數據分析思維系列文章第一部分留了一個尾巴，還有一個底層思維——事實思維沒有介紹。但是我覺得事實思維可以直接引申到指標思維，因此干脆放到一起說。

先說說什么是事實思維

我們平時表達的內容基本可以分為事實和觀點兩部分。

美國從小學開始教育如何分辨事實與觀點，告誡學生事實不可否認，而觀點則可以不認同。事實和觀點混淆不清，是無法進行有效思辨和質疑的。

如果和別人辯論，對于事實，你可以用可信的證據去反駁；對于觀點，則可以各自表述。

比如，當一個人說：“我覺得今天好熱啊！”這就是一個觀點陳述，你不能以“今天才28度，不熱啊”去反駁他。因為對于說話者，28度可能就算很熱了，因為各人的感受和標準是不同的。

但如果一個人說：“今年夏天比去年的溫度高多了！”，涉及到事實層面的問題，你就可以拿兩年溫度對比的數據作為證據去反駁了。

由于中國的學校教育普遍缺失這一部分知識，所以很多中國人搞不清這兩者的區別。所以中國人的溝通往往容易陷入一些無畏的爭論中。

比如主管批評下屬：“你怎么經常遲到！”

下屬很容易抗拒，什么叫經常？我才遲到了三次，李四這個月還遲到了四次怎么不說他？然后對話就陷入了對抗模式。

“你怎么經常遲到”這句話是一個觀點，代表了主管心目中的評價。如果把觀點換做事實，那么溝通會更加容易。

“小張，你本月遲到了3次。”這句話是一個事實，無可辯駁，主管也沒有加上評判。

這時候小張的對抗情緒就會淡化很多，更容易找出問題的根源。

數據分析工作的目的是為了提升公司的決策水平。如果不能描述客觀事實，那么信息在溝通過程中很容易變形。

如果開會的時候說“本月的銷售額大幅下降”這樣的觀點，不同的人會有不同的理解。有些人會覺得下降20%以上叫大幅下降，有些人覺得下降10%就叫大幅。

如果去掉“大幅”呢？“本月的銷售額下降”這句話怎么樣？

這是一個事實，但是不同的人理解的可能是不同的事實，因為沒有說清所謂的下降是拿什么做對比。所以這個事實很容易造成誤解。

說話者腦海中想的可能是相比上個月銷售額下降了。但是有些人關注的是和去年同期相比是上升還是下降。

最清晰的事實是“本月的銷售額相比上個月下降了10%”。這句話是客觀事實，無法改變，每個人獲取的信息也是相同的。

團隊中每個人擁有相同的信息，才有可能提升決策水平。

這種只說事實不說觀點的能力要求很高，人們總是喜歡情緒化的表達。印度哲學家克里希那穆提曾經說過：不帶評判的觀察是人類智力的最高形式。想要將事實思維融入到日常交流中，需要大量的訓練。

這也是數據分析師入門容易，精通難的原因之一。

用指標描述事實

想要保持穩定的說事實的能力，最簡單的辦法就是把需要衡量的事物數據化。

目前互聯網行業里諸如瀏覽量、活躍用戶、響應時間等等指標的應用已經非常普遍了。每個互聯網從業者或多或少都知道一些常見的指標。許多指標已經約定俗成，即使你換一家公司，甚至換一個行業，這些指標依然沒有溝通成本。比如衡量用戶粘性就用留存率，反應產品的流量就用日活月活。

這些基礎的數據指標知識，相信你或多或少都有了解。這種基礎的監控型的指標這邊就不多說了，下文會附上一些常見的數據指標。

不僅指標能提升我們對業務的理解，單單是確定指標的過程，就能極大地提升我們對業務的理解。也就是說，當我們知道我們要用什么指標的時候，我們就能更好的理解業務。

剛才提到，現在的各種指標大家已經很熟悉了，比如留存率、日活用戶數等等。但在時間周期拉長了看，會發現互聯網行業的指標側重點是不斷變化的。

比如最早的PULSE指標體系，這些指標是用來衡量用戶體驗的。指標包括：

Page view:頁面瀏覽量

Uptime:正常運行時間

Latency:延遲

Seven days active user:7天活躍用戶數

Earning:收益

那個時代對產品的要求很低，只要能解決問題就好，所以這些指標更多地關注產品的可用性。只要確保產品能穩定快速運行，不會出現負面的體驗就行了。

隨后又發展到HEART指標，也是衡量用戶體驗的，是PULSE指標的升級版。包括：

Happiness/愉悅度

Engagement/參與度

Adoption/接受度

Retention/留存率

Task success/任務完成度

相比PULSE，HEART指標不單單是注重可用性，而是開始考慮到產品體驗的優化。這個時候同類產品開始出現，單純拼功能已經無法獲得競爭優勢，而是要在用戶使用體驗上優化以此獲得用戶的喜愛，所以增加量愉悅度、參與度等這些維度。

