我们都知道，数据和设计相辅相成，通过了解以下数据指标，既可利用数据优化设计，也可以通过设计提升数据。
本次主要针对以下数据指标进行分享，这些数据指标可以帮助我们更好地了解产品和结合设计去做优化。
用户规模和质量
新增用户
数据定义
新增用户指安装应用后，首次启动应用的用户。
按照统计时间跨度不同分为日、周、月新增用户。
数据用途
比如衡量某App推出的获客活动的效果如何，可通过活动前后新增用户量来对比说明。
计算举例
一般来说，新增用户是指首次联网使用应用的用户，以设备号（DeviceID）作为判断标准。
举例（一般情况下）：
用户A在该设备D上第1次打开App时，会被记作为1个新增用户；该用户A在设备D上卸载应用后重新安装该应用，不会被记1个新增用户；该用户A在设备D上通过其他账号登录，不会被记作1个新增用户。
活跃用户数
数据定义
在一段时间内，仍然活跃使用产品的用户数。我们常见到的DAU「Daily Active Users」/ WAU「Weekly Active Users」/ MAU「Monthly Active Users」分别对应日/周/月活跃用户数。
数据用途
衡量产品的「有效」留存用户规模。
计算举例
每个产品活跃的定义千差万别，比如：
有账号的客户端产品，例如IM、端游等，通常以账号登录作为活跃标识。以QQ活跃为例，2018年第二季度财报显示QQ月活跃账户数达到8.03亿，可以理解为月登录QQ用户数为8.03亿。
某些工具软件，以完成某些核心操作的用户数为统计依据。例如：
- 拍照软件，可以以完成一张照片拍摄的用户定义为活跃用户；
- 语音类的产品，可以将有过语音交流的用户定义为有效活跃用户；
- 资讯类产品的活跃用户为每天阅读10分钟以上的用户；
- 电商类产品的活跃用户为每周浏览10个商品的用户；
- 在线教育类产品的活跃用户为每周学习计划完成80%的用户。
具体的数字和指标需要根据具体的产品来设计，并且可以多维度设计活跃用户指标，例如对于资讯类产品，我们还可以定义以下活跃用户类型：
- 每天阅读超过10分钟的用户
- 每天阅读超过5篇文章的用户
- 每天评论超过3次的用户
- 每天转发超过2次的用户
除了使用不同关键行为来定义用户活跃类型，还可以通过不同节点来定义，例如：
- 通过邮件领取优惠券的用户标记为「邮件优惠券活跃用户」
- 参与App热门活动领取优惠券的用户标记为「热门活动优惠券活跃用户」
- 通过第三方App领取优惠券的用户标记为「第三方优惠券活跃用户」
活跃率
数据定义
一段时间内，活跃用户占总用户数的比例。
日活跃率 = 去重后的日活跃用户数量 / 历史累计去重后的用户数量 * 100%
一段时间产品的用户活跃率计算方式同理，比如：周活跃率 = 去重后的周活跃用户数量 / 历史累计去重后的用户数量 * 100%
数据用途
了解用户的整体活跃度，但随着时间周期的加长，同批用户的活跃率总是在逐渐下降的，所以经过一个长生命周期（3个月或半年）的沉淀，用户的活跃率还能稳定保持到5%-10%，则是一个非常好的用户活跃的表现，当然也不能完全套用，得视产品特点来看。
计算举例
举个例子：
某拍照软件，以完成一张照片拍摄的用户定义为活跃用户，10月12日活跃用户数有5万，累计到那天的注册用户总数有100万，则该日的活跃率为5%。
留存用户数
数据定义
一般是指使用产品的用户自注册开始， 经过一段时间后，仍然继续使用该应用的用户数。
数据用途
衡量产品的用户留存规模。
计算举例
一般统计周期为天，常见的周期维度有次日、7日、30日等。
比如，2019年10月12日，某个产品新增（注册）了100个用户，这100个用户中次日、第7日、第30日分别有30个、15个、5个用户再次使用了该产品，那么对应的留存用户数：
