精細化運營的前提，不同價值的用戶採取不同策略以最大化效果。

用戶價值指數的主流計算方式有兩種，一種是RMF模型，利用R最近一次消費時間，M總消費金額，F消費頻次，將用戶劃分成多個群體。不同群體即代表了不同的價值指數。

第二種是主成分分析PCA，把多個指標轉化為少數幾個綜合指標（即主成分），其中每個主成分都能夠反映原始變數的大部分信息，且所含信息互不重複。

假設有一個旅遊攻略網站，怎麼界定優質的內容貢獻者？用戶的文章發布量？文章被點贊數？用戶被關注數？文章好評數？文章更新頻次？每個指標都挺重要的，主成分分析能囊括上述所有指標，將其加工成兩到三個指標（通常是線性相關指標被合併）。這時再加工成價值指數則不難了。

上述各類指數，都是針對用戶營銷的明細數據。如何應用呢？最經典的是矩陣法，將指標劃分出多個象限，如用戶價值指數和用戶流失指數。

對於用戶價值高且流失指數高的用戶，應該採取積極的喚回策略，對於用戶價值低且流失指數高，那麼考慮成本的平衡適當運營即可…這就是精細化運營的一個案例，也是市場營銷多年來總結出的有效方法。

傳播/活動

把傳播和活動放到一起講，它們是一體兩面。

K因子

國外用得廣泛的概念：每位用戶平均向多少用戶發出邀請，發出的邀請又有多少有效的轉化率，即每一個用戶能夠帶來幾個新用戶，當K因子大於一時，每位用戶能至少能帶來一個新用戶，用戶量會像滾雪球般變大，最終達成自傳播。當K因子足夠大時，就是快口相傳的病毒營銷。

國內的邀請傳播，主體自然是微信朋友圈。微信分享功能和網頁都是能增加參數統計的，不難量化。

病毒傳播周期

活動、廣告、營銷等任何能稱之為傳播的形式都會有傳播周期。病毒性營銷強則強矣，除非有後續，它的波峰往往只持續兩三天。這也是拉新的黃金周期。

另外一種傳播周期是圍繞產品的邀請機制，它指種子用戶經過一定周期所能邀請的用戶。因為大部分用戶在邀請完后均會失去再邀請的動力，那麼傳播周期能大大簡化成如下：假設1000位種子用戶在10天邀請了1500位用戶，那麼傳播周期為10天，K因子為1.5，這1500位用戶在未來的10天內將再邀請2250位用戶。

理論上，通過K因子和傳播周期，能預測依賴傳播帶來的用戶量，可實際的操作意義不大，它們更多用於各類活動和運營報告的解讀分析。

用戶分享率

現在產品都會內嵌分享功能，對內容型平台或者依賴傳播的產品，分享率是較為重要的指標，它又可以細分為微信好友/群，微信朋友圈，微博等渠道。

有一點值得注意，數據只能知道用戶轉發與否，轉發給誰是無法跟蹤的。所以產品用物質激勵用戶分享要當心被薅羊毛。反正我轉發都是給「文件傳輸助手」的…

活動曝光量/瀏覽量

傳播和線上活動是息息相關的，這兩者的差異不大。想要做好一個活動，單純知道活動的瀏覽量是不夠的，好的活動一定是數據分析出來的。以朋友圈最尋常見的紅包營銷舉例。它的分析通過網頁參數，如下：

www.aaa.com/activity/bigsales/?source=weixin&content=h9j76g&inviter=00001&timestamp=1495286598

問號後面的是網頁參數，source=weixin說明網頁是分享到微信的。content=h9j76g是頁面具體內容，這裡則是營銷紅包的類型。inviter=00001說明是哪個用戶分享出去的，timestamp則是分享的具體時間戳。不同用戶的分享頁面有不同參數，按此作區分。