舉個例子，原來在沒有聊天軟件的時候，你只要做到“可用”就可以了。但是到了后來，聊天軟件越來越多，有更好體驗的產品才能活下來，所以需要考慮用戶的更多需求和體驗，于是有了群聊、陌生人社交等功能加入。

互聯網發展到現在，產品的差異性越來越小，公司之間競爭的陣地從產品切換到運營，于是近幾年開始流行基于AARRR的指標體系。

Acquisition：獲取，用戶如何發現（并來到）你的產品？

Activation：激活，用戶的第一次使用體驗如何？

Retention：留存，用戶是否還會回到產品（重復使用）？

Revenue：收入，產品怎樣（通過用戶）賺錢？

Refer：傳播，用戶是否愿意告訴其他用戶？

相比之前的指標模型，AARRR站在更加宏觀的全局角度審視整個產品，并且更偏向運營。

在過去，用戶有自發需求，會去“找”產品。現在的用戶，大部分需求都得到了滿足，該找的產品都找好了，再想讓用戶選擇自家產品，就需要通過運營手段引起他們的使用興趣。

所以，現階段互聯網環境下主流的指標體系都是基于AARRR構建的。文章最后一個部分會介紹現有比較常見的基于AARRR的指標體系。

可以看出，確定指標的過程，不僅可以達成“說事實”的結果，還能夠幫助自己梳理思路。你知道要量化什么，就說明你清楚了自己更看重什么，你對自己業務的理解往往也就更加清晰了。

如何量化指標？

日常的分析工作中，除了這些基礎指標，還會遇到一些特定的業務問題，需要用數據分析解決。比如業務想對比用戶對兩款產品的喜愛程度，或者衡量APP的穩定性。這種情況下我們該怎么辦？

曾任阿里巴巴數據委員會會長的車品覺在《數據的本質》一書中，給出了如何量化問題的方法。

想要量化某個事物，關鍵是要先搞清楚量化后的數據是為了解決什么問題。如果我們關心X，我們可以通過下列步驟完成量化。

首先，我們要澄清X到底是什么？

比如，你想量化用戶對某個功能的喜愛程度，那么究竟什么算是“喜歡這個功能”？是使用頻次嗎？是使用深度嗎？還是用戶分享的比例？你需要不斷用問題去澄清X到底是什么。

然后考慮如何量化X

如果是使用的深度，那么我們可以量化“使用深度”嗎？可以用功能內的停留時長，或者各個子功能的使用廣度等等。找到可以用數據衡量的指標來表示“深度”。

最后，量化后的數據能增加我們對X的了解嗎？

或者說能降低我們的不確定性嗎？

比如“子功能的使用廣度”這個指標能讓我們確定用戶喜歡這個產品嗎？如果這個指標比較高的用戶只是用戶不明白如何使用產品，而進行的探索動作。功能使用率高的用戶不能代表用戶喜歡這款產品，那么這個數據不能有效降低我們對產品受歡迎程度的了解。

如果量化后的數據對我們理解X沒有什么幫助，那么我們就得回到第一步，重新澄清什么是X。

如果你覺得你的業務問題是無論如何都不能用數據量化的，那么我建議你看一下《數據化決策》這本書。我更喜歡這本書的英文名，how to measure anything——如何量化一切。