- 次日留存数：30
- 7日留存数：15
- 30日留存数：5
留存率
数据定义
通常我们说的用户留存率，一般是指新增用户的留存率。
在某段时间内开始使用网站/应用（一般定义是注册），经过一段时间后，仍然继续使用的人被认作是留存用户。留存率 = 留存用户数 / 新增用户数 * 100%。
数据用途
体现了应用的质量和保留用户的能力。
计算举例
比如，2019年10月12日，某个产品新增（注册）了100个用户，这100个用户中次日、第7日、第30日分别有30个、15个、5个用户再次使用了该产品，那么对应的留存用户数：
- 次日留存率：（第1天注册用户中，第2天还登录的用户数）/ 第1天总注册用户数 = 30%
- 7日留存率：（第1天注册用户中，第8天还登录的用户数）/ 第1天总注册用户数 = 15%
- 30日留存率：（第1天注册用户中，第31天还登录的用户数）/ 第1天总注册用户数 = 5%
提升留存的魔法数字
在国外提升用户留存的案例中，会经常提到一个概念——魔法数字。魔法数字的本质是通过分析、调研找到活跃用户和非活跃用户之间的行为差异，并通过产品设计和运营尽可能地让所有新用户体验到产品价值。比如，当Twitter发现活跃用户有挑选5-10个用户（魔法数字）关注的行为特点后，在产品设计上简化流程、突出重点，在运营上加强引导、优选推荐关注人等，让新来的用户非常轻松地关注用户，这样留存率就提高了。为什么这样做留存率就会提高了呢？因为Twitter的产品核心价值，就是看值得关注的用户发送的更新消息流，如果新用户刚开始关注的用户很少，也就很难体验到Twitter好在哪里，于是弃用的可能性就大幅提高。
参与度分析
人均启动次数
数据定义
先了解启动用户的定义，启动用户数指某统计周期内启动过应用的用户数，某用户在统计周期内多次启动只记一个用户。（类似于网站的独立访客UV）。
启动次数指某统计周期内应用用户启动应用的次数，同用户每启动一次应用，启动次数+1。（类似于网站的PV）。
人均启动次数 = 同一统计周期内的启动次数 / 启动用户数 * 100%。
数据用途
通常人均启动次数和人均使用时长、单次使用时长一起分析，用来衡量用户使用产品的深度，判断用户使用产品的粘性。
计算举例
某App今日被10万用户累计启动了25万次，则该App今日的人均启动次数为25 / 10 = 2.5次。
人均使用时长
数据定义
人均使用时长指某一统计周期内用户使用应用的平均时长。
人均使用时长 = 同一统计周期内的启动用户使用总时长 / 启动用户数 * 100%。
使用总时长为所有启动用户每次使用应用的时长之和，每次使用时长为应用退出发生的时间和应用启动发生的时间的时间差。
数据用途
通常人均启动次数和人均使用时长、单次使用时长一起分析，用来衡量用户使用产品的深度，判断用户使用产品的粘性。
计算举例
某App今日被10万用户累计启动了25万次，这25万次的使用时长之和是5万小时，则该App今日的人均使用时长为5 / 10=0.5小时。
单次使用时长
数据定义
单次使用时长指某一统计周期内用户单次使用应用的平均时长。
单次使用时长 = 同一统计周期内的启动用户使用总时长 / 启动次数 * 100%。
数据用途
通常人均启动次数和人均使用时长、单次使用时长一起分析，用来衡量用户使用产品的深度，判断用户使用产品的粘性。
计算举例
某App今日被10万用户累计启动了25万次，这25万次的使用时长之和是5万小时，则该App今日的单次使用时长为5 / 25 = 0.2小时。
功能分析
功能分析重点关注某一功能模块，而不是App整体。
人均点击次数
数据定义
