資料分析涉及不同的業務領域，很多時候，業務的瞭解比資料技巧更重要。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。

 

業務的洞悉決定了資料分析師發展的上限，資料技巧只是逼近它。好的分析師都懂業務，也必須懂業務。

 

我希望通過本文，讓資料新人對業務有一個大概的瞭解，也適用產品和運營新人（我是網際網路背景，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。

 

  使用者獲取

 

使用者獲取是運營的起始，使用者獲取接近線性思維，或者說是一個固定的流程：使用者接觸-使用者認知-使用者興趣-使用者行動／下載。每一個流程都涉及多個數據指標。

 

渠道到達量

在這裡我還是要推薦下我自己建的大資料學習交流裙：805127855， 裙 裡都是學大資料開發的，如果你正在學習大資料 ，小編歡迎你加入，大家都是軟體開發黨，不定期分享乾貨（只有大資料開發相關的），包括我自己整理的一份2018最新的大資料進階資料和高階開發教程，歡迎進階中和進想深入大資料的小夥伴。
 

 

俗稱曝光量，即產品推廣頁中有多少使用者瀏覽。它可以在應用商店，可以在朋友圈，可以在搜尋引擎，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，每天要接觸多少資訊？其中蘊含了多少推廣，最後能有幾個吸引到使用者？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。使用者雖沒有點選或和產品互動，但是使用者知道有這麼一個東西，它會潛移默化地影響使用者未來的決策。然而品牌價值很難量化，在廣告計算中，系統只會將使用者的行為歸因到最近一次的廣告曝光。

 

廣告點選量稱為CTR，廣告點選量/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，那麼使用者應該行動起來，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，使用者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臺採用Banner形式展現品牌性。

 

CPC(Cost Per Click)指每使用者點選成本，按點選計價，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，使用者雖然沒有點選，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，按使用者行為計價，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，使用者畫像越精準，內容與使用者越匹配，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。

更多程式設計方面的分享請關注微信公眾號：程式設計師交流互動平臺！

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。譬如註冊使用者量，這也就是獲客成本了。

 

日應用下載量

 

App需要下載，這是一箇中間態，如果不注意該環節也會流失不少使用者。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。

 

第三方平臺下載到使用者註冊App，這步驟資料容易出錯，主要是使用者對不上。技術上通過唯一裝置ID匹配。

 

日新增使用者數

 

新增使用者數是使用者獲取的核心指標，曾經

 

新增使用者可以進一步分為自然增長和推廣增長，自然增長可以是使用者邀請，使用者搜尋等帶來的使用者，而推廣是運營人員強控制下增長的使用者量。前者是一種細火慢燉的優化，後者是烹炸爆炒的營銷。

 

使用者獲客成本
 

使用者獲取必然涉及成本，而這是運營新手最容易忽略的。

 

一次會話使用者數

 

一次會話使用者，指新使用者下載完App，僅開啟過產品一次，且該次使用時長在2分鐘以內。這類使用者，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，獲取虛假的點選量謀取收益。該指標屬於風控指標，用於監管。

 

  使用者活躍

 

使用者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，現在資料分析也越來越注重使用者行為，這是精細化的趨勢。

 

日活躍使用者/月活躍使用者

 

行業預設的活躍標準是使用者用過產品，廣義上，網頁瀏覽內容算「用」，在公眾號下單算「用」，不限於開啟APP。 

 

活躍指標是使用者運營的基礎，可以進一步計算活躍率：某一時間段內活躍使用者在總使用者量的佔比。按時間維度，則有日活躍率DAU、周活躍率WAU和月活躍率MAU。活躍使用者數，衡量的是產品的市場體量，活躍率，看的則是產品的健康。

 

可僅僅開啟產品，能否作為產品健康的度量？答案是否定的。成熟的運營體系，會將活躍使用者再細分出新使用者、活躍使用者、忠誠使用者、不活躍使用者、流失使用者、迴流使用者等。流失使用者是長期不活躍，忠誠使用者是長期活躍，迴流使用者是曾經不活躍或流失，後來又再次開啟產品的活躍使用者。 

 

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使用者量。健康的產品，流失使用者佔比不應該過多，且新增使用者量要大於流失使用者量。

 

 

PV和UV

 

