很多設計師和產品經理在剛入門時，都會對一些數據指標很模糊。尤其是與產品團隊和運營扯需求、與開發談指標、談實現等場景，數據指標就更為常見。假如我們對指標不了解、沒有概念，則會被多方質疑你的專業能力，同時你也無法提升「數據驅動業務、數據驅動產品、數據驅動設計」的核心能力。
關注數據指標，不僅僅是產品經理或運營的「專利」，作為交互和 UI 設計師也需要掌握這方面的技能，來幫助我們產出更貼近用戶行為的設計。同時，監測產品數據也有 2 個重要作用：一是可以監控產品疊代中的問題點和設計點，運營和市場活動的收入水平等，看看他們目前處於什麼狀態，也可以為後續產品疊代的方向提供參考幫助。二是通過對數據的挖掘和分析，可以發現新的商業機會和產品爆發點，也就是近兩年經常聽到的數據增長、用戶增長、增長設計的概念。
因此，作為一名設計師或產品經理必須要了解與業務相關的核心數據指標。由於所在領域不同、業務不同，因此團隊所關注的數據側重點也不同。今天就從「網頁基礎指標、用戶數據指標、如何獲取數據指標、產品設計的生命周期」來梳理我們產品設計者常見的指標維度。
什麼是數據指標？
它是對當前業務有參考價值的統計數據，是通過對於業務需求的進一步抽象，並進行數據埋點後，加工出來的一套計算規則，並通過有效的方法論和數據可視化呈現，最終能夠解釋業務變化和用戶行為。當然，不是所有的數據指標都叫指標，只有對當前業務有參考價值的指標才可稱作指標，同時要具備：可統計、可分析、可監測的特點。
網頁基礎指標
先了解下流量的概念：分為站外流量來源和站內流量路徑。以下就拿電商產品舉例。
站外流量：通過其他平台或外界媒體進入到你的店鋪就是站外流量。又分為免費和付費，免費有自然流量和搜索流量（比如在百度搜你店鋪的名稱並點擊進入，這就是從免費的外界平台進入），而付費則主要是一些廣告投放的流量（比如將你的店鋪連結付費植入到某公眾號，讓他幫你推廣，即從他公眾號進入店鋪的流量）。
站內流量：通過平台內的推薦入口或者搜索路徑等方式，進入到你的店鋪就是站內流量。主要指用戶在網站內的行為路徑。
1. PV（頁面瀏覽量）
用戶每 1 次對網站中的每個網頁訪問（成功訪問/進入）均被記錄 1 次。用戶對同一頁面的多次訪問，訪問量累計。在一定統計周期內用戶每次刷新網頁 1 次也被計算 1 次。
理論上 PV 與來訪者數量成正比，但是它不能精準決定頁面的真實訪問數，比如同一個 IP 地址通過不斷地刷新頁面，也可以製造出非常高的 PV。
2. UV（獨立訪客人數）
訪問網站的一台電腦客戶端為一個訪客。00:00~24:00 內相同的客戶端只被計算一次。
使用獨立用戶作為統計量，可以更加精準地了解一個時間段內，實際上有多少個訪問者來到了相應的頁面。
3. VV（用戶訪問次數）
當用戶完成瀏覽並退出所有頁面就算完成了一次訪問，再次打開瀏覽時，VV數+1。VV 同時也是視頻播放次數（Video View）的簡稱。
4. PV、UV、VV有什麼區別？
比如你上午打開了優設，訪問了兩個作品頁面並關閉網頁。下午又打開了優設，訪問了五個作品頁面。則當日統計結果為：PV=7、UV=1、VV=2。
5. 跳出率
一個非常重要的指標，表示用戶來到網站後，並沒有進行操作就直接離開的比例，代表著陸頁面（訪客進入網站的第一個頁面）是否對用戶有吸引力，常用的計算方式是落地頁面的訪問量除以總訪問量。
比如，在一個統計時間內，網站有 1000 個不同用戶從某個連結進入，其中有 50 人沒有二次瀏覽行為，是直接退出網站的，那麼這個連結的網站跳出率為：50/1000=5%。然而有些退出的行為不能作為退出考慮，比如頁面上刻意添加的導出連結，如合作夥伴的網站等，還有聯繫我們，付款頁面等，都不算是負面的跳出，所以要根據不同情況統計有效的數據才能得出可靠的跳出率。