書中有很多精彩的例子，比如如何衡量數據的價值，如何評估一本書的閱讀難度，以及婚姻帶來的幸福感等同于多賺多少錢？

有興趣的朋友，可以讀一讀。

好的指標長什么樣？

《精益數據分析》一書介紹了什么是好的數據指標，好的指標有以下特點：

好的數據指標是比較性的

如果能比較某數據在不同的時間段，用戶群體，競爭產品之間的表現，我們可以更好地洞察產品的實際走向。“本周的用戶轉化率比上周高”顯然比“轉化率為2%”更有意義。

我們現在的數據大部分都是可對比的，不可對比的數據是哪些呢？

比如一次用戶調研，為各個功能的產品體驗打分，最高5分，最低1分。這種數據就不容易對比。分數是4的功能相比分數是2的功能，產品體驗是2倍的關系嗎？顯然不是。

好的數據指標是簡單易懂的

如果人們不能很容易地記住或討論某指標，那么通過改變它來改變公司的作為會十分困難。

前不久，一個朋友在交流群里問：過去90日B端用戶14天內休眠比例，和B端下單用戶次月留存，這兩個指標用哪個好？

雖然我并不了解這位朋友的具體業務形態，但是第一個指標很明顯太復雜了。如果采用了這個指標，遇到的第一個困難就是如何向團隊成員解釋這一指標。為什么是過去90天？為什么是14天？

如果要向領導匯報，領導還要花點時間先理解一下這個指標的含義。

相比之下，次月留存的理解成本就非常低，和團隊其他成員溝通完全沒有障礙。因此我推薦他用更簡單的次日留存。

有些指標雖然可能更“貼合業務現狀”，但是復雜的指標不利于團隊協作，只有少數人理解的精準指標還不如所有人都理解的近似指標。

好的數據指標會改變行為

這是最重要的評判標準，錯誤的數據指標會引導錯誤的業務行為。現實中，最常見的導向錯誤行為的指標是“虛榮指標”，即數字看起來很好看，但是實際上對業務并沒有什么幫助。

純銀寫過一篇文章《不可靠的數字》，舉了很多虛榮指標的案例。

曾經的大眾點評，搞了不少“團購消費后發評論賺積分”的活動，評論數大漲，但評論質量很水，不得不用各種算法把這批低質量評論沉下去。這些業務動作的原因是美團的點評數上升很快，大眾點評感到了壓力。

而國外的TripAdvisor，是旅行行業巨頭，在那上面去點評一家酒店，限制必須寫50個漢字以上，必須寫“標題”與“來訪類型”，不寫全就不讓發。這種機制對點評數KPI是多大的傷害啊。

然而TripAdvisor是全世界最大與最具盛名的旅行點評產品，甩了第二名幾百條街。

可見點評數是一個虛榮指標，雖然看起來點評多了，但是實際上垃圾信息也多了，用戶體驗反而下降。

年前馬蜂窩被爆裁員，有人就從指標的角度進行了分析。

馬蜂窩本質上是一個旅行攻略的分享網站，基本盤是寫攻略 +消費攻略的人。

它的核心策略應該是增加優質內容的供給提升內容分發的效率，圍繞日消費超30分鐘 的以上的用戶持續做優化。

但是馬蜂窩在融資以后追求日活數據，采用了一套不適合自己的運營方式。雖然這期間馬蜂窩的日活從80萬漲到了200萬。但是核心用戶在最近3個月從26萬降低到18萬再到現在10萬且 持續降低，基本盤差不多都流失了。

產品的核心價值越來越低，自然失去了競爭力。

前不久，有朋友問了我如何衡量產品粘性，用留存率還是流失率。

這兩個指標剛好互補，留存率是仍然在使用的用戶比例，流失率是不再使用的用戶比例。從數學意義上來說，知道了留存率，也就知道了流失率，兩者的和肯定等于100%。

那么在業務上，是不是隨便用哪個指標都可以用來衡量用戶粘性？

要記住，我們選擇了什么指標，就會導向什么業務動作。

留存率更加關心的是，從用戶獲取的角度綜合分析獲取用戶的渠道方式是否合理，產品用戶規模是否能夠增長。而流失率則關心為什么有些用戶離開APP。

如果我們選擇了流失率，那么我們就更傾向于流失用戶的召回。可能會選擇短信召回，老用戶禮包等運營方式降低產品的流失率。這些運營動作一旦奏效，就很容易滿足于短期運營行為帶來的數據優化，失去對產品價值提升的關注。

