本文深入探讨了各种数据指标，从用户行为到事件触发，再到用户属性和错误类指标，为产品人员提供了一份详尽的参考指南。这些指标不仅帮助我们更好地理解用户，还能指导我们做出更明智的产品决策。
不同的指标描述不同的事务的数据特征，有时候研究一个问题需要多个指标进行组合。在《产品要懂点数据分析（一）-数据采集和数据指标》中讲了几个概念。本篇来看看一些常用的数据指标。
用户行为类指标是对用户在产品中的行为进行统计分析。包括了用户对产品的使用、对某一个页面的使用行为、对某一个事件的行为等。
1）新用户
安装产品的类型，新用户可以理解成新用户和新账号。
对于APP来说，首次下载安装并成功联网使用的用户，即为新增用户。新增账号是指成功注册的用户。
不同的产品对新增用户的定义不一样。如新闻类APP不需要注册即可使用，用新增用户较为合适。某些网游类产品，必须注册才能使用，则新增账号更合适。
2）老用户
相对于新用户，我们将已经启动、激活、注册过的用户称为老用户。
3）活跃用户
活跃用户是指在观察期期内启动或使用了产品的用户。
产品不同，统计活跃用户的标准也不同。有些以打开产品作为活跃用户、有些需要使用了某个功能算活跃用户。对于某些常驻后台的产品，则驻留后台一天也算一次活跃。
4）流失用户
在一段时期内活跃，在下一段时期不活跃的用户，则视为已经流失的用户。
不同的产品有不同的观察周期。如社交类产品用户每天都要打开，订飞机票的产品一个月也不一定打开一次。
5）回流用户
已经被认定为流失的用户，过一段时间再次活跃的用户。
6）忠诚用户
连续N个观察周期都活跃的用户。
1）新增用户
以前没使用过产品，首次使用产品的用户，则称之为新增用户。
◇ 新增用户
新增用户以设备为统计单位，用户在某个独立设备上首次安装使用，即为一个新增用户。也就是说，同一台设备的多次安装、更新视为同一个用户。
◇ 新增账号
用户完成注册，即视为一个新增账号。
◇ 日新增用户/账号(DNU)
按天为统计单位，每日新增的用户/账号数量。
2）累计用户
所有新增用户或账户累计的用户总量。
谨防被累计用户数据所欺骗。累计用户包含了“僵尸用户”，这些用户可能是某些渠道引入的垃圾用户。相对来说，活跃用户更能反映出产品的现状和规模。
3）活跃用户
活跃用户是根据一段时间内登陆的用户数量进行计算。在一段时间内多次活跃的用户，计算为一个活跃用户。
常见的统计指标有日活（DAU）、周活（WAU）、月活（MAU），分别对应1/7/30天内活跃用户的数量。连续N日活跃为连续N天，都活跃的用户数量。
4）留存用户
针对特定的观察用户，在经过N日后，仍然使用应该的用户。注意，留存用户仅仅统计了第N日使用的用户的数量，这些用户有可能在第1到第N-1日并没有登录。
根据所观察用户的不同，将留存用户分成新增用户留存和活跃用户存留。
◇ 新增用户留存
以一段时期的新增用户作为观察用户，在经过N日之后，这部分用户仍然使用产品的用户。
◇ 活跃用户留存
以一段时期的活跃用户作为观察用户，在经过N日之后，这部分用户仍然使用产品的用户。
◇ 留存率
在一定的观察时间内，留存用户占观察用户的比例。计算公式为：
留存率 = 留存用户 / 观察用户
根据观察周期不同，将留存率分成次日留存率、3日留存率、7日留存率、30日留存率。分别为次日/3日/7日/30日留存用户和观察用户的比例。
5）回流天数分布
用户访问产品间隔的天数分布进行统计。
6）在线用户
◇ 分时在线用户
按一定的时间段分别统计在线用户。如按小时统计每个小时的在线用户。
◇ 最高在线人数(PCU)
是指产品达到的最高的同时在线的用户数量。最高在线人数是衡量产品规模的一个指标。
1）启动
正常情况下，打开应用即为启动。对于某些常驻后台的应用，则以从后台切换至前台为一次启动。
2）退出
正常情况下，用户关闭应用即为退出。
对于通常的APP来说，由于手机的系统的限制，退出至后台也会被当作退出。如应用被切换至后台30秒未使用、手机锁屏30秒、打开了其他应用而导致被切换至后台30秒，断网或者其他故障导致APP无法使用等情况，都会被视为是退出了应用。
30秒是一些手机系统的限制，一般情况下超过30秒不使用，会断开会话。但退出的时间间隔不一定是30秒，可以根据不同的应用进行设置。如某些期望保持在线的游戏产品，用户一旦切入后台就会被视为退出。
对于网页类的产品来说，因为无法获知用户是否在使用，所以通常以一定的时间未操作视为用户退出。如，用户操作后30分钟未使用。
30分钟是个经验值，用户操作间隔不一定是30分钟，这个时间间隔可以根据具体产品类型进行变更。
3）在线/访问
用户在线或用户的一次访问是指启动应用/页面，到退出应用/页面的过程。
4）事件的触发
事件可以主动触发，也可以是被动触发，或者是间接触发。
常见的主动触发的方式有点击、滑动等；被动触发的方式有展示（如进入页面，广告被展示出来）等；间接触发是由一个事件引起的其他事件（如点击播放按钮后，弹出窗口并自动播放）。