統計一個網站的跳出率是非常有必要的，能幫助產品提高用戶粘性。跳出率高，說明用戶體驗做得不好，用戶進去就跳出去了，著陸頁沒有滿足用戶的期望與需求，或是人群定位不精準。相反如果跳出率較低，說明用戶體驗做得很好，最起碼用戶能在第一時間獲取自己需要的內容，並且可能還會二次光顧。
6. 退出率
針對網站內某一個特定的頁面而言，退出率是衡量從這個頁面退出網站的比例，通過一個頁面的退出次數除以訪問次數。
退出率反映了網站對用戶的吸引力，如果退出百分比很高，說明用戶僅瀏覽了少量的頁面便離開了，因此需要改善網站的內容來吸引用戶，解決用戶的內容訴求。
7. 跳出率與退出率又有什麼區別？
跳出率是指用戶進入網站起，沒進行什麼跳轉操作，又從這個頁面退出或關閉的比例。退出率則是無論用戶從哪個頁面進入網站，最終從這個頁面退出的比例。
跳出率適用於訪問的著陸頁（即用戶成功訪問的第一個頁面），而退出率則適用於任何訪問成功並退出的頁面，即用戶在網站上訪問的最後一個頁面。退出率通常針對局部的頁面來統計，比如支付流程退出率高，那就要針對現狀對流程做優化。但站在網站總體的角度統計退出率沒什麼意義，因為有訪問網站，就必然有離開網站。而跳出率則可以適用於著陸頁面，也可適用於網站整體。
8. 平均訪問時長
指在特定統計時間段內，瀏覽網站的一個頁面或整個網站時，用戶所停留的總時間除以該頁面或整個網站的訪問次數的比例。
如用戶在網站特定時間內總停留時間為 1000 秒，在這段時間內，總的訪問次數是 100 次，那麼這個頁面或網站的平均訪問時長就是 1000秒/100=10秒。
該數據是分析用戶粘性的重要指標之一，也可以側面反映出網站的用戶體驗。平均訪問時長越短，說明網站對用戶的吸引力越差，可用內容信息越少。
9. 轉化率
在一個統計周期內，完成轉化行為的次數占推廣信息總點擊次數的比率。
轉化率=（轉化次數/點擊量）×100%。以用戶登錄行為舉例，如果每 100 次訪問中，有 10 個登錄網站，那麼此網站的登錄轉化率就為 10%，而最後有 2 個用戶關注了商品，則關注轉化率為 2%，有一個用戶產生訂單並付費，則支付轉化率為 1%。
轉化率是產品盈利的重要指標之一，它直接反映了產品的盈利能力。不同行業的轉化率，關注點也不同，比如電商產品就要關註銷售轉化，看看參與活動的用戶當中有多少是在活動後產生支付的，有需要的還可以根據數據分析出人均購買次數和購買金額。再比如我們監測註冊量，就要關注註冊轉化率，看看這個活動給產品帶來了多少新增用戶。所以轉化率可以針對性分析產品在哪些方面做的不足，可以快速定位到問題點。
10. 轉化率是採用訪客數量（UV）還是訪問量（PV）？
這需要根據團隊數據分析的目的而定。比如採用訪問量，就是認為每次訪問都可產生付費。若採用訪客量，就認為用戶多次訪問才能購買是正常的行為。個人建議前期採用訪客數量，以排除自己團隊對網站訪問的數據干擾，因為訪問量是可以通過同一個 IP 不斷刷新網頁而遞增的，而訪客數量是精準到一個 IP 地址（即一個用戶、一個設備）。
11. 回購率
指用戶對商品或者服務的重複購買次數（回頭客）。
重複購買率有兩種計算方法：一是所有購買過產品的用戶，以每個人為獨立單位重複購買產品的次數，比如有 10 個客戶購買了產品，5 個產生了重複購買，則重複購買率為 50%；二是單位時間內，重複購買的總次數占比，比如 10 個客戶購買了產品，其中有 3 人產生二次購買，3 人中又有 1 人產生三次購買，則重複購買次數為 4 次，重複購買率為 40%。重複購買率越高，則用戶對產品的忠誠度就越高，反之則越低。
用戶數據指標
1. ARPU
即每個用戶平均收入。
