1、DAU：DailyActiveUser日活跃用户量。统计一日（统计日）之内，登陆或使用了某个产品的用户数（去重）
2、WAU：WeeklyActiveUsers周活跃用户量。统计一周（统计日）之内，登陆或使用了某个产品的用户数（去重）
3、MAU：MonthlyActiveUser月活跃用户量。统计一月（统计日）之内，登陆或使用了某个产品的用户数（去重）
4、DNU：DayNewUser日新增用户，表示当天的新增用户
5、DOU：DayOldUser日老用户。当天登陆的老用户，非新增用户
6、ACU：AverageConcurrentUsers平均同时在线人数
7、PCU：PeakConcurrentUsers最高同时在线人数
8、UV：UniqueVisitor唯一访问量，即页面被多少人访问过
9、PV：PageView页面浏览量，即页面被多少人看过
10、ARPU：AverageRevenuePerUser平均每个活跃用户收益。
11、ARPPU：AverageRevenuePerPayingUser平均每个付费用户平均收益。统计周期内，付费用户对产品产生的平均收入。
12、LTV：LifeTimeValue生命周期价值。产品从用户所有互动中获取的全部经济收益的总和
13、CAC：CustomerAcquisitionCost用户获取成本
14、ROI：ReturnOnInvestment投资回报率。
ROI=利润总额/投入成本总额*100%
15、GMV：GrossMerchandiseVolume成交总额。是指下单产生的总金额
CMV=销售额+取消订单金额+退款金额
16、支付UV：下单并成功支付的用户数
对于上述这些指标，如果你很陌生，那么首先可能就会问“这些指标来的呢”，“有些指标直接获取不到呀”。说到这，不得不提到数据采集的基础：埋点。一般在设计好数据指标后，我们会有一个“数据埋点”的工程，通常是由产品经理输出《埋点需求文档》，然后交予开发进行埋点部署，关于埋点的几种方式已经在埋点系列里面，在此不复述了。
埋点是互联网领域最重要的数据采集手段之一。通俗讲就是在web或app植入埋点代码，用以监控用户行为事件。通过埋点，我们可以：
获得用户行为轨迹
验证可行性
找出产品设计漏洞等
以电商网站为例，想要统计用户访问网站、访问商品详情页、加入购物车、支付订单到支付成功的转换率。发现从订单支付到支付成功转换率仅有4%，明显过低。即可分析支付节点是否存在bug，由什么原因导致。
大致的，我认为可以将数据指标分为三大类：综合性指标、流程性指标、业务性指标。
综合性指标是能提现产品目前综合情况的指标。
在非交易网站，比如社交网站，数据指标的用途偏向于了解产品的用户增长或减少等情况。综合性指标通畅有：DAU、留存数、留存率、人均使用时长、PV、UV等。
点击率：有PV点击率和UV点击率，一般使用PV点击率。
转换率：下一步操作用户数/上一步操作用户数
流失率：（上一步用户数-下一步用户数）/上一步用户数
完成率：完成率相对于转化率而言，是最终的结果数值。转化率是过程值，完成率是结果值。
数据分析和设计的方法有：事件分析、留存分析、漏斗分析、分步分析、对比分析和多维度拆解。
漏斗分析就是转化率分析，是通过计算目标流程中的起点，到最后完成目标节点的用户量与留存率，流量漏斗模型在产品中的经典运用是AARRR模型。
衡量每一节点的转换率，通过异常数据（转换率过低）找出异常节点，进而确定各个环节的流失率，分析用户怎么流失、为什么流失、在哪里流失。根据数据改进产品，最终提升整体转化率。
用户在某个特定条件下的用户分组或占比。例如：注册7天内下单的用户组、参与过A活动的用户等。
将不同时段的数据进行对比，找出差值，进行产品优化或验证设计。
自身产品对比：对比产品不同模块相似场景的数据，找出问题点。
行业产品对比：与同行业产品进行对比，找出优劣势，并持续优化。
用不同的维度视角拆分分析统一类数据指标。例如按照不同的省市地区分析、不同的用户人群、不用的设备等。通过不同维度拆解，找到数据背后的真相。
引入数据分析，就要引入数据模型。数据模型的核心是“分类”，如何选择或创造适合自身产品的数据模型，我们可以先了解市面上熟知几大模型。