如果我們選擇了留存率，那么我們就更容易聚焦在更具長期價值的工作上，比如產品的優化。

如果產品是穩定期，產品形態已經非常固定，每一個現有用戶的流失都會有較大的損失，那么流失率就是比較好的選擇。

如果產品還在用戶增長階段，那么留存率可能是更好的選擇。

指標的選擇很大程度上取決于業務的需求，一定要找到符合當前業務需求的指標。

好的數據指標是一個比率

為什么比率是一個好的指標呢？

因為比率符合前面說的三點。比率比較容易對比，容易理解，而且比率的可操作性強，是行動的向導。

比如一次促銷活動的銷售收入是10萬，而之前是30萬，能說活動很失敗嗎？不一定，我們必須知道覆蓋人群，才能衡量這次活動的效果好壞。

也許這次活動覆蓋人群只有上次的十分之一，那么我們用轉化率作對比，就可以只用一個指標，就能評估這次活動的好壞。

順便提一下，《精益數據分析》這本書常讀常新，我一直建議數據分析師經常看看這本書。

一些常見的業務指標

最后列舉一些常見的業務指標，我以目前最常見的AARRR數據指標體系舉例。

AARRR分別代表了五個單詞，又分別對應了產品生命周期中的五個階段：

獲取（Acquisition）：用戶如何發現（并來到）你的產品？

激活（Activation）：用戶的第一次使用體驗如何？

留存（Retention）：用戶是否還會回到產品（重復使用）？

收入（Revenue）：產品怎樣（通過用戶）賺錢？

傳播（Refer）：用戶是否愿意告訴其他用戶？

每個步驟下常見的數據指標有：

1. 獲取用戶（acquisition）

1）日新登用戶數

定義：每日注冊并登錄APP的用戶數。

對于一些APP而言，則是首次啟動進入APP的用戶。所以對于DNU的定義也可以是：首次登錄或啟動APP的用戶。在移動端統計中，一般按設備來計算。

2）注冊用戶成本

定義：獲取一個注冊用戶的成本

該指標，對于分析各渠道獲取注冊用戶的成本，制定最優的投放計劃。

3）ROI

定義：各渠道投資用戶的投資產出比

衡量渠道和用戶的性價比，找出優質渠道。

2. 提高活躍度（activation）

1）日活躍用戶數（DAU）

定義：每日登錄過APP的用戶數，一般簡稱日活。

對于某些APP而言，啟動就是一個活躍用戶，而另一些則要通過賬號注冊，形成一個網絡賬號，才算作一個活躍用戶。活躍用戶的計算是去重的。一個用戶一天來N次也只計算一次。

2）周活躍用戶數（WAU）

定義：最近7日（含當日）登錄過APP的用戶數，一般按照自然周計算。

和日活類似。

3）月活躍用戶數(MAU)

定義：最近一個月即30日（含當日）登錄過APP的用戶數，一般按照自然月計算。

MAU變化幅度較小，產品用戶規模穩定性來說，MAU是風向標。但在推廣時期，版本更新、運營活動的調整，對于MAU的沖擊則更加明顯。

此外，產品的生命周期階段不同，MAU的趨勢變化也不同。

4）日均使用時長(DAOT)

定義：每日總計在線時長/日活躍用戶數。

關于使用時長，可以分為單次使用時長、日使用時長和周使用時長等指標，通過對這些指標做區間分布和平均計算，了解參與黏性。

5）DAU/MAU

通過DAU/MAU可以看出用戶每月訪問App的平均天數是多少，這是評估用戶粘性的一個比較重要的指標。

DAU/MAU介于3.33%到100%之間，但顯然這兩種情況現實中基本不可能出現。在不同領域的App會有不同的基準值可參考。

DAU/MAU的值越高，說明App的粘性越強，表示有更多的用戶愿意使用App。如果DAU/MAU的值很低，并不能直接說這個App是失敗的。

3. 留存（retention）

我們需要可以用于衡量用戶粘性和質量的指標，這是一種評判APP初期能否留下用戶和活躍用戶規模增長的手段，留存率（Retention）是手段之一。

1）N日留存率

定義：用戶自登錄后，在第N日還有登錄的用戶比例。

一般常用的N日有次日、三日、七日。其中的登錄可以根據實際業務情況更換成注冊、使用功能等業務動作。

留存率可以判斷渠道的真實性和活躍性。

有時，也要關心流失率的分析。

正如之前提到的，留存率和流失率的關注重點不同，根據業務情況不同，選擇重點關注留存率或者流失率。

4. 收入（revenue）

收入是平臺運營最核心的指標，他直接影響平臺及產品能否良好運營下去。

1）付費率(PR或者PUR)