ARPU=總收入/用戶數。它注重的是一個時間段內運營商從每個用戶所得到的收入，衡量網際網路公司業務收入的指標。ARPU 值高說明平均每個用戶貢獻的收入高，但無法反映利潤情況，因為利潤還需要考慮到成本。如果用戶的成本也很高，那麼即使 ARPU 值很高，利潤也未必高。
而用戶數可以是總平均在線用戶數、付費用戶數或是活躍用戶數，不同產品標準可能存在差異。ARPU 注重特定時間段內從每個用戶所得到的收入，衡量網際網路公司業務收入的指標。ARPU 值高說明平均每個用戶貢獻的收入高，但未必說明利潤高，因為利潤還需要減去成本。ARPU 的高低沒有絕對的好壞之分，分析的時候需要有一定的標準。ARPU 值高說明平均每個用戶貢獻的收入高，這段時間業務在上升。
2. 新增用戶
即安裝應用後，首次成功啟動產品的用戶。
按照統計跨度不同分為日新增（DNU）、周新增（WAU）、月新增（MAU）。新增用戶按照設備維度進行去重統計，如果該設備卸載了應用，一段時間後又重新安裝了該應用，且設備未進行重置，若再次打開應用，則不被計算為一個新增用戶。
新增用戶量指標主要是衡量營銷推廣渠道效果的最基礎指標。新增用戶占活躍用戶的比例也可以用于衡量產品健康程度（產品沒有新增和活躍，就進入「絕症狀態」）。如果某產品新用戶占比過高，那說明該產品的活躍是靠推廣得來，這種情況非常有必要關注，尤其是新增用戶的留存率情況。
3. 活躍用戶
即在特定的統計周期內，成功啟動過產品的用戶。除此之外，我們還可以將活躍用戶定義為某統計周期內操作過產品核心功能的用戶（按照設備去重統計）。
活躍用戶是衡量產品用戶規模的重要指標，和新增用戶相輔相成。如果只看一個指標來定義產品的成功與否，那一定是活躍用戶數。當然，一般重點關注核心用戶規模即可。希望用戶每天都使用的應用有新聞 APP、社交 APP、音樂 APP 等，其產品的 KPI 考核指標一般都有日活躍用戶數這項。但對於某些低頻消費需求和臨時性需求的 APP，比如旅遊、攝影、工具類等，可能會關注月活躍數，甚至特定周期內的活躍數。
活躍用戶數根據不同統計周期可以分為日活躍數（DAU）、周活躍數（WAU）、月活躍數（MAU）。
- DAU（日活）：某個自然日內成功啟動過應用的用戶，該日內同一個設備多次啟動只記一個活躍用戶；
- WAU（周活）：某個自然周內成功啟動過應用的用戶，該周內同一個設備多次啟動只記一個活躍用戶。這個指標是為了查看用戶的類型結構，如輕度用戶、中度用戶、重度用戶等；
- MAU（月活）：某個自然月內成功啟動過應用的用戶，該月內同一個設備多次啟動只記一個活躍用戶。這個指標一般用來衡量被服務的用戶粘性以及服務的衰退周期。
4. 留存率
即在某一統計時段內的新增用戶數中再經過一段時間後仍啟動該應用的用戶比例（留存率=留存用戶/新增用戶*100%）。通常重點關注次日、3日、7日、30日即可，並觀察留存率的衰減程度。
- 次日留存率：即某一統計時段新增用戶在第二天再次成功啟動應用的比例。如果次日留存率達到 50% 以上，說明這個產品已經是非常優秀了；
- 7日（周）留存率：即某一統計時段新增用戶在第 7 天再次成功啟動該應用的比例。這個時間段內，用戶通常會經歷一個完整的產品體驗周期，如果這個階段用戶能夠留下來繼續使用，很有可能成為產品的忠實用戶；
- 30日（月）留存率：即某一統計時段新增用戶在第 30 天再次成功啟動該應用的比例。通常移動端產品的疊代周期為 2~4 周一個版本，所以月留存率能夠反映出一個版本的用戶留存情況，一個版本的更新，或多或少會影響部分用戶的體驗，所以通過對比月留存率能判斷出每個版本的更新對用戶的影響面積，從而定位到類似問題進行優化。
若以上時段的留存率低，會映射出哪些問題？
