正常来说，一个互联网产品上线后一定会不断的迭代，在迭代的过程中，我们需要依据某个反馈而决定我们如何迭代。
数据是最客观的，前面一直强调的，交互和UI设计，其实是一种很理性的设计，而这种理性，最好的便是通过数据来促进设计。
随着行业的发展，对于设计师能看懂数据的能力的要求也在不断提升，希望通过本节内容，我们可以对常见的数据指标有个彻底的了解，同时，在阅读数据报表时，不再感到为难。
数据是怎么产生的
数据是如何产生的，理论上不应该是我们设计师需要关心的问题，但既然是了解数据有关的知识，我们也应该简单了解下数据的产生，一个数据要产生，首先我们需要在我们关注的产品上“埋点”，埋点需要提供两个关键信息：1、需要埋点的内容——即具体的某个界面或者具体的某个链接；2、埋点的名称——方面后续快速的找到相关的数据。
当埋点完成，且产品上线后，就会检测用户的行为，当用户进入到该界面或者点击该链接，就会在统计系统中，上报一个数据，这样，我们便也得倒了一个数据。
真实的数据统计远比上面说的复杂，但我们需要注意任何数据都是可被统计的，即所有的数据都应该是基于某个埋点而产生的即可。
所以，当我们拿到某个数据之前，得清楚该数据是基于哪个内容而产生的。
常见的数据指标
理论上一个产品可以有无数多个数据，但能称上数据指标的，这里专门指对当前业务有参考价值的统计数据。
所以当我们在进行数据分析的时候，一定要结合业务本身，脱离业务去谈数据并没有太大的实际意义，也正因为如此，我们可以把常见的数据指标，分成三大类：
与用户相关的数据指标、与行为相关的数据指标和与业务相关的数据指标。
与用户相关的数据指标
与用户相关的数据，常见的有：DAU、MAU、新增、留存等等。
DAU/MAU
DAU和MAU，分别称为日活和月活，主要用来观察某个产品以日或者以月为单位用户的活跃量。
下表是某产品A和产品B的DAU数据（单位：万），从表中可以看到产品A（蓝色线）和产品B（红色线）的具体每天的日活数，但除此之外，我们还可以看到有意思的现象：周一到周五，产品A的日活大于产品B的日活，但是周六和周日，产品B的日活比产品A高。
对数据敏感的同学，就可以通过这个数据，猜测产品A可能是一款针对工作场景使用的APP，当然，把产品A和产品B放一起比较，可能是两者之间存在某种相关性。
需要注意的是，即便大家都知道日活或者月活是什么意思，但每个人所理解的可能也不一样。
就拿DAU来说，DAU全称为日活跃用户数量（Daily Active User），那么日，这个单位，计算的周期是24小时，还是一个自然日？然后是活跃，什么样的行为可以被称之为活跃？是打开过一次就算，还是停留了多长时间才算？最后是用户，什么样的用户可以被称为用户？是登录了的用户还是按照不同的设备来算？
上面所提到的所有的疑问，都没有唯一标准的选择，但是在一个团队中，对于某一个数据指标的得出方法，一定要有完全相同的认知，否则就会产生偏差。
新增
新增，即产品的新增用户，同样的，对于新增的新，不同的团队也有着不同的计算方法。这个数据一般是我们在描述拉新的时候时所用的，所以这里的新可能包括：新增注册用户；新增下载量；新增设备数等等，我们需要根据业务本身，去衡量这个新是哪个新。
下表是某个产品在某天的新增数据，可以看到，这些都是针对这款产品同一天的新增数据，但不同维度，有很大的差异。
留存
留存是最能反映产品对用户是否产生吸引的一个数据指标。
说到留存一定是基于某个时间段而得出，比如次日留存、7日留存等等。
一般来说，留存的计算方式是用某个事件的用户数量/第一天的用户数量的出，如次日留存=第二天的用户量/第一天的用户量，得出的百分比即次日留存量。