當這些頁面被用戶分享到朋友圈時，數據採集系統會記錄所有頁面的打開瀏覽。而頁面參數則是活動精細化分析的前提。通過source=weixin，數據分析師知道了紅包活動在微信的瀏覽量，相對應的還有QQ和微博。content則能看出用戶喜歡哪個類型的紅包，哪種紅包被領取得多，成本又是多少。inviter則能看出平均每個分享者的分享頁能帶來多少瀏覽量。

參數越多，分析的維度就能越細，活動可優化的空間也越大。如果大家有心的話，可以看朋友圈(包括網頁)各種活動的網頁參數，觀察其他產品的分析維度，它山之石可以攻玉，這是一個好習慣。

活動參與率

活動參與率衡量活動的整體情況，可以套用用戶活躍的分析指標。

這個活動的參於人數(活躍數)多少？有多少老用戶參與了這個活動？有多少新增用戶因為這個活動來，傳播類的活動分享數據怎麼樣？活動中的各個流程轉化如何？活動帶來多少新訂單。其實，運營活動可以看作一個短生命周期的產品，產品的一切指標都能應用於其中。

好的活動應該機制化，把它融入到產品的功能機制中，比如滴滴打車的紅包，美圖餓了么的紅包，都是從活動逐漸變成一種打法和抓手。更早期的各類網游，也是通過活動的推成出新成為了現在常態化的遊戲功能。

活動的機制化，意味著數據要分析活動指標，發現優點以改進，之後同樣常態化成報表：今天使用了多少紅包，今天有多少用戶因為活動新增，等等。

營收

產品，運營或者市場人員，從來不是為活躍、留存負責，而是商業，是企業的根本財務。數據分析也不是為了提高活躍和留存，而是像一個巨頭的漏斗，最終將業務驅動於此，即回歸商業的本質。

活躍交易用戶數

從產品曝光到用戶下載，用打開活躍到產生收入，產品的指標在一步步往商業靠攏，活躍交易用戶則是核心指標。整個流程呈現漏斗狀。

這裡的交易，即是買方的消費，也包含賣方的供應。若平台包含B端和C端，則兩端同等重要，均需要納入數據體系。

和活躍用戶一樣，活躍交易用戶也可以區分成首單用戶(第一次消費)，忠誠消費用戶，流失消費用戶等。細分交易數據和指標，關係到產品商業化的進展，所以是有必要的。其實到這個環節，各類指標已經更傾向用戶畫像，而非報表統計了。

活躍用戶交易比，統計交易用戶在活躍用戶中的佔比。當產品活躍用戶足夠多，但是交易用戶少，此時的商業化是有問題的，俗稱的變現困難，很多公司都倒在這一步。

GMV

成交總金額，只要用戶下單，生成訂單號，便可以算在GMV里，不管用戶是否真的購買了。互聯網電商更偏好這個指標。

成交金額對應的是實際流水，是用戶購買后的消費金額。銷售收入則是成交金額減去退款。至於利潤、凈利率，涉及到財務成本，數據分析挺難拿到這類數據，所以不太用到。

把上述的三個指標看作用戶支付的動態環節，則能再產生兩個新指標，這也是數據分析的思維之一。成交金額與GMV的比率，實際能換算成訂單支付率；銷售收入和成交金額，也涉及到了退款率，當分析陷入卡頓時，不妨觀察下這兩個指標，或許有幫助。

客單價

傳統行業，客單價是一位消費者每一次到場消費的平均金額。在互聯網中，則是每一筆用戶訂單的收入，總收入/訂單數。

很多遊戲或直播平台，並不關注客單價，因為行業的特性它們更關注一位用戶帶來的直接價值。超市購物，用戶購買是長周期性的，客單價可以用於調整超市的經營策略，而遊戲這類行業，用戶流失率極高，運營人員更關注用戶平均付費，這便是ARPU指標，總收入/用戶數。