- 次日留存率低：說明所針對的用戶群對我們的產品不感興趣；
- 7日留存率低：說明我們產品的內容質量太差，用戶過了新鮮勁兒之後發現產品用起來特別枯燥；
- 30日留存率低：版本疊代規劃做得不好，功能更新、內容更新、BUG 修復、性能等都做得比較差，此時需要重新規劃疊代內容，不可一錯再錯。
留存率是驗證用戶粘性的關鍵指標，設計師和產品經理通常可以利用留存率與競品對標，衡量用戶的粘性和忠誠度。對於一個版本相對成熟的產品，如果留存率有明顯變化，那就說明用戶質量有變化，很可能是因為推廣渠道等因素所引起的。同時，留存率也是產品改版的重要指標，產品體驗越好，越符合用戶需求，則留存率越高。若產品本身滿足的是小眾低頻需求，留存率則選擇雙周甚至是 30 日進行監測。一般來說，留存率低於 20% 會是一個比較危險的信號。
5. 流失率
指那些曾經使用過產品或服務，由於各種原因不再使用產品或服務的用戶。用戶流失率=某段時間內不再啟動應用的用戶/某段時間內總計的用戶量。流失率和留存率有緊密關聯，流失率高即留存率低，但活躍度不一定高，因此需要綜合分析。也是重點關注次日、7日、30日的流失率。
對於流失用戶的界定依照產品服務的不同而標準不同，對於微博和郵箱這類用戶幾乎每天登錄查看的產品而言，可能用戶未登錄超過 1 個月，我們就可以認為用戶可能已經流失了。而對於電商產品而言，可能 3 個月未登錄或者半年內沒有任何購買行為的用戶可以被認定是流失用戶，所以不是每個產品都有固定的流失期限，而是根據產品屬性而判斷。設計師和產品經理需要找到流失的異常數據，定位流失用戶的原因，並在下個版本中修復產品中存在的問題。甚至還可以定位到流失的具體用戶 ID，通過當時用戶註冊的個人信息進行跟進，我們最常見的就是遊戲類產品「召回老玩家」的運營手段。
6. 一次性用戶
即新增日後再也沒有啟動過應用的用戶。
一次性用戶是關鍵的營銷指標，和判斷無效用戶的標準，從中把目標用戶過濾出來。一般劃定的界限是至少超過 7 天時間才能夠定義是否是一次性用戶。
7. 使用時長
即統計時間段內，某個設備從啟動應用到結束使用的總計時長。
一般按照人均使用時長、次均使用時長、單次使用時長進行分析，衡量用戶產品著陸的粘性，也是衡量活躍度，產品質量的參考依據。
8. 啟動次數
即統計時間段內，用戶打開應用的次數。
重點關注人均啟動次數，結合使用時長可進行分析。用戶主動關閉應用或應用進入後台超過 30s，再返回或打開應用時，則統計為兩次啟動，啟動次數主要看待頻數分布情況。
9. 使用間隔
即用戶上次使用應用的時間與再次使用時間的時間差。
使用頻數分布，觀察應用對於用戶的粘性，以及運營內容的深度。雖然是使用間隔，但是通過計算同一設備，先後兩次啟動的時間差，來完成使用間隔統計，充分考慮應用周期性和碎片化使用的特徵。
如何獲取這些數據？
在工作中可能會發生這種情況「上文提到的數據指標有些看不到」、「不知道怎麼看」，最終因為沒有數據而無法進行監測和分析。這裡主要是因為在產品上線前沒有對數據進行開發統計。這部分工作一般是由產品經理去規劃，開發來執行，設計師也可以提出自己想要監測數據的需求給到開發，我們把這個規劃叫做「數據埋點」。
埋點其實是對產品的一個可視化健康檢查，貫穿產品的整個生命周期，使產品逐步達到最佳狀態（需要數據結果和產品疊代相互呼應），為未來產品優化方向給出指導意見。當然，埋點的目標不同，最終數據驗證的結果也會有所不同。
比如，新版本上線，需要驗證用戶行為和功能效果的幾種場景：
- 新功能是否得到了用戶的使用與認可？本次新增的功能用戶點擊率和活躍度怎樣？
- 用戶在核心功能的操作路徑上是否順暢？有沒有因為功能按鈕的設計而導致無效點擊增多？
