数据指标一直是未来互联网工作的有力工具。如果你想掌握这项技能，请从基本概念开始。

很多设计师刚入行时，只能从视觉的角度去理解一个设计的好坏，对于如今互联网环境下“数据驱动设计”的概念一无所知。

在现实的工作环境中，我们并不是单纯的完成设计总监布置的任务，更多的时候需要和产品团队、运营讨论需求，和开发讨论指标，讨论成本收益比等等，这种场景下，数据指标是比较常见的。

如果我们对数据指标没有概念，那么造成的影响就不仅仅是大家想象的那么简单，比如工作中沟通困难、被团队孤立，甚至面试官在面试的时候也会一眼看穿我们缺乏工作经验，从而拒绝我们。

关注数据指标并不只是产品经理或者运营的职责，交互设计师和UI设计师也需要掌握这些技能，帮助我们做出更符合用户行为的设计。

同时，学会数据监测与分析，能极大程度地帮助设计师推动设计修改朝着正确的方向发展，发现新的商业机会与产品爆点，真正实现很多设计师所期待的：“设计推动修改，设计帮助产品取得成果”。

1.基本概念

想要了解什么是数据指标，首先必须了解一些基本概念。

1. 数据指标

1）定义

数据指标是与产品相关的统计数据，对产品具有参考价值。

2）示例

比如某酒店，今天一共入住了100个人，那么100人就是该酒店一个维度的数据指标，统计方法如下：7月23日入住人数：100人。

3）如何获取数据指标

对于互联网产品来说，不可能通过人工计算得到一系列的数据指标，需要开发人员在产品中嵌入数据点，针对不同的数据进行数据截取，再由数据分析师对数据进行筛选、处理，经过可视化呈现后，才能得到有参考价值的指标。

2. 数据追踪

1）定义

数据收集是产品分析常用的数据收集方法，是私有部署中收集数据的好方法。

2）如何进行数据埋藏

数据采集​​是互联网领域一个非常重要的数据获取手段，通过数据采集来收集信息的过程一般被称为日志采集。

简单来说，就是在APP或者WEB产品中植入一段代码，用于监控用户行为事件。

3）示例

在电商行业，我们可以在商品购买过程的关键点（比如购买按钮的点击率）嵌入统计代码，来采集商品的购买率，这就是通过数据嵌入获取数据指标的过程。

4）数据嵌入的应用场景

数据追踪的最终结果往往是推动我们做出产品修改决策的关键点。

例如，微信上线“摇一摇”功能后，需要通过用户行为来验证该功能的有效性：

我们只能通过数据嵌入来获取这些数据。

5）注意事项

① 跟踪前：在产品改版之前必须做好跟踪规划，比如需要采集哪些数据指标，有哪些维度，采集开始和结束时间，采集期间是否有干扰采集结果的活动等。

② 跟踪点的时候：因为跟踪点是产品经理、设计师布局，开发人员执行的过程，所以我们在和开发人员沟通跟踪点的时候，需要输出一个可视化的文档给开发人员（不然光说不练的话，可能会被开发人员打死）。

③ 追踪之后：追踪之后的主要任务就是将数据可视化。我之后也会开一个专栏专门讲解这部分内容。由于跟我们今天讲解的内容没有关系，就不多说了。

总之，作为设计师，我们需要具备“数据可视化”（也就是美化数据）的能力，不然怎么能被称为设计师呢？

2. 常用数据指标

对于英文不太好的同学来说，学习指标最大的困难就是看到英文缩写就头疼，其实你只要记住相关概念就行了。英文缩写不是为了刁难你，只是在日常沟通交流文档中，英文缩写有更快的信息传递效率（当你每天要写100次日活跃用户的时候，你就会明白为什么大家都喜欢写DAU）。

常用数据指标汇总

1. 活跃用户

1）定义

产品在特定时间段内成功上线的用户数也可以是使用某项核心功能的用户数，具体统计方式可根据产品需求定义。

2）重要性

活跃用户和新增用户是衡量产品用户规模的两个重要指标，其中活跃用户指标可以衡量产品使用的活跃程度，有助于产品设计人员了解产品日常用户使用情况，了解产品用户增长或减少趋势。

