关注数据指标也是一个优秀的产品设计师应该具备的能力之一。因为产品数据可以帮助设计师更好地了解用户想要什么、不想要什么。

很多设计师、产品经理刚开始的时候对一些数据指标非常模糊（这些花花绿绿的东西是什么？）。尤其是在与产品团队、运营讨论需求、与开发讨论指标、与实施讨论等场景中，数据指标更为常见。

但如果不懂指标，没有概念，你的专业能力就会受到多方质疑。同时，你也无法提升“数据驱动业务、数据驱动产品、数据驱动设计”的核心能力。

关注数据指标不仅仅是产品经理或运营的“专利”。作为交互和UI设计师，我们也需要掌握这方面的技能，以帮助我们做出更贴近用户行为的设计。

同时，监控产品数据还有两个重要功能：

首先，你可以监控产品迭代中的问题点和设计点、运营和营销活动的收入水平等，看看它们目前处于什么状态，也可以为后续产品迭代的方向提供参考帮助。

其次，通过数据挖掘和分析，可以发现新的商机和产品爆发点，这就是我们这两年经常听到的数据增长、用户增长、增长设计的概念。

因此，作为设计师或者产品经理，必须了解与业务相关的核心数据指标。由于领域不同、业务不同，团队的数据侧重点也不同。今天我们就从“网页基础指标、用户数据指标、如何获取数据指标、产品设计生命周期”来梳理我们产品设计师常用的指标维度。

1.什么是数据指标？

是对当前业务具有参考价值的统计数据。它是通过进一步抽象业务需求并埋藏数据而处理的一组计算规则。它通过有效的方法论和数据可视化来呈现，并最终能够解释业务。变化和用户行为。

当然，并不是所有的数据指标都称为指标。只有对当前业务有参考价值的指标才能称为指标。同时，它们必须具有可统计、可分析、可监控的特点。

2、网页基本指标

首先我们来了解一下流量的概念：分为站外流量来源和站内流量路径。以下是一些电子商务产品的示例：

站外流量：

通过其他平台或者外部媒体进入你的店铺就是站外流量。它分为免费和付费。免费有天然流量和搜索流量（比如在百度搜索你的店铺名称点击进入，就是从免费的外部平台进入）；而付费主要包括一些广告的流量（比如百度投放流量）。你的店铺链接是付费植入某个公众号，让他帮你推广的，也就是从他的公众号进入店铺的流量）。

网站流量：

通过平台内推荐入口或搜索路径进入您的店铺即为站内流程）。主要指用户在网站内的行为路径。

PV（页面浏览量）

用户每次访问网站上的每个网页（成功访问/进入），都会被记录一次。当用户多次访问同一页面时，访问次数会累加。在一定的统计周期内，用户每刷新一次网页，都会被统计一次。

理论上来说，PV与访问量成正比，但它并不能准确判断某个页面的实际访问量。例如，同一个IP地址通过不断刷新页面可以创造很高的PV。

UV（独立访客数量）

访问该网站的计算机客户端是访客。 00:00~24:00内同一客户只计算一次。

使用独立用户进行统计，可以更准确地了解一段时间内实际有多少访问者来到了对应的页面。

VV（用户访问次数）

当用户完成浏览并退出所有页面时，即视为一次访问。当用户再次打开浏览时，VV 编号+1。 VV也是视频观看次数（View）的缩写。

PV、UV、VV 有什么区别？

例如，您早上打开“人人都是产品经理”，访问了两个工作页面并关闭了该网页。下午，我又打开人人都是产品经理，访问了五个工作页面。那么当日的统计结果为：PV=5，UV=1，VV=2。

跳出率

一个非常重要的指标，表示没有进行任何操作就离开网站的用户比例。它代表着登陆页面（访问者进入网站的第一个页面）是否对用户有吸引力。常用的计算方法是着陆页。访问次数除以总访问次数。

例如，在一个统计周期内，有1000个不同的用户通过某个链接进入网站，其中50个没有浏览两次就直接退出了网站。那么这个链接的网站跳出率为：50/1000=5%。但有些退出行为不能视为退出。例如，故意添加到页面的导出链接，例如合作伙伴网站、联系我们、付款页面等，不被视为负面跳出，因此有效的统计必须根据不同情况进行。只有有了数据，我们才能得到可靠的跳出率。

统计一个网站的跳出率是非常有必要的，这可以帮助产品提高用户粘性。跳出率高表明用户体验不好，用户一进入就跳出来，落地页没有满足用户的期望和需求，或者人群定位不准确。相反，如果跳出率低，则说明用户体验非常好。至少用户可以第一时间得到自己需要的内容，并且可能会再次回来。