先了解点击用户的定义，点击用户数指某统计周期内点击过应用的用户数，某用户在统计周期内多次点击只记一个用户。
点击次数指某统计周期内应用用户点击应用的次数，同用户每点击一次，点击次数+1。
人均点击次数 = 同一统计周期内某功能模块的点击次数 / 点击用户数 * 100%
数据用途
衡量App某页面或某功能的用户使用行为，通过对比不同页面或功能的统计结果，来分析页面内容或功能对用户的吸引程度。
计算举例
某拍照App的拍照按钮今日被10万用户累计点击了25万次，则该App今日的人均点击次数为25 / 10 = 2.5次。
PV点击率
数据定义
先了解访问页面数的定义，访问页面数指某统计周期内应用用户访问应用的次数，同用户每访问一次应用的某个页面，访问次数+1。（类似于网站的PV）。
PV点击率 = 同一统计周期内某功能模块的点击次数 / 访问页面数 * 100%。
数据用途
衡量App某页面或某功能的用户使用行为，通过对比不同页面或功能的统计结果，来分析页面内容或功能对用户的吸引程度。
计算举例
某App的支付结果页面有查看订单按钮，今日统计支付结果的访问页面数为10万，其中查看订单的点击次数为0.1万，统计PV点击率为1%。
UV点击率
数据定义
先了解访问页面用户数的定义，访问页面用户数指某统计周期内访问过应用某页面的用户数，某用户在统计周期内多次访问只记一个用户。（类似于网站的独立访客UV）。
UV点击率 = 同一统计周期内某功能模块的点击用户数 / 访问页面用户数 * 100%。
数据用途
衡量App某页面或某功能的用户使用行为，通过对比不同页面或功能的统计结果，来分析页面内容或功能对用户的吸引程度。
计算举例
某App的分享模态框提供分享给微信好友、分享到朋友圈或分享到到新浪微博，今日统计分享框的访问页面数用户为100人，其中点击分享给微信好友的有50人、点击分享到朋友圈的有20人、点击分享到新浪微博的有10人，那么享给微信好友、分享到朋友圈或分享到到新浪微博的UV点击率分别是50%、20%和10%。
完成率
数据定义
完成率 = 最终成功完成某项操作流程的用户数 / 参与某项操作流程的用户数 * 100%。
数据用途
该指标可以衡量整个任务流程的体验效果，若完成率低，说明整个任务流程的体验不佳，需要进行优化。具体分析哪个环节体验不佳，还需要查看每个环节的用户流失情况，具体在下文「流失率」指标中进行详细说明。
计算举例
某段时间内，某App点击注册的用户数有10万，注册成功的用户8万，完成率为8/10*100%=80%。
流失率
数据定义
流失率指某项任务流程中某步骤操作失败的用户比例。
数据用途
完成率衡量整个任务流程的完成情况，而流失率可以衡量每个页面的用户流失情况，若页面的流失率高，说明该页面的体验不佳，需要进行优化。
计算举例
某段时间内，某App点击注册的用户数有10万，注册成功的用户8万，说明有2万用户未完成注册，流失率为2/10*100%=20%。
假如要分析用户主要在哪个环节用户流失大，就要细分计算每个环节的流失率了。举个例子，某App的注册流程涉及到以下环节：
- 「页面1」验证手机短信验证码
- 「页面2」设置登录密码
- 「页面3」填写用户资料
因为每个页面都有数据埋点，可以统计到进入到下一个页面的人数，比如统计结果为：
- 点击注册进入「页面1」的用户数10万
- 成功进入「页面2」的用户数9.2万
- 成功进入「页面3」的用户数9万
- 完成最后一步注册成功的用户数8万
通过上面的数据，得到每个环节的流失率：
- 「页面1」的流失率为8%
- 「页面2」的流失率为2%
- 「页面3」的流失率为10%
「页面1-验证短信验证码」流失占8%，说明手机验证码不一定收的到，属于技术问题；「页面3-填写用户资料」流失占10%，可能是页面填写内容较多或涉及到隐私内容抑制了用户的注册心理，具体要结合产品进行分析。