5）页面访问结束
页面被关闭、页面被跳转到其他页面、应用被切换至后台、被其他应用或者故障中断等事件，视为页面访问结束。
1）应用级指标
◇ 启动次数
应用被启动的次数，即为一次启动。
根据统计时间的长短，常用的指标有日启动次数、周启动次数、月启动次数。
◇ 使用时长
在产品可视界面下的停留时长。
对于APP来说，即为停留在前台的时长。对于某些可以在后台使用的产品（如音乐播放类产品），使用时长包括了其后台运行的时间。
对于某些网页产品来说，因为无法统计其是否停留在可视页面下，一般将第一个页面打开到最后一个页面打开的时间差视为使用时长。
◇ 次均访问时长
平均每次访问的使用时长。公式为：
次均访问时长 = 使用总时长 / 访问次数
◇ 人均访问时长
平均每个用户访问的时长。公式为：
人均访问时长 = 使用总时长 / 访问人数
2）页面级指标
◇页面访问次数（PV）
在一定时间内，页面被打开的次数。
◇ 页面访问深度
平均每次访问浏览了都是个页面。公式为：
页面访问深度 = 页面浏览次数/访问次数
◇ 页面访问次数占比
对所有页面进行统计，统计每个页面访问次数的占比。 公式为：
页面访问次数占比 = 页面访问次数/页面访问总次数
◇ 独立访客数（UV）
在一定时间内，页面被打开的用户数量，一个用户打开多次，则计算一次独立访客数。
◇ 页面访问时长
从访问页面到结束页面访问的时长。
◇ 页面平均访问时长
统计一个页面平均每次访问的时长。公式为：
页面平均访问时长 = 页面访问时长/页面访问次数
◇ 页面访问时长占比
对所有页面进行统计，统计每个页面访问时间的占比。 公式为：
页面访问时长占比 = 页面访问时长/页面访问总时长
◇ 跳出率
统计某个着陆页面，用户在访问着陆页之后，就结束使用产品的比例。公式为：
跳出率 = 退出次数/访问次数
针对跳出率的访问次数的计算，只包含计算了从外站进入产品的着陆页的次数。跳出率是针对着陆页面的一个指标，一般用于衡量宣传页面或用户登陆后的第一个页面的数据。
◇ 退出率
统计进入某个页面后，用户就结束使用产品的比例。公式为：
退出率 = 退出次数/访问次数
退出率的访问次数包括了从外站进入的次数，也包括了从产品内部跳转到这个页面的次数。退出率经常用户衡量用户需要经过一系列页面完成目标的场景，在这一系列页面中，每个页面退出的比例。
3）事件级指标
◇ 触发用户
触发某一事件的用户数量，即多少个用户触发了这个事件。
◇ 事件次数
事件被触发的次数。
◇ 人均事件数
平均每个用户执行的事件次数。公式为：
人均事件数 = 事件次数/触发用户数
◇ 用户交互深度
也称为访问平均事件数，是指用户在一次访问里面触发了多少次事件。公式为：
平均访问事件数 = 事件次数/访问次数
◇ 事件时长
用户执行某一件事件持续的时长。
通常是需要长期执行的事件。比如播放音乐，用户从播放音乐到结束播放音乐的时长。
◇ 事件平均时长
平均每次执行事件的时长。公式为：
事件平均时长 = 事件总时长/事件次数
◇ 人均事件时长
平均每个用户执行事件的时长。公式为：
人均事件时长 = 事件时长/触发用户数
◇ 用户参与度
某个事件触发的用户占活跃用户的比例。公式为：
用户参与度 = 触发用户/活跃用户
4）用户属性类指标
用户属性类的指标主要用于分析用户是谁。
◇ 自然属性
用户的自然属性是指用户本身具备的属性。常见的包括：
◇ 兴趣属性
不同的用户兴趣和关注点不同，不同的产品关注点也不一样。
如果是一个内容型产品，可能更关注用户的内容兴趣。如：政治、文化、娱乐、社会等。
如果是一个电商型产品，可能更关注用户的购物兴趣。如：衣服、电子产品、生活用品等。
有些兴趣是用户直接设置的，有些兴趣是通过用户的行为和其他属性推断出来的。
◇ 设备属性
用户通过设备使用产品，对设备进行统计分析。常用的有：
◇ 版本信息
用户在使用哪个版本的软件。
◇ 错误类指标
错误类指标用于衡量产品质量。错误是指用户在使用过程中出现的异常。
◇ 错误次数
出现的异常情况的次数。
◇ 错误率
用户启动过程中遇到的错误的比例。公式为：
错误率 = 错误次数 / 启动次数
◇ 错误影响用户
出错的用户人数。
◇ 出错用户占比
错误影响到的用户占启动用户的比例。公式为：
出错用户占比 = 错误影响用户 / 活跃用户
以上是比较通用的数据指标，针对不同的产品类型还会有不同的指标。如内容型产品，还会统计用户的阅读、分享、转发等数据。如电商型产品，则还会统计用户的销售额、订单数、客单价等。
本文由 @林海舟 原创发布于人人都是产品经理，未经许可，禁止转载
题图来自 Unsplash，基于 CC0 协议
该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。