ARPU可以再一步細分，當普通用戶佔比太多，往往還會採用每付費用戶平均收入ARPPU，總收入/收費用戶數。

復購率

若把復購率說成營收屆的留存率，你就會知道它有多重要了。和新增用戶一樣，獲得一個新付費用戶的成本已經高於維護熟客的成本。

在不少分析場景中，會將首單用戶單獨拎出來作為一個標籤，將兩次消費以上的用戶作為老客，之所以這樣做，是從一到二的意義遠不止加一那麼簡單。

用戶第一次消費，可能是體驗產品，可能是優惠，可能也是運營極大力地推動，各類因素促成了首單。而他們的第二次消費佔比會有斷崖式下跌(對應次日留存率的下跌)，因為這時候的消費逐漸取決於用戶對產品的信任，模式的喜歡或者習慣開始養成。

很多時候，用戶決策越長往往意味著客單價越高，如投資，旅遊。此時首單復購率越是一個需要關注的指標，它意味著更多的利潤。

復購率更多用在整體的重複購買次數統計：單位時間內，消費兩次以上的用戶數占購買總用戶數。

回購率是另外一個指標，值得是上一個時間窗口內的交易用戶，在下一個時間窗口內仍舊消費的比率。例如某電商4月的消費用戶數1000，其中600位在5月繼續消費，則回購率為60%。600位中有300位消費了兩次以上，則復購率是50%。

退貨率

退貨率是一個風險指標，越低的退貨率一定越好，它不僅直接反應財務水平的好壞，也關係用戶體驗和用戶關係的維護。

商品

這裡談以商品為主的數據分析，商品不限於零售行業，知識市場、虛擬服務、增值服務都屬於商品的一種。它有許多通用的分析模板，如購物車、進銷存。

購物籃分析

購物籃分析不應限於電子商務分析，而是用戶消費行為分析。

連帶率是購物籃分析的一種指標，特指銷售件數和交易次數之比。在大型商場和購物中心中，連帶消費是經營的中心，用戶多次消費即連帶消費。在電商中是購物的深度，是單次消費提高利潤的前提。

商品熱度是一種快速見效的分析。可以將商品分為最熱門Top20，最盈利Top20等，它依託二八法則，找出利潤的抓手，很多營銷會將它和連帶率結合，像電子商務，重點推廣多個能帶來流量的熱門爆款，爆款並不賺錢，而是靠爆款連帶銷售其他有利潤的商品。這種流量商品連帶利潤商品的策略並不少見。

購物籃分析中最知名的想必是關聯度，簡單理解是，買了某類商品的用戶更有可能買哪些其他東西。啤酒與尿布大概是最知名的案例了，雖然它是錯的，但揭示了商品之間確實存在關聯。

關聯分析有兩個核心指標，置信度和支持度。支持度表示某商品A和某商品B同時在購物籃中的比例，置信度表示買了商品A和人有多少同時買了B，表示為A→B。老王每次去菜場買菜都喜歡買一把蔥，在老王的菜籃(購物籃)分析中，蔥和其他菜的支持度很高，可是能說明老王買蔥后就一定買其他菜(蔥→其他菜)么？不能，只能說老王買了菜會去買蔥(其他菜→蔥)。除此還有提升度。 最有名的是Apriori演算法。

關聯分析並非只適用於購物籃，在很多營銷場景中都會用它作為追加銷售和交叉銷售。常見有大額消費+現金貸，醫療健康+保險等，目的便是提高營收。

進銷存

進銷存是傳統零售行業的經典管理模型，將企業商品經營拆分出採購、入庫、銷售三個環節，並且建立全鏈路的數據體系。在實際業務中，許多場景與進銷存都息息相關。

電子商務有幾個基礎概念，商品、SKU、SPU。商品就是對應消費者理解的單品，任何主流的電子商務網站，商品詳情頁都對應一個商品，也稱為SPU。而在商品詳情頁中，還會涉及尺碼，顏色，樣式的選擇，這類屬性形成了SKU，最小單位庫存。每一個屬性都對應著不同的SKU，如一件衣服有SML三個尺寸，則這件衣服是一個SPU，三個尺寸對應著三個SKU。

