咱们平时给老板们的数据报表和各大数据平台的概况看板，都会显示大盘数据内的常规指标。
为啥呢？
因为观察常规可以发现日常运作中的异常情况，了解大盘可以掌握整体发展趋势，判断业务是否正迈向逐个阶段性的目标。
而常规指标主要分三个部分来看：用户、行为、业务
有时候我们还需要区分用户类型进行细化分析，一般分为：新/老用户；活跃用户；特殊属性用户；
当发现数据异动时，通过多维度分布式分析方法，构建分析框架，逐步找到问题所在
数据最终需要回归业务，分析过程围绕对业务的理解，分析结果为业务而服务。
筛选数据时需要注意时间窗口
查看的数据是属于哪个时间段的？日的维度是根据24小时还是自然日？这需要根据实际应用场景选取，例如跨时区的全球业务更多选择最近24小时。保持对比数据在同一种定义的时间窗口内是协同工作比较容易忽略的又一细节。
用户
指标1、新增
新增用户的定义
不同的角色有不一样的理解，渠道说点击了下载按钮，运营说下载成功，产品说启动了才算，开发说注册了的用户才算不然啥数都跑不出来。
所以，在看新增时，更需要的是彼此的认同
·增：存在可计算的节点一般包括“点击链接--下载--安装启动--激活注册”，需要和合作方求同存异论出在哪个节点计算更好。
·新：如何判断是否新的用户呢，有的用户可能是重新安装回来的，所以一般需要基于设备+基于账号关联，排除掉老用户后计算。
净看一个数字是没太大意义的，新增要么看趋势，要么结合渠道来源和获客成本一起看，不然这一个数字10000，好像很厉害的样子，谁知原来投放了20个渠道花了800万，失败中的失败！
新增趋势的图表例子
分渠道看新增的图表例子
指标2、活跃
怎么定义活跃呢？
一般是根据事件上报，例如一个page view，或者按钮点击，会认为事件上报，某用户产生了行为便被认为活跃用户
坑：工程师记录的某些上报可能会涉及到被动行为，例如需要统计成功发送的push信息，在我们统计活跃用户时需要有意识的定义基于用户主动行为才被认为活跃。
有的特殊业务会根据关键事件来定义活跃，这需要根据整个业务流进行设计，并做好活跃事件更改的记录。
注意：活跃率对数时除了注意时间窗口还需要注意去重，不然便失去了观察的意义了
活跃主要看DAU/MAU
活跃的看板有的长这个样子
指标3、留存
当观察渠道质量时，一般使用日留存
例如7日日留存，一般存在争议的计算方法有：
1、第七天活跃/第一天活跃 *100%
2、第二天～第七天去重后的活跃/第一天活跃 *100%
需要用哪个还是得看业务，
·用于评价某个渠道的质量，用日的维度看留存，则使用“1”会比较合适；
·用于需要引入其他日数据，有相对长的固定使用周期的业务，则使用“2”比较合适
当观察大盘，则使用周/月留存；这部分必须去重
计算方法是：
指定周（月）活跃用户数/第一周（月）活跃用户数 *100%
例如次周周留存：
下周的周活跃用户数/当周的周活跃用户数*100%（去重去重去重）
坑：大家容易搞混7日留存和次周留存，一般7日指第七天的日留存，次周留存指整周的留存比，和小伙伴对数时最好先确定好这个共识。
日留存一般这么看
行为
指标4、Pv/uv
Pv：页面浏览量，不去重
Uv：独立用户数，需要去重
转化率
就是从哪里到哪里漏斗了多少过去，所以计算转化率时，应该是pv/pv，uv/uv
结合漏斗来看可能会比较直观
指标5、会话次数
指用户在时间窗口内的行为集合，完成一个流程作为一次会话，具体的设计和业务流程有关，如果时间窗口没有固定标准，一般网页端约定俗成是30分钟，移动端是5分钟，
此部分需要结合埋点采集，记录用户操作，计算会话次数，
我们可以拿会话次数和活跃用户数对比用以判断产品的粘性，
例如：日活跃用户数为100，而日会话次数为120，说明大部分用户只访问了产品一次，产品粘性有待提高。
指标6、访问深度
计算访问深度，则是pv/uv，也就是一个独立用户会浏览多少个页面
一般有两种方式计算
1、用户对某些行为的访问次数，就是该行为的总pv/产生该行为的总uv。
2、把网站内容/功能分层级，以用户本次访问过最深的一级计算，比较复杂却更真实的反应目标深度的有效性。
指标7、弹出率
来了即走的行为算一次弹出
混淆：有的概念说page a和page b的弹出率，这概念其实是不对的，我们所说的弹出率面向的对象是用户，指用户在整个网站的弹出率，不是在单个页面的弹出率，而且弹出率是根据行为计算的，所以一个用户今天来了5次每次都访问一个页面就跑了，那这个用户就贡献了5次弹出。
指标8、核心功能使用情况
根据业务目标，梳理业务流程，拆解业务模块，根据模块的属性对相关的核心功能选择数据指标就好了，例如工具类功能关注的是使用量、目标达成率和使用频次等，而内容类模块更关注浏览数、浏览广度、时长和内容互动等。
业务
指标9、GMV
交易的总规模，就是某时间段内总销售额；如果是内容类产品可能会以目标完成数作为GMV，例如报名数、点击等
指标10、ARPU和ARPPU
ARPU
人均贡献，总收入/总人数
ARPPU
也是看人均贡献程度，总收入/总付费人数
内容类一般使用人均访问时长来评判
指标11、付费人数
了解多少人给了钱，也就是了解付费意愿的总规模
内容类则看具体完成目标的总人数
指标12、付费率/频次
主要用于评价服务的健康程度，评判自己业务总体上多少用户愿意付费
内容类看目标的完成率
指标13、复购率
整体的重复购买次数统计，就是单位时间内，例如本月，消费两次以上的用户/总付费用户 *100%
指标14、回购率
指上一个时间窗口内的付费用户/下一个时间窗口再次付费的用户*100%；例如上个月有1000人消费，这个月这1000人里面有400人再次消费来，那回购率就是40%
指标15、退货率
这是个风险指标，退货数/发货数，主要反应用户体验和客户关系的维护
以上各个指标的参考报表集合
指标16、SKU视觉的分析/被消费内容视觉的分析
对SKU分析主要看两个地方
1、购物车，除了分析商品热度，即最热门top20、最盈利top20等，还可以看连带率，即消费件数/交易次数*100%，用以分析购物深度，看爆款拉动其他关联消费的能力有多大。
2、进销存，就是进出仓和库存的分析，这部分需要根据业务形态，是卖场还是自主品牌，来针对性分析，不过不管哪种业务，都需要关注的一个指标是售罄率：时间窗口内的销售数量/时间窗口内的库存数，控制好售罄和入货需时，可以确保热卖商品的供应。
大卖场还特别需要针对搜索进行分析。
以上是我们常规观察的指标，同时针对不一样的业务，定义的一级指标各异，向下需要的二级和三级指标随之而变化。
而在产品优化和活动评估、投放策略等具体工作上，更多会使用到事件分析和漏斗分析、渠道分析等其他分析方法，往后逐个分享。
以上除了个人经验，还吸收学习了网络各路英雄的分享，包括神策数据副总张涛、数据分析师秦路等的分享。欢迎各种补充和纠正。