PV是網際網路早期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，使用者在網頁的一次訪問請求可以看作一個PV，使用者看了十個網頁，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，不管使用者訪問了多少網頁，他都只算一個獨立訪客。怎麼確認使用者是不是同一個人呢？技術上通過網頁快取cookie或者IP判斷。如果這兩者改變了，則使用者算作全新的訪客。

 

PV和UV是很老的概念，但是資料分析繞不開他們，除了產品上各頁面的瀏覽，在第三方平臺如微信，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，需要額外的技術支援。

 

使用者會話次數

 

使用者會話也叫session，是使用者在時間視窗內的所有行為集合。使用者開啟App，搜尋商品，瀏覽商品，下單並且支付，最後退出，整個流程算作一次會話。

 

會話的時間視窗沒有硬性標準，網頁端是約定俗成的30分鐘內，在30分鐘內使用者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，或者重現開啟，都屬於第二次會話了。

 

 

 

移動端的時間視窗預設為5分鐘。

 

使用者會話次數和活躍使用者數結合，能夠判斷使用者的粘性。如果日活躍使用者數為100，日會話次數為120，說明大部分使用者都只訪問了產品一次，產品並沒有粘性。

 

使用者會話依賴埋點採集，不記錄使用者的操作，是無法得知使用者行為從哪裡開始和結束的。另外一方面，使用者會話是使用者行為分析的基礎。

 

使用者訪問時長

 

顧名思義，使用者訪問時長是一次會話持續的時間。不同產品型別的訪問時長不等，社交肯定長於工具類產品，內容平臺肯定長於金融理財，如果分析師發現做內容的產品大部分使用者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，運營和資料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使用者使用深度，沒有會喜歡一個每天開啟產品卻不再做什麼的使用者。

 

功能使用率也是一個很寬泛的範圍，譬如使用者瀏覽了一篇文章，那麼瀏覽中有多少使用者評論了，有多少使用者點讚了，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。又譬如視訊網站，核心的功能使用率就是視訊播放量和視訊播放時長。

更多程式設計方面的分享請關注微信公眾號：程式設計師交流互動平臺！

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。只是第三方資料多有不便，更多分析依賴假設。

 

  使用者留存

 

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，那麼使用者留存就是產品能夠可持續發展。

 

留存率

 

使用者在某段時間使用產品，過了一段時間後，仍舊繼續使用的使用者，被稱為留存使用者。留存率 = 仍舊使用的使用者/ 當初的總使用者量。

 

在今天的網際網路行業，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，使用者越來越難獲取，競爭也越來越激烈，如何留住使用者比獲得使用者更重要。

 

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

 

 

 

Facebook有一個著名的40-20-10法則，即新使用者次日留存率為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資料比較好的。

 

上面的案例都是圍繞新使用者展開，還有一種留存率是活躍使用者留存率，或者老使用者活躍率，即某時間活躍的使用者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。

 

使用者流失率

 

使用者流失率和留存率恰好相反。如果某產品新使用者的次日留存為30%，那麼反過來說明有70%的使用者流失了。

 

流失率在一定程度能預測產品的發展，如果產品某階段有使用者10萬，月流失率為20%，簡單推測，5個月後產品將失去所有的使用者。這個模型雖然簡陋，使用者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週期不容樂觀。

 

這裡可以引出一個公式，生命週期 = （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麼？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，大多數使用者結婚後就不用。但這類產品一定有生存下去的邏輯。旅遊類的應用也是，使用者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，使用者在一次會話中瀏覽多少頁面，當用戶關閉網頁時，可認為使用者沒有「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使用者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

 

營銷也有自己的資料體系，網際網路的資料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使用者，AARRR框架更適合它；如果一款產品從第一個使用者起即有明確的商業模式，也能嘗試套用市場營銷的概念。

 

使用者生命週期

 

使用者生命週期來源於市場營銷理論，舊稱客戶生命週期。

 

它有兩種含義,一種是針對使用者個體/群體的營銷生存視窗。使用者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,它就是一個生命週期為十月的營銷視窗，企業會圍繞這時期的使用者建立特定營銷。搬家，大學畢業，買房等都具有典型的週期特徵。

 

另外一種是使用者關係管理層面的生命週期，它對運營人員更重要。產品和使用者的業務關係會隨著時間推移改變。在傳統營銷中，分為潛在使用者，興趣使用者，新客戶，老/熟客戶，流失客戶。這幾個層層遞進的階段和使用者活躍很像。

 