定義：付費用戶數占活躍用戶的比例。

通俗地說，付費率也稱作付費滲透率，在移動APP市場，多數只關心日付費率——即Daily Payment Ratio。

付費率的高低不代表產品的付費用戶增加或減少，付費率在不同APP類型的產品中表現也是不同的。該指標可以評估產品的收益轉化能力。

2）活躍付費用戶數(APA)

定義：在統計時間區間內，成功付費的用戶數。一般按照月計，在國際市場也稱作MPU（Monthly Paying Users）。

3）平均每用戶收入(ARPU)

定義：在統計時間內，活躍用戶產生的平均收入。

公式：ARPU＝總收入/用戶數

國內的ARPU往往計算的是 總收入/付費用戶數，實際上國內說的這個口徑嚴格上是ARPPU。ARPU用于產品定位初期的不同規模下的收入估計，也是LTV的重要參考依據。

4）平均每付費用戶收入(ARPPU)

定義：在統計時間內，付費用戶產生的平均收入。

公式：ARPPU＝總收入/付費用戶數，即總收入除以總付費用戶數。

部分頭部用戶會影響平均值，分析時需要看一下用戶付費金額的分布，盡量避免頭部用戶和長尾用戶的影響。

5）用戶生命周期價值（LTV）

定義：客戶終生價值，是公司從用戶所有的互動中所得到的全部經濟收益的總和。

這個指標決定了獲取一個用戶我們能接受的最大成本，在獲客階段的成本如果超過LTV是不劃算的，當然除非正處在砸錢圈用戶的階段。

5. 傳播（refer）

互聯網時代，用戶自傳播變得越來越重要。近幾年有許多經典的病毒式營銷案例，比如拼多多的微信拼團，就是通過用戶自發的行為達到產品推廣的目的。

1）傳播用戶數

定義：有分享傳播行為的用戶人數

一般是已經使用產品的種子用戶，該指標可以衡量產品的被認可程度。

2）傳播次數

定義：傳播用戶傳播的次數

3）被邀請注冊用戶數

定義：傳播過程中邀請過的轉化成注冊用戶的人數

4）K因子

定義：(每個用戶向他的朋友們發出的邀請的數量) * (接收到邀請的人轉化為新用戶的轉化率)。

K因子也被稱為病毒系數，用來衡量推薦的效果，即一個發起推薦的用戶可以帶來多少新用戶。

比如用戶向用戶發起3次邀請，每次邀請轉化的比例是30%，那么最終的結果就是3*0.3=0.9，即一個用戶會邀請來0.9個新用戶。

5）NPS分值

不是所有場景都像互聯網一樣可以追蹤用戶的分享行為，很多傳播行為是口口相傳，這種無法獲得推薦和轉化率的情況下，NPS分值是較為常用的評估指標。

NPS是通過發放問卷的方式，然后在問卷中問用戶有多大的意愿向身邊的朋友推薦這款產品，分支分為0-10分，其中0-6分為不推薦，7-8分為不納入NPS計算范圍，9-10分為推薦者。

NPS=【（推薦用戶數—不推薦用戶數）/返回分數的用戶數】*100

通常認為，30分算不錯，50分算很好，70分就算優異了。此前的一些調查顯示，蘋果公司的NPS分值是77分，特斯拉是97分。

寫在最后

指標思維的內容并不復雜，難點在于保持“說事實”的習慣。優秀的數據分析師在日常溝通時，是不能出現諸如“一些、有點、非常”這樣的模糊詞匯的，而是說出具體的數據。

所以本文只是做一個引導，更重要的還是要時時提醒自己，做到冷靜的觀察，用指標數據代替情緒化思考。

長期堅持，就能忘掉堅持，成為一種思維習慣。

參考文檔：

《數據的本質：無人不是數據分析師》車品覺

《精益數據分析》

《數據化決策》

《不可靠的數字》純銀V

如何看待馬蜂窩被曝疑似裁員40%，真實性如何？- 章魚老師的回答

《5分鐘建立超詳細的AARRR模型數據指標體系》 公眾號：從南跡

《talkingdata：互聯網金融運營指標體系藍皮書》