商品管理沒有我們想象的那麼簡單，有些用戶喜歡玫瑰金的iPhone，有些用戶鍾情於128G，如何更好地邁出這些商品，是從採購環節就開始的。

採購包括廣度、寬度、深度三個維度。廣度是商品品類，越充足的品類越能滿足消費者的消費，但是也帶來管理難銷售難的缺點。市面上手機品類總共有50個，某手機店出售30種，品類比為60%。

採購寬度是SKU佔比，代表商品供選擇的豐富程度。iPhone有黑色、銀色、玫瑰金三種顏色和16G、64G、128G三種容量，共9個SKU，如果手機店只賣玫瑰金色，則SKU佔比0.33。採購深度是平均每個SKU的商品數量。

庫存是一個中間狀態，採購是進，銷售是出。庫存是一個動態滾動的變化過程，我們常拿過去時間窗口內的庫存消耗速度衡量現有存量的消耗。某商場4月每天消耗庫存1000件，4月末的庫存為5萬件，則這5萬件的需要50天才能消耗完，50天被稱為庫存天數。雖然公式是理想狀況，但以其判斷缺貨是沒問題的。

銷售環節大家更熟悉，指標聚焦在兩個方面，銷售的速度和銷售的質量。銷售速度常表示為售罄率，表示為時間窗口內的銷售數量/時間窗口內的庫存數量，這是比率，故可以用累計售罄率。某商品3月份累計售罄率50%，4月份累計售罄率60%，5月份累計售罄率80%，說明商品逐漸賣斷貨應該補貨了，反過來售罄率一直低迷，則應該促銷或者降低進貨。

銷售的質量和折扣率掛鉤，乃是實收金額和標準金額的比率。國內各種紅包折扣促銷非常多，折扣率的統計師是非常有必要的。折扣率的典型應用是價格彈性指數：當價格變化1%時，商品銷量變化的百分比。這個指數將直接影響利潤。

進銷存內容比較多，熟悉了留存活躍分析的人可能會稍有些不習慣。可是互聯網變現的主流模式是電商或其變種，這方面的知識不可或缺。拿互聯網金融來說，投資標的有典型的進貨和庫存特徵，標的的投資額大小，風險等級與類型，標的剩餘數量和預計庫存天數，都是能直接適用進銷存指標的。當分析師發現某理財標的庫存天數過長，則要分析原因，是SKU過多，還是增長乏力。

最後

到這裡，大家已經頭暈了吧，業務是一個複雜體系，數據分析也從來不簡單，兩者結合都是充滿挑戰的。我的內容也沒有囊括全部，比如電商還有搜索有效性的指標，用戶在搜索框搜索，有多少為空搜索？而非空搜索中，有多少產生點擊的有效搜索？小小一個搜索框也有很多門道。

更重要的能力是洞察和發現，文章所有的指標，並非我發明的，都是市場營銷與數據分析的前輩總結而出，但是我個人學習中，並非囫圇吞棗，每個指標我都會停下思索如何用？過往哪種經驗能和他聯繫起來。數據分析短期內是無法快速獲得業務經驗，但是多思考是一種更好掌握的技巧。

當然，分析中用不到那麼多指標，往往兩到三個關鍵指標足夠，從業務方看，這些指標也不盡然是工作內容，大家別為KPI感到壓力。更好的驅動與分析方式，是針對部門設立一個大目標，比如營收，將營收拆分成兩到三個有邏輯關聯的二級指標，如更多的付費用戶能帶來營收，更長的生命周期能帶來營收，更高的客單價能帶來營收。將二級指標分配個多個小團多或者按時間排期執行，二級指標也能拆分成三級。

————

文章長度超出我的預計了，想要一篇囊括還是吃力，控幾不住我記幾啊。以後更詳細的解讀，就留待未來出版或者新文了。下篇開始就是Python了。

蘋果用戶讚賞用