- 在某個特別的節日進行了產品內的 banner 推廣或者促銷，該活動運營的效果如何？新用戶增長是怎樣的？
所以說，埋點是網際網路領域非常重要的數據獲取手段。埋點採集信息的過程一般也稱作日誌採集。通俗點講，就是在 APP 或者 WEB 產品中植入一段代碼，監控用戶行為事件。典型的應用場景就是某個運營活動，頁面的點擊量（PV）有多少，點擊用戶數（UV）有多少，都是用埋點數據進行計算的。當然這些信息並不是消費一次就沒用了。通過埋點收集到的信息，可以作為監控並通過可視化數據呈現出來，幫助產品、設計、運營人員看到產品的長期表現，也可以作為基礎原料，進行複雜的運算，用於用戶標籤、渠道轉化分析、個性推薦等等。比如我們用某資訊類產品看新聞的時候，會發現每次推薦的內容都是上次所點擊的相關類別，這就是通過埋點數據獲取的用戶行為習慣，通過數據進行個性化推薦。
除了對需要監測的特定功能區做埋點之外，一般大公司也有自主研發的供內部產品組使用的數據分析系統，一些關鍵數據在上面都能夠實時監測到，並有特定的團隊去維護它。其次，現在市場上還有很多數據統計工具可以自動監測到產品的相關數據，大多都是付費的，這裡就不打廣告了，百度搜索關鍵詞會出現一大堆類似的數據監測產品。
產品階段不同，關注的數據也不同
產品階段就是產品生命周期，可分為初創期、成長期、成熟期、衰退期，每個階段的工作權重和數據關注點都會有所區別。
1. 初創期
初創期的重點在於驗證產品的核心價值，通過某種產品或服務可以為特定的人群解決某個問題。這時我們需要關注的關鍵數據是目標用戶畫像，同時是第一批種子用戶對產品的使用情況和反饋建議。所以初創期更需要設計師和產品經理去做定性分析（比如用戶訪談），直接確定產品是否滿足了用戶需求、產品有沒有覆蓋到更多的使用場景等。因此產品初期我們可以不用在數據分析上投入更多精力。說白了，該階段用戶量較少，用戶行為等數據還停留在比較初期的階段，所以數據分析的效果不能發揮到最大化，且價值不明顯。該階段就是先保證產品順利上路，同時要綁定一批種子用戶，解決基本的用戶訴求，讓產品和團隊先生存下來。階段與手段不匹配的情況下，還把某些事情強加上去，這就是「作秀」。
2. 成長期
經過了產品打磨的初始階段，產品一般會有較好的留存率，這個時候產品開始進入自發增長期（成長期）。該階段的產品已經能夠解決用戶的基本訴求了，所以將側重點關注在用戶的生命周期的管理，為產品吸引更多的新用戶來使用（新鮮血液），即拉新和留存，那麼我們數據關注的重點也要放在拉新和留存上。
拉新要關注推廣數據和推薦數據。
推廣數據：就是產品以拉新目的所採取的所有推廣運營活動和行為的指標數據，不同推廣方式（線上+線下）的到達率、觸達面積、點擊率、轉化率、二次訪問率、流失率。比如我們舉辦了一場線下活動，現場實到多少人、哪些是目標用戶、哪些不是目標用戶、有多少人當場試用了我們的產品，又有多少人在活動後下載了產品等等。
推薦數據：是用戶是否願意將產品推薦給他人的行為數據分析。這裡我們在數據上可以關注整個分享環節動態，比如產品有 100 個種子用戶，他們中有多少人只是自己用產品、有多少人會分享給朋友、他們的分享行為帶來了多少新增用戶等，這些數據會告訴我們產品在用戶心中的位置。
留存則是要做用戶的留存分析：重點有用戶的次日留存率、7日留存率、30日留存率、日活、周活、月活、產品頁面訪問深度、退出率等等。需要注意的是，這些指標不能單獨監測，需要將他們結合起來看。說透了，留存就是要提高目標用戶在核心場景的反覆出現頻率和停留時間（核心場景即產品的主要功能、主要盈利模式和用戶最喜歡的模塊）。
3. 成熟期