对于该案例，验证码问题可以通过技术来解决，资料填写问题可以通过设计来优化页面。
转化率
数据定义
转化率是指进入下一页面的人数（或页面浏览量）与当前页面的人数（或页面浏览量）的比值。
数据用途
和流失率一样，转化率可以衡量每个页面的用户流失情况，若页面的转化率低，说明该页面的体验不佳，需要进行优化。
计算举例
比如用户从进入某电商App—浏览商品详情—把商品放入购物车—支付完成，每一个环节都有很多的用户流失。
- 进入某电商App的用户数10万
- 浏览商品详情的用户数4万
- 把商品放入购物车的用户数3万
- 生成订单的用户数2万
- 支付完成的用户数1.7万
通过上面的数据，得到每个环节的转化率：
- 进入某电商App的用户浏览商品详情的转化率为40%
- 浏览商品详情的用户放入购物车的转化率为75%
- 放入购物车的用户完成支付的转化率为66.67%
- 生成订单到支付完成的转化率为85%
跳出率
数据定义
页面跳出率是指该页面是会话中“唯一页面”的会话占由该网页开始的所有会话的百分比。
页面跳出率 = 以该页面为会话起始页面，且访问该页面后离开App的次数 / 以该页面为会话起始页面的总访问量 * 100%。
数据用途
跳出率可以衡量页面的质量，高跳出率表示用户该该页面不感兴趣，或是该页面的设计存在问题，与目标用户不匹配。
计算举例
比如有100人直接进入某App页面A，通过页面A可以访问页面B，这100人中访问会话情况如下：
- 20人直接从页面A离开了App
- 80人从页面A点击访问了页面B
由此
- 页面A的跳出率为：20/100*100%=20%。
- 页面B的跳出率为：0。
退出率
数据定义
页面退出率是指会话中“最后一页”的浏览占该页面总浏览量的百分比。
页面退出率 = 用户在当前页面退出App的次数 / 进入该页面的页面访问次数 * 100%。
用户在当前页面退出App的次数既包括浏览多页后从该页面退出的次数，也包括一次访问过程中用户浏览单页即跳出的次数。
数据用途
衡量用户在当前页面的退出情况。
计算举例
比如有100人直接进入某App页面A，通过页面A可以访问页面B，这100人中访问会话情况如下：
- 20人直接从页面A离开了App
- 80人从页面A点击访问了页面B
由此
- 页面A的退出率为：20/100*100%=20%。
- 页面B的退出率为：80/80*100%=80%。
跳出率和退出率区分
下面一张图说明跳出率和退出率的差别。
上图来源于网络，侵删
跳出率和退出率高一定是坏事吗？
跳出率高，说明该页面对用户的吸引不大。
关于退出率，具体情况具体分析。如果在一套任务流程比如购买流程的最后一步，最后一个页面的退出率高是正常的；如果任务流程中关键环节所在的页面退出率高，比如注册流程中的信息填写页面的退出率较高，就需要检查该页面的设计是够合理？是否信息太繁琐等。
用户忠诚度
NPS净推荐值
上图来源于网络，侵删
数据定义
NPS净推荐值 = （推荐者数 - 贬损者数）/ 总样本数 * 100%。
其中打9～10分的为推荐者，打0～6分的为贬损者。
数据用途
NPS净推荐值是一种衡量用户向其他人推荐某App可能性的指数。
NPS净推荐值越高，用户向他人推荐的意愿也就越高。
计算举例
比如我们对某App的1千名用户进行访谈，其中推荐者有500名，贬损者有100名，得出：
NPS净推荐值 = （500 - 100）/ 1000 * 100% = 40%。
作者：辛小仲，一名正在成长的交互设计师。微信公众号：辛小仲。
本文由 @辛小仲 原创发布于简书。未经许可，禁止转载。