如果说评判一款产品好不好，只能用一个标准，那就是活跃用户数。如今的流量王微信，日活跃用户数已经达到10亿，是当之无愧的流量王。

当然这也不是绝对的，活跃用户数只代表产品的用户规模，比如我们经常看到的页游能在市场上生存下来，并不是靠着庞大的用户群体，而是靠着少量优质的付费用户。

换句话说，如果用户的*ARPU*（每用户平均收入）很高的话，那么每日活跃用户数就不再是产品最重要的指标了。

3）次级维度

按照不同的分类方式，日活跃用户又可以划分为多个二级维度。

按照统计周期分类，可分为：DAU/WAU/MAU（日/周/月活跃用户）；

按照分类方式可以分为：主动用户/被动主动用户。

2. 三大因素：DAU/WAU/MAU

1）定义

DAU：用户（日活跃用户），即一个自然日内成功启动应用的用户，若日内同一设备启动多次，则只统计一个活跃用户；W​​AU：用户（周活跃用户），即一个自然周内成功启动应用的用户，若周内同一设备启动多次，则只统计一个活跃用户；MAU：用户（月活跃用户），即一个自然月内成功启动应用的用户，若月内同一设备启动多次，则只统计一个活跃用户。

2）注意事项

① 去重统计

如果一个用户（一个IP地址）每天多次访问微信，则只记录一次DAU。

② 主动定义

不同产品对于活跃的定义也不同，但一般来说，“上线产品”就算是活跃用户。

部分产品会拓宽“活跃”的内涵，即被动接收产品信息（如微信朋友圈/APP推送的优惠活动等）的用户也算活跃用户。

部分产品对“活跃”的定义进行了收紧，即只有充分体验过产品核心功能的用户才被统计为活跃用户（例如，用户打开美图秀秀并完成一次照片编辑）。

具体统计方法不能随意确定，也不能僵化遵循，需要针对具体产品进行具体分析，才能最大限度地发挥数据指标的作用。

③ 统计权重

一般来说，互联网产品都要对上述三个指标进行统计，但数据指标的权重往往因产品不同而有所差异。

社交/新闻/音乐类APP往往希望用户每天都能打开并使用其产品，其产品KPI全部以日活用户数为衡量标准。而对于一些低频需求的APP，比如旅游/餐饮类APP，往往关注月活用户数，甚至是更长期的活跃用户数。

3. 活跃用户/被动活跃用户

1）定义

活跃用户是指不需任何渠道推广引导，主动使用产品的活跃用户。

被动活跃用户是指通过渠道推广（如微信朋友圈推广/APP弹窗等）被动进入商品页面的活跃用户。

2）示例

第一天，有100人安装并打开了淘宝，第一天结束后，有50人卸载了淘宝，第二天，剩下的50个用户中，有10人没有打开淘宝使用任何功能；有30人收到了淘宝的推送通知，其中20人打开了淘宝；剩下10人则直接打开淘宝购买商品，没有任何引导。

第一天淘宝主力活跃100，第二天主力活跃10（这些用户也是最有价值的），被动活跃20。

4.添加新用户

1）定义

指安装应用程序后，首次成功启动产品的用户。

2）分类

与“活跃用户”类似，按照统计时间段不同，可以分为以下几类：

3）重要性

新用户量指标是衡量营销推广渠道效果的最基本指标，新用户与活跃用户的比例也可以用来衡量产品的健康程度（如果产品没有新用户，不活跃，就会进入一个“末期状态”）。

如果某个产品的新用户占比过高，说明这个产品的活跃度是通过推广来实现的，非常有必要关注这种情况，尤其是新用户的留存率。

4）注意事项

那么我们对于新用户的定义就会产生很多疑问，比如：

其实回答这些问题很简单，可以从两点来判断：“事实判断”和“技术判断”。

虽然事实上只有一个用户，但是从技术上我们无法确定这两部手机是否属于同一个主人，因此可以算作两个用户。

事实是，有一个用户，技术上可以实现统计，所以第三天，这个用户就不能再被称为新用户了。

当我们以后遇到问题的时候，只需要遵循这两个原则就可以优化统计结果。

5. 留存率

1）定义

互联网发展到今天，留存率依然没有一个准确的概念，目前主流的理论有两种：

在一定统计周期内新增用户数，经过一段时间之后依然使用产品的用户占比【留存率=留存用户/新增用户*100%】。 在一定统计周期内新增用户数，经过一段时间之后依然没有卸载的用户占比【留存率=（新增用户-卸载用户）/新增用户*100%】。

