转载

如何定义数据指标

数据指标的定义,是培养数据思维要闯的第一道关。比如常见的以下指标定义:

1、激活,如何定义一个激活?
下载、安装并打开APP的用户数?我们暂且这么定义。根据定义,下载没安装或者安装没打开的用户,都不计入激活。只有完成所有步骤的用户才算。但是问题来了,一个用户下载、安装并打开APP时,根本没登录,他只是一个游客。激活的定义变成:下载、安装并打开APP的游客数。

如果我们把这个定义交给开发,开发可能会问,拿什么标识一个游客?设备号。每台移动设备都有一个唯一的识别号码,也叫IMEI(International Mobile Equipment Identity)。所以,激活的定义又变成:下载、安装并打开APP的设备数,以设备号为唯一标识。

有人可能会问,我更新APP后打开,或者卸载重新安装APP再打开,算一个新的激活么?这就涉及到统计口径的问题,一般来讲,覆盖安装与卸载安装后的打开,都不计入激活。
2、新增用户数,多维度区分
如果把新增用户定义为新注册的User_ID,简单粗暴,但市场的同事首先不答应。

市场推广APP有多种渠道类型,比如各大安卓应用市场、AppStore、信息流、SEO、流量互换等,每个类型下的渠道,以Channel_ID来标识。
渠道有区分,APP自身也有区分。最省事的区分是Android包和iOS包,显然未考虑扩展性。如果市场制作马甲包(APP小号)、独立H5页,推向市场,需要以Product_ID来区分产品(APP、H5)。

另外一个维度是版本。每个版本发布时,市场可能会带一波量,需要观察版本新增用户的推广成本、转化、ARPU值等。我们可以通过Version_ID来区分版本。

以上,通过Channel_ID、Product_ID、Version_ID的区分和筛选,市场部的同事就可以知道,每个渠道下的每个产品的每个版本的新增用户情况。

维度区分清晰了,除了在一定程度上,提高市场推广效率外,甚至能预防数据异常的发生。笔者所在公司是做公积金查询的,查询数/新增用户数,是一项重要的指标。有天突然查询数/新增用户数断崖式下跌,一开始,大家都以为是查询成功率下降导致查询数(分子)下降,拼命分析影响成功率的因素,却始终无解。

后来才发现,是新增用户数(分母)的暴增导致了比率的下跌。新增用户数暴增,查询数成功率正常,查询数却没有增加,什么鬼?其实这是个伪暴增。新增用户的统计口径,纳入了错误的Product_ID,而ID对应的产品刚好正在大力推广……

如果能在数据指标定义时,清晰地划分出可能的维度,类似耗费时间与沟通成本的数据异常问题就不会发生。
3、活跃,谁的活跃?
定义活跃,不能粗暴地只定义一个用户日活指标,可以先从转化的角度进行用户层级的划分。

笔者所在的公司,是通过公积金数据做授信,帮助银行筛选优质贷款客户,用户在APP上的关键行为是查询公积金、申请贷款。因此转化漏斗是:激活-注册-查询公积金-申请贷款,对应指标是:APP日活(游客+用户)、用户日活、公积金导入用户日活和贷款申请用户日活。

APP日活,以APP的一次打开为一个活跃,以设备号为标识,当日的重复打开不计入活跃。剩下的3种日活,以相应用户群体的一次登录请求为一个活跃,以User_ID为标识,当日的重复请求不计入活跃。

跟踪以上指标,能得到比单纯的用户日活指标更丰富的信息。

另外,活跃也不一定以日为单位。从行为频率上来看,查询公积金可能是1次/月,申请贷款可能是1次/日。那么,公积金导入用户,月活可能更适合作为活跃指标;而对于申请贷款的用户,则日活更适合。
4、留存/流失,两兄弟?
在和同事讨论7日留存率的定义时,出现了分歧。有人认为7日留存率指的是,新用户在第2-7日的活跃数/新用户数;而不同意见表示是新用户在第7日的活跃数/新用户数。老铁们也可以发表下自己的意见,你们支持哪种,理由呢?

留存率是APP推广初期尤其要重视的指标。留存率低的产品,等于一个巨大的漏斗,市场砸钱买来的流量,在产生收益前,就都统统漏掉。真真是黄金万两,砸不出一个声响。

至于选择次日留存率、7日留存率还是30日留存率作为唯一关键指标,多少留存率为目标,要根据产品特性与市场环境作具体分析。

从定义上看,流失和留存貌似是两兄弟。有7日留存率,就有7日流失率,两者的分子加起来等于首日的新用户。但新用户在第7日未活跃,就定义为流失用户,未免太过草率。由于回流用户的存在,定义流失用户的周期一般比留存用户的长。比如,定义90日内未活跃的用户为流失用户,更为合适。
5、定义数据指标的目的性
最后强调一点,定义数据指标不能无的放矢。

如果是为了解决一个问题,那我们先明确问题,分析可能的原因,再去定义指标。

如果是为了验证设计方案的优劣,那我们先明确设计方案的目标,围绕目标去对比上线前后的数据,或者做A/B Test。

如果是为了预测,那我们先摸索现有的数据规律,找到规律的自变量,再进行推演。
如果是为了预警,那我们先制定数据基线以及浮动范围,并根据实际情况的变化灵活调整。 

文字摘自:互联网整理

文章最后发布于: 2019-01-02 22:20:30
展开阅读全文
0 个人打赏

没有更多推荐了,返回首页

©️2019 CSDN 皮肤主题: 酷酷鲨 设计师: CSDN官方博客

分享到微信朋友圈

×

扫一扫,手机浏览