隨著用戶快速增長，產品不斷完善，產品在進入成熟期前後，設計師和產品經理的重心開始從用戶生命周期的前半段（吸引、激活、留存）往後半段（流失、回流）開始偏移並做出相應的產品設計，同時也更關注商業化行為，即用戶價值（用戶給產品帶來的價值，產品給開發者帶來的價值）。
這裡的用戶價值指的是用戶對公司和產品的商業價值，即解決產品訴求。和我們經常說的用戶訴求有所不同。該階段我們要根據用戶的情況進行細分，「保大棄小」，儘可能提升高價值用戶的活躍度，對於低價值用戶可以適當地減少投入精力。有增長就有減少，所以除了對用戶活躍度的關注之外，還需關注核心場景的用戶行為數據和高價值用戶的流失率。
假設我們的產品日活和周活都很高，但是核心場景上的點擊率或是停留時間非常低，核心場景關係到公司商業目標和價值的實現，用戶在這一塊的行為少，要麼你的用戶不是目標用戶，要麼你的核心場景存在比較大的缺陷讓用戶不滿意。高價值用戶的流失率也是一個道理，都是值得引起我們警惕的數據指標。
4. 衰退期
每個產品都有一個生命周期，這是受市場因素導致的，此時用戶會逐漸流失（這裡說的流失並不是完全放棄我們的產品，而是從降低活躍度漸漸走到消失），即被其它新產品的體驗模式所吸引，所以這時應該更關注用戶流失後使用的產品，分析競品的商業模式和功能，同時監測流失速度，需儘快拓展產品邊界，尋找新的切入點。
重點
1. 改版前不放在心上，疊代發布後才關注數據
對於平常就很少關注數據的設計師來說，經常在改版前因為專注於介面上的優化，而忽略了真實的用戶行為。
真實案例：我們產品中有一個步進器組件，用於客戶選擇相應的天數，且此項為必填項。之前我們內部的溝通結果是提供一個 7 天的默認值，當然對此默認值是有爭議的，有的同事認為默認 10 天比較合理，所以為了驗證用戶的操作習慣，我們在上線前對該組件進行了埋點。經過用戶使用過一段時間之後，我們通過數據發現大部分用戶在使用步進器時，點擊「減少」比「增加」的次數要多，而且一般停留在5天，就這樣我們把默認值從 7 天優化為 5 天，減少了大部分用戶的 2 次點擊，並且在類似的業務模塊內，會記住用戶上次所選的值，從而提高填寫表單的效率。
雖然只是一個小小的交互優化，但足以證明設計師關注產品數據不僅能夠驗證設計結果，還能對產品體驗不斷打磨，精細化提升用戶體驗。很顯然，如果沒有此次對數據的監測和教訓，只會讓我們繼續活在自己的世界裡，永遠也不會在意這個小問題，導致這個組件繼續復用、濫用，一錯再錯，直到用戶親自給我們提優化建議的時候，就已經太晚了。
所以，如果你想讓某個設計方案更貼近用戶或者想對比改版前後的效果，那就需要提前將自己的埋點需求整理成 Excel 表格，發給相關的開發同事，再對照交互原型詳細討論這些埋點，確保雙方理解一致，不至於最後埋點的數據不是自己想要的。
下面分享一份我在工作中用到的埋點需求表（用戶行為統計表）和數據收集表。
下載連結：https://share.weiyun.com/53kg548 密碼：fecckp
備用下載連結：https://share.weiyun.com/5uQ5kt9
2. 成為一名解決產品問題的設計師
隨著網際網路行業的發展，行業對我們設計師的要求只會越來越高，從近兩年冒出的 UX 設計崗、產品設計崗就能感知到。所以，未來的介面設計師一定會更關注產品和數據，不再是曾經「畫」頁面的團隊底層執行者了，了解一些數據知識可以將用戶的行為可視化，以便更清晰地了解用戶行為，經過一段時間的數據對比，設計師和產品經理可以共同驗證並規劃後面疊代的方案，預測產品的走向與趨勢。並且通過數據分析，可以量化交互方案的效果，作為一名解決產品問題的設計師，可以主動去承擔一些用研工作，化被動為主動。
以上是一些基礎的數據指標，希望對你有所幫助。若有來自不同行業和業務的產品數據指標，歡迎討論交流。