两者的区别在于“未卸载，但未使用产品的用户”是否统计在留存用户中。

但实际上，第一个定义更加切合实际，因为“卸载率”是一个比较难以量化的数据，只有市面上主流的统计平台才能获取，在国内服务中还无法使用。

定义1中的留存用户概念即为活跃用户，因此留存率的统计可以直接通过“活跃用户/新增用户”来得出。

2）重要性

留存率是验证用户粘性的关键指标，设计师通常可以通过留存率与竞品对比来衡量用户粘性和忠诚度。对于一个相对成熟的产品版本，如果留存率变化较大，说明用户质量发生了变化，而这种变化很可能是推广渠道等因素造成的。

同时留存率也是产品改版的重要指标，产品体验越好，越符合用户需求，留存率就越高。如果产品本身满足的是小众、低频需求，可以每两周甚至每30天监测一次留存率。一般来说，留存率低于20%是一个比较危险的信号。

3）分类

根据不同的统计时段，主要可分为三个二级指标：

次日留存率；7天（周）留存率；30天（月）留存率。6. 次日留存率 / 7天留存率 / 30天留存率

1）次日留存率

即一定统计周期内新用户在第二天再次成功启动应用的比例。

如果次日留存率在50%以上，说明这个产品已经很不错了，如果次日留存率低，说明目标用户群体对我们的产品不感兴趣。

2）7天（周）留存率

即某统计周期内新用户在第7天再次成功启动APP的比例。

在这段时间内，用户通常会经历一个完整的产品体验周期，如果用户在这个阶段能够留下来并继续使用产品，那么很有可能会成为产品的忠实用户。7天（周）留存率低说明我们的产品内容质量太差，新鲜感消退后用户不愿意再次探索产品。

3）30 天（月）留存率

即一定统计周期内新用户在第30天再次成功启动应用的比例。

通常移动产品的迭代周期为2~4周/版本，因此月留存率可以反映某个版本的用户留存情况。

一个版本的更新或多或少都会影响部分用户的体验，因此通过对比月留存率，我们可以判断每次版本更新对用户的影响，从而定位类似的问题进行优化。

如果30天留存率低，证明产品版本迭代规划没做好，功能更新、内容更新、Bug修复、性能等都做得很差，这时候就要重新规划迭代内容，不要再犯同样的错误。

4）示例

留存率一般会统计次日留存率、7天留存率、30天留存率，但我们也会保留更多天数的留存率，做成留存曲线或者留存漏斗图。

7天留存率的算法是：7天内再次访问的用户数/7天前同一天访问的新用户数，每日时间节点为次日0点。

比如7月1日新增了100个用户，7月2日至7月8日期间，这100个用户中有50个再次访问了产品，那么7天留存率就是50%。

总体留存分析表如下：

7.每用户平均收入（ARPU）

1）定义

Per User的缩写，即每用户平均收入。

2）计算方法

ARPU=总收入/用户数。

它关注的是一定时期内一款产品从每个用户身上产生的收入，是衡量互联网公司业务收入的指标。

ARPU值高说明平均每个用户贡献的收入高，但不能反映盈利情况，因为盈利还要考虑成本，如果每用户成本也高，那么即使ARPU值高，利润也未必高。

用户数可以是总平均在线用户数，也可以是付费用户数，还可以是活跃用户数，不同产品的标准可能有所不同。ARPU关注的是特定时间段内从每个用户身上获得的收入，是衡量互联网公司业务收入的指标。

ARPU值没有绝对的好坏，分析时需要一定的标准，ARPU值高说明平均每个用户贡献的收入高，这段时间内业务处于增长状态。

3）重要性

盈利是产品的最终目的，所以经常会用到总收入、付费用户数、付费率、ARPU四个指标。总收入、付费用户数体现的是收入和付费用户的规模；付费率、ARPU代表的是用户付费的质量，体现的是用户付费的广度和深度。