退出率

对于网站内的特定页面，退出率是衡量从该页面退出的比例的指标，计算方法是用页面的退出次数除以访问次数。

退出率反映了网站对用户的吸引力。如果退出率较高，则说明用户只浏览了少量页面，然后就离开了。因此，需要改进网站的内容来吸引用户，解决用户的内容需求。

跳出率和退出率有什么区别？

跳出率是指进入网站后未进行任何跳转操作而退出或关闭页面的用户比例。退出率是指无论用户从哪个页面进入网站，最终退出该页面的用户比例。

跳出率适用于访问的登陆页面（即用户成功访问的第一个页面），而退出率适用于成功访问并退出的任何页面，即用户在网站上访问的最后一个页面。退出率通常是针对本地页面计算的。例如，如果支付流程的退出率很高，那么就必须根据当前情况对流程进行优化。但是，从网站整体的角度来统计退出率是没有意义的，因为如果你访问了该网站，你就必须离开该网站。跳出率可以应用于着陆页或整个网站。

平均访问时长

是指用户在特定统计周期内浏览网站某个页面或整个网站时，停留的总时间除以该页面或整个网站的访问次数的比率。

例如，某特定时间段内，用户在网站上的总停​​留时间为1000秒，该时间段内的总访问次数为100，则该页面或网站的平均访问时间为1000秒/100= 10秒。

该数据是分析用户粘性的重要指标之一，也可以反映网站的用户体验。平均访问时长越短，网站对用户的吸引力就越小，可用的内容信息也就越少。

转化率

在统计周期内，完成的转化操作次数与促销信息总点击次数的比率。

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次访问中有10人登录该网站，那么该网站的登录转化率为10%，最终有2个用户关注该产品，则关注转化率为2%。如果用户生成订单并付款，支付转化率为1%。

转化率是产品盈利能力的重要指标之一，直接反映了产品的盈利能力。不同行业的转化率也有不同的侧重点。例如，电商产品应该注重销售转化。查看参与活动的用户在活动结束后进行了付款。如果有需要，还可以根据数据分析每人的购买数量。以及购买金额。再比如，我们在监控注册量的时候，需要关注注册转化率，看看这个活动给产品带来了多少新用户。因此，可以通过转化率来有针对性地分析产品的不足之处，快速定位问题点。

转化率是基于访问量（UV）还是访问量（PV）？

这需要根据团队数据分析的目的而定。例如，使用访问次数意味着每次访问都可以产生付费。如果使用访问次数，则认为用户在购买前多次访问是正常行为。我个人建议前期使用访问量来消除你的团队访问网站的数据干扰，因为通过不断刷新同一IP的网页可以增加访问量，而且访问量是准确的到一个IP地址（即一个用户，一台设备）。

回购率

指用户（回头客）重复购买商品或服务的次数。

计算重复购买率有两种方法：

第一个是所有购买过产品的用户作为独立单位重复购买该产品的次数。例如，如果有 10 位客户购买了该产品，其中 5 位客户重复购买，则重复购买率为 50%；

其次是单位时间内重复购买次数占总数的比例。例如，10位顾客购买了一种产品，其中3人进行了第二次购买，3人中的1人进行了第三次购买，则重复购买次数为4。重复购买率为40%。重复购买率越高，用户对产品的忠诚度越高，反之亦然。

3、用户数据指标ARPU

这是每个用户的平均收入。

ARPU=总收入/用户数

它重点关注运营商在一段时间内从每个用户那里获得的收入，是互联网企业业务收入的指标。 ARPU值高表明每个用户贡献的平均收入高，但不能反映利润情况，因为利润还需要考虑成本。如果每用户成本也很高，那么即使ARPU值很高，利润也可能不高。

用户数可以是总平均在线用户数、付费用户数或活跃用户数。不同的产品标准可能有所不同。 ARPU关注特定时间内每个用户获得的收入，是互联网公司业务收入的指标。 ARPU值高意味着每个用户平均贡献的收入高，但并不一定意味着利润高，因为利润仍然需要从成本中扣除。 ARPU的高低没有绝对的好坏，分析时需要遵循一定的标准。 ARPU值高，说明每个用户平均贡献的收入高，这段时间业务呈上升趋势。

添加新用户

安装应用程序后首次成功启动产品的用户。

根据统计跨度不同，分为每日新增（DNU）、每周新增（WAU）、每月新增（MAU）。新用户按照设备维度进行去重统计。如果设备卸载应用程序并在一段时间后重新安装应用程序，并且设备没有重置，如果再次打开应用程序，则不会被计为新用户。