對於一款母嬰產品，我既要知道營銷的生存視窗，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。也要知道使用者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。

 

營銷資料分析中，最關鍵的環節就是新客戶—流失客戶這個階段，一位使用者能和產品互動多久，將決定產品的生命力。聽起來和留存挺像的，上文提過的生命週期計算公式，就是脫胎於市場營銷。

 

使用者生命週期價值

 

生命週期價值是使用者在生命週期內能為企業提供多少收益，它需要涉及財務定義。網際網路行業更多提到生命週期，而不是生命週期價值，因為網際網路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，微信使用者的生命週期價值能否計算？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，生命週期價值是可計算的。

 

以網際網路金融舉例，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使用者頭上也是固定常數。所以利潤就變成了使用者理財和貸款的金額大小，以及生命週期的長短。這兩者都是可估算的。

 

生命週期價值比生命週期重要，因為公司要活下去，就得賺更多的錢，而不是使用者使用時間的長短。

 

客戶/使用者忠誠指數

 

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使用者和B使用者都是天天開啟App，但是B產生了消費，那麼B比A更忠誠。資料往往需要更商業的指標描述使用者，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是一個時間視窗，s代表消費次數，代表的距今某段時間內的消費次數。若時間視窗選擇月，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，列舉資料如下。

 

 

將消費次數代入s/(s+1)，對資料進行轉換，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使用者，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次的使用者，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使用者在消費方面的忠誠。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，便可以計算使用者每個季度的投資次數。

 

客戶/使用者流失指數

 

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使用者，而為了區分不同使用者的精細差異，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，流失按是否開啟活躍，只要解釋能站住腳。

 

在擁有足夠的行為資料後，可以用迴歸預測流失的概率，輸出[0,1]之間的數值，此時流失的概率便是流失指數。
 

客戶/使用者價值指數

 

使用者價值指數是衡量歷史到當前使用者貢獻的收益（生命週期價值是整個週期，包括未來），它是精細化運營的前提，不同價值的使用者採取不同策略以最大化效果。

 

使用者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，將使用者劃分成多個群體。不同群體即代表了不同的價值指數。

 

 

 

歷史文章曾經涉及到這一塊，「讀懂使用者運營體系：使用者分層和分群」，這裡就略過了。

 

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資訊，且所含資訊互不重複。

 

假設有一個旅遊攻略網站，怎麼界定優質的內容貢獻者？使用者的文章釋出量？文章被點贊數？使用者被關注數？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，都是針對使用者營銷的明細資料。如何應用呢？最經典的是矩陣法，將指標劃分出多個象限，如使用者價值指數和使用者流失指數。

更多程式設計方面的分享請關注微信公眾號：程式設計師交流互動平臺！

 

 

對於使用者價值高且流失指數高的使用者，應該採取積極的喚回策略，對於使用者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：每位使用者平均向多少使用者發出邀請，發出的邀請又有多少有效的轉化率，即每一個使用者能夠帶來幾個新使用者，當K因子大於一時，每位使用者能至少能帶來一個新使用者，使用者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引數統計的，不難量化。

 

病毒傳播週期

 

活動、廣告、營銷等任何能稱之為傳播的形式都會有傳播週期。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。這也是拉新的黃金週期。

 

另外一種傳播週期是圍繞產品的邀請機制，它指種子使用者經過一定週期所能邀請的使用者。因為大部分使用者在邀請完後均會失去再邀請的動力，那麼傳播週期能大大簡化成如下：假設1000位種子使用者在10天邀請了1500位使用者，那麼傳播週期為10天，K因子為1.5，這1500位使用者在未來的10天內將再邀請2250位使用者。

 

理論上，通過K因子和傳播週期，能預測依賴傳播帶來的使用者量，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。

 

使用者分享率

 

現在產品都會內嵌分享功能，對內容型平臺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，資料只能知道使用者轉發與否，轉發給誰是無法跟蹤的。所以產品用物質激勵使用者分享要當心被薅羊毛。反正我轉發都是給「檔案傳輸助手」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，好的活動一定是資料分析出來的。以朋友圈最尋常見的紅包營銷舉例。它的分析通過網頁引數，如下：

 

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

 

問號後面的是網頁引數，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型別。inviter=00001說明是哪個使用者分享出去的，timestamp則是分享的具體時間戳。不同使用者的分享頁面有不同引數，按此作區分。

 