下表是当我们针对某产品进行数据去重后，得到下面的DAU数据，然后我们可以看到该产品的次日留存为DAY2/DAY1=300/500=60%；该产品的7日留存为DAY7/DAY1=60/500=12%。
很多朋友可能就会有疑问了——你怎么能保证第二天的300，一定是第一天500用户中的呢？（虽然我们上面强调了，这是去重后的数据，但实际中经常会容易被忽略这一点。）
能思考到这里，证明已经非常有数据思维了。确实，留存的留与存，一定是基于某类用户，其目的地就是看这类用户在第一天使用了产品后，次日、或者是某个时间点之后，是否还会来使用该产品。
所以如果某个产品，第一天用户量为100，第二天新增用户100，但是第一天的用户访问量为0，那么这个产品的留存则应该是0，而非100%。所以，在计算留存的时候，一定是需要去重的数据。
除了对数据的去重，在同一个团队中，我们还需要对于留存算法的统一。比如7日留存，我们究竟是说第7日的留存，还是7天平均用户量相对于第一天用户量的留存？虽然绝大部分情况下，我们都认为7日留存是指第7日的用户量/第1日的用户量，但还是那句话，算法并没有任何对错，我们只需要统一认知即可。
有关留存，大家可以发现，一方面我们需要去重数据，另一方面，我们还需要在团队中统一我们的算法。
有关7日留存，最常见的是用第7天的数据/第1天的数据，也就是一共7天数据。在某些情况下，我们也会把第1天当成第0天，然后是第1天到第7天，一共会有8天的数据，在这种情况下，我们会用第7天（实际上是第8天）的数据，除以第0天的数据，来计算留存。
用第0天这样来算，有个很大的好处，就是第0天，和第8天，一定是相同的星期几，也就是说，假如第0天是周一，那么第8天也会是周一，这样对于那些周期性产品，比如我们上面讲DAU举例的那类产品来说，这样计算会更客观也更准确。
与行为相关的数据指标
与用户行为相关的数据指标，常见的有：PV、UV、访问深度、转化率、时长、弹出率等等。
PV/UV
PV和UV很多朋友会分不太清楚，其实PV的全称为Page Views，记录的是访问某个页面的次数；而UV的全称是Unique Visitors，记录的是访问某个页面的独立用户数，正常情况下，一个页面的UV数一定小于等于这个页面的PV数。这两个指标是我们最常用的数据指标，用来衡量产品的用户访问量。
访问深度
访问深度用于来衡量用户对产品感兴趣程度。
用户对某个产品越感兴趣，那么访问深度一般会越深。我们知道，任何产品都应该有一定的层级结构，一个用户从首页进入后，点击进入了多少层，就可以认为该用户的访问深度是几。
转化率
转化率用来描述用户从某个页面到执行某个操作的比率。
比如一个电商产品，要记录用户商品列表页到详情页的转化率，则只需用点击了列表中的商品的PV数/列表的PV数。
需要注意的是，对于转化率，一般是PV/PV，UV/UV，但是当我们希望计算人均某个行为时，则可以用PV/UV，比如一个界面的PV是10000，UV是5000，那么PV/UV=2，则可以说，这个界面人均访问量为2。
时长
时长是我们很容易忽略，但是又很有参考价值的一个指标，尤其是对于一些内容型产品来说，用来衡量用户对内容的感兴趣程度很有用。
但是比较难的是，在记录这个数据时，数据的准确性是很难保证的——你怎么去判断用户是把产品打开放在那做别的事情去了，还是一直在使用这个产品？好在不同于PC时代，在移动互联网时代，用户把手机打开然后去干其他事情的情况变少了很多，即便有，我们也可以在进行数据分析时，把那些大大超出平均使用时长的数据剔除出去再单独分析。
弹出率