新用户指标主要是衡量营销推广渠道效果的最基本指标。新增用户与活跃用户的比例也可以用来衡量产品的健康程度（如果产品不是新增的、不活跃的，就会进入“绝症状态”）。如果某个产品的新用户比例过高，则说明该产品的活跃度是由于促销造成的。这种情况是非常需要关注的，尤其是新用户的留存率。

活跃用户

在特定统计周期内成功上线产品的用户。另外，我们还可以将活跃用户定义为在一定统计周期内（根据设备去重统计）操作过产品核心功能的用户。

活跃用户是衡量产品用户规模、与新用户互补的重要指标。如果您只看一个指标来定义产品的成功，那么它就是活跃用户数量。当然，一般只关注核心用户规模。用户每天预计使用的应用包括新闻应用、社交应用、音乐应用等，其产品的KPI考核指标一般包括日活跃用户数。但对于一些低频消费需求、临时性需求的App，比如旅游、摄影、工具等，你可能会关注月活跃用户数，甚至特定周期的活跃用户数。

活跃用户数根据不同统计周期可分为日活跃用户（DAU）、周活跃用户（WAU）、月活跃用户（MAU）。

DAU（ ）：自然天内成功启动应用的用户。如果同一设备在同一天内启动多次，则仅记录一名活跃用户；

WAU（ ）：在某个自然周内成功上线应用的用户。如果同一设备在一周内启动多次，则只会记录一名活跃用户。该指标用于查看用户的类型结构，如轻度用户、中度用户、重度用户等；

MAU（ ）：某个自然月内成功上线应用的用户。如果同一设备在一个月内启动多次，则只会记录一名活跃用户。该指标一般用来衡量服务的用户粘性以及服务的衰退周期。

保留率

一定统计期内新用户数中，经过一定时间后仍然启动应用的用户比例（留存率=留存用户/新用户*100%）。通常可以重点关注第二天、3日、7日、30日，观察留存率的衰减情况。

次日留存率：是指一定统计周期内的新用户次日再次成功上线应用的比例。如果第二天的留存率达到50%以上，说明这个产品已经很不错了；

7天（周）留存率：是指一定统计周期内的新用户在第7天再次成功上线应用的比例。在此期间，用户通常会经历一个完整的产品体验周期。此阶段的用户如果能够留下来并继续使用，很可能成为该产品的忠实用户；

30天（月）留存率：是指一定统计周期内的新用户在第30天再次成功上线应用的比例。通常移动产品的迭代周期为2~4周一个版本，因此月留存率可以反映一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，因此通过比较月留存率可以判断每个版本更新对用户的影响区域，从而定位类似问题进行优化。

如果上述期间留存率较低，会体现出哪些问题？

次日留存率低：这表明目标用户群对我们的产品不感兴趣；

7天留存率低：这说明我们产品的内容质量太差，用户习惯后觉得产品用起来很无趣；

30天留存率低：版本迭代规划没有做好，功能更新、内容更新、BUG修复、性能等都比较差。这个时候就需要重新规划迭代内容，不要一而再、再而三地犯同样的错误。

留存率是验证用户粘性的关键指标。设计师和产品经理通常可以利用留存率与竞品进行对标，衡量用户粘性和忠诚度。对于版本相对成熟的产品，如果留存率发生明显变化，则意味着用户质量发生了变化，这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、越满足用户需求，留存率就越高。如果产品本身满足小众低频需求，则每两周甚至30日都会监测留存率。一般来说，保留率低于 20% 是一个危险信号。

流失率

是指曾经使用过产品或服务，但因各种原因不再使用的用户。

用户流失率=一定时间内不再启动应用的用户数/一定时间内的用户总数。

流失率和保留率密切相关。流失率高意味着留存率低，但活跃度不一定高，所以需要综合分析。我们还关注第二天、7 日和 30 日的流失率。

流失用户的定义根据不同的产品和服务而有所不同。对于微博、邮件等用户几乎每天都会登录查看的产品，如果用户超过1个月没有登录，我们可以认为用户可能已经流失。对于电商产品来说，3个月没有登录或者半年内没有进行过任何购买的用户都可以被视为流失用户。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判断。设计师和产品经理需要发现异常的数据丢失，定位用户流失的原因，并在下一个版本中修复产品中的问题。您甚至可以通过用户当时注册的个人信息来定位丢失的具体用户ID并进行追踪。我们最常见的操作方式就是游戏产品的“召回老玩家”。