8.客户流失率

1）定义

指曾经使用过某产品或服务，但由于种种原因不再使用的用户。流失率=一定时间内不再启动应用的用户数/一定时间内总用户数。

2）注意事项

①流失率也是一个有统计周期的数据指标，不同产品的统计周期不同。

对于社交应用/新闻应用/音乐应用或电子邮件产品，如果用户超过1个月没有登录，我们可以假设该用户可能已经流失。

对于电商、工具类APP等低频需求APP，3个月内没有登录过，或者6个月内没有进行过任何购买的用户，可能就属于流失用户。

因此，并不是每个产品都有固定的流失期，而是根据产品属性来确定的。

设计师的主要工作并不是通过产品迭代降低流失率，而是发现流失率中的异常数据。比如某次改版后，流失率偏离了正常范围，那么就要顺藤摸瓜找到原因，对产品进行迭代修改。

② 高流失率并不代表用户不喜欢改版后的功能。

相反，有时候改版功能上线带来的高流失率恰恰证明有很多用户在用这个功能，但有可能功能流程存在严重问题，导致用户放弃使用产品，这时候就应该排查问题，而不是盲目移除相关功能。

比如改版上线A功能，用户流失率急剧上升，下调A功能后，用户流失率下降，但能确定用户不喜欢A功能吗？

假如因为功能A的存在，导致用户安装APP一个小时之后，有很大概率会出现严重的bug，而用户其实很喜欢功能A，但是因为无法容忍这个bug而被迫卸载APP，那么正确的原因就不能单纯通过长期的卸载率来判断了。

因此如果只关注某一固定时间点的流失率，很容易出现误判，如果能结合“流失曲线”进行分析，就能避免此类问题。

9. PV/UV/VV

这三个大问题会难倒英语不好的人。特别是这三个数据指标看上去非常相似，所以就算你记住了，如果不经常使用的话，也会很快忘记。但是没办法，有时候我们在学习过程中真的没有捷径可走，只能脚踏实地的把每一点知识学好。

1）光伏

Page View，即页面浏览量。用户每一次成功访问产品内任意页面，都记录为一次PV。如果用户多次访问同一个页面，则累计记录多条数据。在一定统计周期内，用户每次刷新页面，也记录为一次PV。

理论上PV和访客数量成正比，但是无法准确判断页面的实际访问量，例如同一个IP地址通过不断刷新页面，也可以产生非常高的PV。

2）紫外线

即唯一访客数量，每个访问页面的终端设备或IP地址都算一个访客，00:00~24:00期间，同一终端设备、同一IP地址只记录一次。

使用唯一用户作为统计数据可以更准确地了解一定时间段内有多少访问者实际访问了相应页面。

3）显示紫外线

① 定义：某个操作活动/页面/功能所接触的用户数量。

② 例如：用户进入淘宝某热销商品详情页，即算该详情页1个展示UV，退出后再次进入不会累计UV。

4）点击 UV

①定义：点击的用户数量。

②例如：淘宝上某个热门商品的详情页，有10万人点击了购买按钮，所以点击UV就是10万。点击UV可以很好的体现一个互动元素的作用。

5）点击率

①定义：交互元素所在页面的用户点击次数/总用户数。

单独统计点击UV看上去作用不大，但是如果和展示UV结合起来，就能统计出页面上某个交互元素对用户的吸引力程度。

②例如：淘宝上某个热销商品详情页，共有100万人访问了该页面，其中10万人点击了购买按钮，所以点击率就是10万/100万=10%。

6）VV

View，用户访问次数。用于记录一天内所有访客用户访问产品页面的次数。当用户完成所有浏览并最终关闭产品所有页面时，一次访问就算完成。同一个用户一天内可能会有多次访问，访问次数会累计。