當這些頁面被使用者分享到朋友圈時，資料採集系統會記錄所有頁面的開啟瀏覽。而頁面引數則是活動精細化分析的前提。通過source=weixin，資料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則能看出使用者喜歡哪個型別的紅包，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。

 

引數越多，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)各種活動的網頁引數，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，可以套用使用者活躍的分析指標。

 

這個活動的參於人數(活躍數)多少？有多少老使用者參與了這個活動？有多少新增使用者因為這個活動來，傳播類的活動分享資料怎麼樣？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週期的產品，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，美圖餓了麼的紅包，都是從活動逐漸變成一種打法和抓手。更早期的各類網遊，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，意味著資料要分析活動指標，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，今天有多少使用者因為活動新增，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。資料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，即迴歸商業的本質。

 

活躍交易使用者數

 

從產品曝光到使用者下載，用開啟活躍到產生收入，產品的指標在一步步往商業靠攏，活躍交易使用者則是核心指標。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。若平臺包含B端和C端，則兩端同等重要，均需要納入資料體系。

 

和活躍使用者一樣，活躍交易使用者也可以區分成首單使用者(第一次消費)，忠誠消費使用者，流失消費使用者等。細分交易資料和指標，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使用者畫像，而非報表統計了。

 

活躍使用者交易比，統計交易使用者在活躍使用者中的佔比。當產品活躍使用者足夠多，但是交易使用者少，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，只要使用者下單，生成訂單號，便可以算在GMV裡，不管使用者是否真的購買了。網際網路電商更偏好這個指標。

 

成交金額對應的是實際流水，是使用者購買後的消費金額。銷售收入則是成交金額減去退款。至於利潤、淨利率，涉及到財務成本，資料分析挺難拿到這類資料，所以不太用到。

 

把上述的三個指標看作使用者支付的動態環節，則能再產生兩個新指標，這也是資料分析的思維之一。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。在網際網路中，則是每一筆使用者訂單的收入，總收入/訂單數。

 

很多遊戲或直播平臺，並不關注客單價，因為行業的特性它們更關注一位使用者帶來的直接價值。超市購物，使用者購買是長週期性的，客單價可以用於調整超市的經營策略，而遊戲這類行業，使用者流失率極高，運營人員更關注使用者平均付費，這便是ARPU指標，總收入/使用者數。

 

ARPU可以再一步細分，當普通使用者佔比太多，往往還會採用每付費使用者平均收入ARPPU，總收入/收費使用者數。

 

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。和新增使用者一樣，獲得一個新付費使用者的成本已經高於維護熟客的成本。

 

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

 

使用者第一次消費，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使用者對產品的信任，模式的喜歡或者習慣開始養成。

 

很多時候，使用者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，消費兩次以上的使用者數佔購買總使用者數。

 

回購率是另外一個指標，值得是上一個時間視窗內的交易使用者，在下一個時間視窗內仍舊消費的比率。例如某電商4月的消費使用者數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，也關係使用者體驗和使用者關係的維護。

 

  商品

 

這裡談以商品為主的資料分析，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，而是使用者消費行為分析。

 

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，使用者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，買了某類商品的使用者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，置信度和支援度。支援度表示某商品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，蔥和其他菜的支援度很高，可是能說明老王買蔥後就一定買其他菜(蔥→其他菜)麼？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，並且建立全鏈路的資料體系。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，有些使用者喜歡玫瑰金的iPhone，有些使用者鍾情於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。

 

庫存是一箇中間狀態，採購是進，銷售是出。庫存是一個動態滾動的變化過程，我們常拿過去時間視窗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，表示為時間視窗內的銷售數量/時間視窗內的庫存數量，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。可是網際網路變現的主流模式是電商或其變種，這方面的知識不可或缺。拿網際網路金融來說，投資標的有典型的進貨和庫存特徵，標的的投資額大小，風險等級與型別，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，資料分析也從來不簡單，兩者結合都是充滿挑戰的。我的內容也沒有囊括全部，比如電商還有搜尋有效性的指標，使用者在搜尋框搜尋，有多少為空搜尋？而非空搜尋中，有多少產生點選的有效搜尋？小小一個搜尋框也有很多門道。

 

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，都是市場營銷與資料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絡起來。資料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，如更多的付費使用者能帶來營收，更長的生命週期能帶來營收，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。

更多程式設計方面的分享請關注微信公眾號：程式設計師交流互動平臺！