一次性用户

添加将来不再启动该应用程序的用户。

一次性用户是营销的一个关键指标，也是判断无效用户的标准，可以从中过滤掉目标用户。一般限制是至少需要7天才能确定是否是一次性用户。

使用时长

即统计周期内，设备从应用启动到使用结束的总使用时长。

一般根据人均使用时长、每次平均使用时长、单次使用时长进行分析，衡量用户产品落地的粘性。它也是衡量活性和产品质量的参考。

启动次数

它统计用户在一段时间内打开应用程序的次数。

关注每人的启动次数，根据使用时间进行分析。当用户主动关闭应用程序或应用程序进入后台超过30秒，然后返回或打开应用程序时，将计为两次启动。启动次数主要取决于频率分布。

使用间隔

即用户上次使用该应用程序的时间与用户再次使用该应用程序的时间之间的时间差。

利用频次分布来观察应用对用户的粘性以及操作内容的深度。虽然是使用间隔，但使用间隔统计是通过计算同一设备两次启动的时间差来完成的，充分考虑了应用周期性和碎片化使用的特点。

4、如何获取这些数据？

工作中可能会出现这样的情况：“上面提到的一些数据指标看不到”或者“我不知道怎么看”。最终因为没有数据而无法进行监测和分析。这主要是因为产品上线前没有对数据进行开发统计。这部分工作一般由产品经理规划，开发人员执行。设计者也可以向开发者提出自己对监控数据的需求。我们将此规划称为“数据埋点”。

隐藏点实际上是对产品的可视化健康检查，贯穿于产品的整个生命周期，使产品逐渐达到最佳状态（数据结果和产品迭代需要相互呼应），并为产品提供指导。未来产品优化方向。当然，根据目标的不同，最终的数据验证结果也会有所不同。

例如，新版本上线时，有以下几种场景需要验证用户行为和功能效果：

新功能是否被用户使用并认可？这个新功能的用户点击率和活跃度是多少？用户核心功能的操作路径是否顺畅？是否因功能按钮的设计导致无效点击增加？产品内促销或在特殊节日进行促销。此次活动的运作效果如何？新用户增长情况如何？

……

因此，埋点是互联网领域获取数据非常重要的手段。收集信息的过程一般也称为日志收集。通俗地说，就是在APP或者WEB产品中嵌入一段代码来监控用户行为事件。

一个典型的应用场景就是某种操作活动。页面点击次数（PV）和点击用户数（UV）是使用隐藏数据计算的。当然，这些信息消耗一次之后也并非毫无用处。通过埋点收集的信息可以作为监控，并通过可视化数据呈现，帮助产品、设计、运营人员看到产品的长期性能；它还可以作为基础原材料，进行用户标签和渠道转换的复杂计算。分析、个性化推荐等

例如，当我们使用信息产品阅读新闻时，我们会发现每次推荐的内容都是上次点击的相关类别。这是通过埋藏数据获得的用户行为习惯，通过数据进行个性化推荐。

除了关注需要监控的特定功能领域外，一般大公司也会独立开发数据分析系统供内部产品组使用。一些关键数据可以在上面实时监控，并且有专门的团队来维护。 。其次，市面上有很多数据统计工具可以自动监控产品相关数据。他们中的大多数都是有偿的。这里不会有广告。百度搜索关键词会显示出很多类似的数据监控产品。

5.不同的产品阶段需要不同的数据。

产品阶段就是产品的生命周期，可分为初创期、成长期、成熟期、衰退期。每个阶段的工作量和数据侧重点都会不同。

1. 启动期

初创期的重点是验证产品的核心价值，通过某种产品或服务为特定人群解决某种问题。此时我们需要关注的关键数据是目标用户画像，以及第一批种子用户的产品使用情况和反馈建议。因此，在初创期，设计师和产品经理需要进行定性分析（如用户访谈）来直接判断产品是否满足用户需求、产品是否覆盖了更多的使用场景等。

因此，我们不需要在产品前期投入更多的精力进行数据分析。说白了，这个阶段的用户数量较少，用户行为等数据还处于比较早期的阶段，因此数据分析的效果无​​法最大化，价值并不明显。这个阶段是先保证产品顺利上路，同时绑定一批种子用户，解决基本的用户需求，让产品和团队先生存下来。当舞台和手段不相符时，强行做某事就叫作“炫耀”。

2、生长期

经过初始阶段的产品打磨后，产品一般会有较好的保留率。此时产品开始进入自发生长期（生长期）。现阶段的产品已经可以解决用户的基本诉求，所以我们会注重用户生命周期的管理，吸引更多的新用户到产品上（新鲜血液），既吸引新用户，又留住新用户。那么我们的数据重点也应该是吸引新客户并留住他们。