AARRR是Acquisition、Activation、Retention、Revenue、Referral，这个五个单词的缩写，分别对应用户生命周期中的5个重要环节。
提高活跃度（Activation）：然后，通过引导用户注册等方式来激活他们。
提高留存率（Retention）：用户被激活后，剩余的工作就是如何让他们留下来，产生粘性。
用户推荐（Referral）：以前的运营模型到第四个层次就结束了，但是社交网络的兴起，使得运营增加了一个方面，就是基于社交网络的病毒式传播，这已经成为获取用户的一个新途径。这个方式的成本很低，而且效果有可能非常好；唯一的前提是产品自身要足够好，有很好的口碑。
在整个AARRR模型中，这些量化指标都具有很重要的地位，而且很多指标的影响力是跨多个层次的。及时准确地获取这些指标的具体数据，对于应用的成功运营是必不可少的。
RARRA模型本质上是通过AARRR模型调整顺序得来的，其原因是AARRR专注于获客(Acquisition)，且是McClure是在2007年编写的，当时的CAC还比较低廉，上架应用即容易获得用户。在互联网流量高速增长的今天，获取用户（Acquisition）已变得非常昂贵，所有应用商城都有百万个APP，市场竞争激烈，简单发布一个应用就有用户早已已不再是赚钱的方式。所以，以拉新获客的增长模式不再适用。现在黑客增长的真正关键是留存（Retention）。
RARRA模型是托马斯·佩蒂特ThomasPetit和贾博·帕普GaborPapp对于AARRR模型的优化。
用户留存（Retention）：是RARRA最重要的指标，留存率是反应用户留存最重要的指标之一。
用户激活（Activation）：加速用户激活，为用户的第一次使用提供尽可能愉快的体验。确保他们在首次使用时就看到产品的价值所在。
商业变现（Revenue）：提高用户的LTV（LifetimeValue），用户留存越长，对业务的价值越大。
用户拉新（Acquisition）：鼓励老用户带来新用户；优化获客渠道，通过渠道群组分析找出最适合你产品的获客渠道。
Google’sHEART是一个用来评估以及提升用户体验的模型，它由五个维度组成：Engagement（参与度）、Adoption（接受度）、Retention（留存度）、TaskSuccess（任务完成度）和Happiness（愉悦度）。
用户体验指数的维度有三个，分别为：满足需求、简单地和愉快地。
以上就是几个常见的数据指标模型，我们可以通过分析每个模型的背景和用途来学习其中的指标思路，并创造出适合自己团队的数据模型。
为了对指标进行统一管理，方便维护和共享，我们需要创建指标字典。指标字典可以是Excel表，或者其他记录形式。在数据量大的复杂环境中，一般将指标管理功能放在数据管理系统中。
指标一般分为三类：基础指标、普通指标、计算指标。
指没有更上游的指标，即它的父级指标就是它自身。例如“团购交易额”、“订单量”、“日活跃用户数”。
指在单一父级指标的基础上限定某个维度得到的指标。例如“PC端团购交易额”，限制条件为“下单平台=PC”。
指在若干个描述型指标上通过四则运输、排序、累计或汇总定义出的指标为计算指标。例如“客单价”、“ARPU”等
指标字典通畅包含指标维度和指标量度两大部分，例如
指标字典的维度
指标字典的量度
指标的最终目的是用来衡量产品的是否符合预期，并为后续产品优化工作提供思路和方向。
如果我们改版的核心指标是人均观看次数，则思考下什么策略既可以提升播放次数，又不费什么成本。比如新浪微博视频，以前看完视频后有重播按钮和其他推荐的视频，改版后看完这个视频会自动播放下一个视频。这样的设计虽然比较粗暴，但明显提高了视频播放次数。
怎样用指标量化设计价值。简单粗暴举个栗子，比如活动上线后，点击率是4.8%，每天的活动GMV约200万，当重新设计了活动页面后，在其他条件不变的情况下，点击率提升到了8%，活动GMVd达到了700万。那么增加的500万则是通过设计带来的收益。
【转载说明】若上述素材出现侵权，请及时联系我们付费及进行处理：shanliqiang@aiyingli.com