7）如何区分PV/UV/VV？

比如说，你上午打开淘宝，查看了2个商品的详情，下午再次打开淘宝，查看了5个商品的详情，那么当天的统计结果为：PV=5，UV=1，VV=2。

10. 一次性用户

1）定义

也就是说，自第一次使用以来，就再也没有启动过该产品的用户。

2）重要性

一次性用户是关键的营销指标，也是判断无效用户的标准，从中可以筛选出目标用户。一般会设置至少7天的限制，来定义是否是一次性用户。

11. 使用期限

1）定义

即统计时间段内，设备从启动某个应用到使用结束的总时长。

2）分类

按照不同维度，可分为人均使用时长、单次使用时长多个二维数据指标。

3）人均使用时间

① 定义

即用户每天在产品上花费的平均时间。

②示例

7月1日当天，拼多多拥有100万用户，这些用户在拼多多上的累计使用时间为200万小时，即7月1日当天人均使用时间为2小时。

③ 重要性

该数据是分析用户粘性的重要指标之一，也能间接反映网站的用户体验，平均访问时间越短，说明网站对用户的吸引力越小，内容信息越少。

4）单次使用时长

① 定义

即用户每次打开并使用产品的平均时间。

②示例

如果一个用户一天内使用拼多多5次，总计5个小时，那么可以说这个用户单次使用时长是1小时。

③ 重要性

用于衡量用户对产品的使用深度，判断用户对产品的粘性和依赖程度。

用户使用产品的时间越长，对产品的依赖性就越强，产品的商业价值也就越高。

12. 启动次数

1）定义

即统计时间段内用户打开APP的次数。

2）注意事项

当用户主动关闭应用或应用进入后台超过30秒后，再返回或打开应用，都算两次启动，启动次数主要根据频次分布来决定。

13.完成率

1）定义

已完成作业/已开始作业

2）示例

7月1日，用户点击了某商品的购买按钮10万次，有2万名用户完成了购买流程，完成率为2/10=20%

3）数据使用

用来衡量操作过程的流畅程度。

4）重要性

完成率是产品设计中最重要的指标之一，完成率越高，产品的操作体验越好，直接影响用户的体验。

14.退出率

1）定义

对于产品内的特定页面，退出率是衡量从该页面退出产品APP的人数比例。

2）计算方法

页面退出次数/页面浏览量 (PV)

3）重要性

退出率体现了页面对用户的吸引力，如果退出率很高，说明用户浏览了很少一部分页面就离开了，所以需要完善产品的内容来吸引用户，解决用户的内容诉求。

15.转化率

1）定义

统计周期内完成转化的次数与促销信息总点击次数的比例。

2）计算方法

转化率=（转化次数/点击次数）×100%。以用户登录行为为例，如果每100个访问中，有10个用户登录了某产品，那么这款产品的登录转化率为10%，如果有2个用户关注了这款产品，那么关注转化率为2%，如果有1个用户下单付款，那么支付转化率为1%。

3）重要性

转化率是产品盈利能力的重要指标之一，直接体现了产品的盈利能力。不同行业的转化率侧重点不同，比如电商产品需要重点关注销售转化，看活动参与的用户中，活动结束后有多少人进行了支付，必要时可以根据数据分析出人均购买次数、人均购买金额等。再比如，我们需要对所有产品的注册量进行监控，在运营活动中，我们需要看活动能给产品带来多少新用户。因此，通过转化率可以有针对性地分析产品的不足，快速定位问题点。

4）转化率是根据独立访客（UV）还是页面浏览量（PV）计算的？

这个要看团队数据分析的目的，比如用页面访问量，就假设每次访问都能产生付费，用独立访客数，就假设用户多次访问后再购买是正常的。我个人建议前期使用独立访客数，可以排除自己团队产品访问带来的数据干扰，因为页面访问量可以通过同一个IP不断刷新网页来提升，而独立访客数是精确到一个IP地址（也就是一个用户，一台设备）的。

5）如何使用数据追踪帮助产品修改？

讲了这么多数据指标，怎么用数据来指导修订呢？我曾经帮助一家生鲜企业通过数据分析，改进了筛选标签。

通过数据追踪发现，此前的过滤标签“高价到低价”/“低价到高价”的使用频率极低。

针对此，我们重新分析了该产品的用户构成，发现用户对价格标签并不敏感，他们往往更关注生鲜产品的品质和品牌品类标签，这有助于他们购买到更多心仪的生鲜产品并享受到更好的服务。

因此我们一开始就把“价格从高到低”和“价格从低到高”放到了低频过滤队列中，不漏在页面的最外层，同时将部分商品品牌和类目的过滤标签替换回原来的位置。

最终的效果很不错，用户对于四个过滤标签的点击率比较稳定，相比之前提升了不少。同时从USPT用户耐心搜索表可以看出，整个结果提升了用户的搜索跳转率，将搜索时间从25秒缩短到了18秒，从而提升了整体的搜索效率。

后记

随着互联网行业的发展，行业对于我们设计师的要求只会越来越高，从这两年交互设计师、用户体验设计师的岗位就可以看出来。

因此未来市场将不再需要底层的界面设计执行者，而是更加注重将用户体验可视化，通过反馈数据来引导展现层内容。

作为设计师，要经受住时代的挑战，就需要找到自己的优势点，成为懂产品的设计师。