弹出率是使用比较少的一个数据指标，很多朋友对于弹出率的认知是有所偏差的，以为弹出率简单的是指用户的跳出的比率。实际上，弹出率是指这个用户来到这个界面，什么都没做，就走掉的比率。比如用户A，访问一个产品，在第一个界面点击进入到了第二个界面，然后在第二个界面关闭了APP。这时候，我们假设这个产品只有这一个用户，那么这个产品在第一个界面的弹出率为0，第二个界面的弹出率为100%。
与业务相关的数据指标
在谈到与业务相关的数据指标时，一定离不开的，就是要针对业务本身去了解相关的数据指标。
谈到业务，我们实际上可以把所有的产品简单分成两类——免费的产品和付费的产品。有关免费的产品，我们可能考察更多的就是用户的访问时长和访问深度等数据，而对于付费产品，则观察更多的是产品的GMV、ARPU等数据。
对于免费的产品，我们关注的时长、深度、留存率等数据指标，实际上和上面说到的关于用户行为的数据指标就是相同的内容，这是分类不同，但含义相同，所以在此不再重复说明。
如图5-4，是有关付费产品，我们常见的数据指标。
GMV
GMV一般用于电商类产品进行数据统计或者制定KPI时所用，GMV全称为Gross Merchandise Volume，指一段时间内的成交总额。
GMV是一个有关总量的数据指标，我们在拿到GMV数据后，可以了解一下这个数据是怎么得出来的，然后应如何拆分。
下表是假设一家店，一共只有两款商品，我们拿到该店一周内两款商品的数据如下。
这时我们可以很快计算出：
该店铺在这周的GMV=商品A本周的GMV+商品B本周的GMV；
商品A/商品B本周的GMV=周一到周日每天的GMV之和；
每天的GMV=该产品的销量*售价。
我们拿到该数据最大的意义通常情况下，就是看我们是否达到了预期目标，比如该店铺这周的预期销售目标是70000，那么意味着没有达到目标。
那么我们接下来要做的，就是思考如何达成目标。而最好的办法，就是去拆分。因为篇幅关系，并且加上本书面对的读者群体是设计师们而非营销人员，所以不展开详述。
最简单的办法，通常我们会试图对某个产品进行降价，看看销量的变化，比如产品A，在周一20元的时候，卖出200个，周一的GMV为4000，那么如果我们将该产品降价到18，销量达到了300的话，那么18*300=5400，这样一来，我们就找到了提升GMV的方法之一。
当然实际情况会远比这个复杂，但对于这类有关总量的数据指标，学会拆分，是这类指标对我们设计师来说，最大的意义所在。
ARPU
ARPU的全称是Average Revenue Per User，即每用户平均收入，我们又称之为单用户价值。
这个数值用来描述，产品运营的一段时间内，从单个用户身上可以得到的利润或收益。很明显，用户质量越好，ARPU值越高。
一般来说，这个数值的计算方式，是用某段时期的总收入/某段时期的付费用户数。
不同的行业会有一个相近的ARPU值，过高或者过低的ARPU值都可能不是一件好事，过低的ARPU值，尤其是远低于行业平均的ARPU值，可能会导致你的产品最终的盈利能力很差；过高的ARPU值，也可能是因为付费用户过少导致。
付费率
付费率是用来衡量用户转化行为的指标，表示所有用户和付费用户的一个转化比率。
前面提到的ARPU值是用付费用户人数来计算的，所以很多情况下，我们会把付费率和ARPU值放在一起去分析。
一般来说，产品的付费率越高越好，这意味着用户对产品的认可。
以上是一些常见的数据指标的介绍，了解这些数据指标的意义，对我们来说非常重要，这是一切数据分析的基础。
经过上面的内容，我们应该能感觉到，在阅读一份数据报表的之前，各项指标的含义和计算方式，非常有必要跟团队所有成员达成统一认知。
完
本文节选至
电商设计技巧修炼与实战应用
作者：吴海龙 王冬
爱读｜www.iread360.com
爱读 ，您的职业进阶课堂。聚焦热点专业，汇聚行业精英，打造精品课程，致力于为您提供专业的在线学习服务及线下高级培训
作者
