什么是好的数据指标
好的数据指标是比较性的好的数据指标是简单易懂的好说数据指标是一个比率 - 比率的可操作性强，是行动的向导 - 比率是天生的比较性指标 - 比率适用于比较各种因素间的相生和相克（正相关和负相关）好的指标会改变行为
定性指标与定量指标
定性指标通常是非结构化的、经验的、揭示性的、难以归类的；量化指标则涉及很多数值和统计数据，提供可靠的量化结果，但缺乏直观的洞察。
定量数据排斥主观因素；定性数据吸纳主观因素。
虚荣指标和可付诸行动的指标
如果你有一个暑假，却不知道如何根据它采取行动，该数据就仅仅是一个虚荣指标。
8个需要提防的虚荣数据指标（模式）
- 点击量——可点的东西越多，点击量越大，统计点击的人数更好
- 页面浏览量（PV值）——除非商业模式直接挂钩（展示广告），否则统计访问人数更好
- 访问量——无法得知访问来自多少人的多少次行为
- 独立访客数——访客行为更重要
- 粉丝/好友/赞的数量——对活动的相应人数才有意义
- 网站停留时间（time on site）/浏览页数（number of pages）——除非你的商业模式与这两个指标绑定
- 收集到的用户邮件地址数——重要的是是否真正打开邮件，并为邮件中的内容买单
- 下载量——需要衡量的是：应用下载后的激活量、账号创建量
探索性指标与报告性指标
探索性指标是推测性的，提供原本不为所知的洞见，帮助你再商业竞争中取得先手优势。报告性指标则让你时刻对公司的日常运营、管理性活动保持信息畅通、步调一致。
世上的事务可以分为这样几类（唐纳德理论）
- 我们知道我们知道的
可能并不为真的事实，须经由数据的检验 - 我们知道我们不知道的
是可通过调研回答的问题 - 我们不知道我们知道的
是直觉，需要我们评估并训练以提高其效能及效率 - 我们不知道我们不知道的
是探索，蕴含我们自身独特的优势，能带来有趣的顿悟
数据分析在唐纳德理论的应用
- 检验手头事实和假设不是自欺欺人，我们的商业计划是切实可行的
- 检验我们的直觉，把假设变成证据
- 为业务预测表、瀑布式开发流程图和董事会议提供数据
- 帮助我们发现黄金机遇，大展宏图
先见性指标与后见性指标
先见性指标用于预言未来，例如潜在客户数；
后见性指标用于解释过去，提示问题的存在，例如用户流失；
某一团队的后见性指标有时是另一个团队的先见性指标。例如，季度订单量对于销售团队和财务团队。
相关性指标与因果性指标
如果两个指标总是一同变化，则说明它们是相关的；如果其中一个指标可以导致另一个指标的变化，则它们之间有因果关系。
发现相关性可以帮助你预测未来，发现因果关系意味着可以改变未来。因果关系并不是简单的一对一关系，很多事情都是多因素共同作用的结果。现实中很难找到100%的因果关系。即使只发现部分因果关系也是很有价值的。
证明一个因果关系：找到一个相关性，进行控制变量试验并测量因变量的变化。如果拥有足够大的用户样本，其他自变量对因变量的影响会被拉平。
相关性很好，因果性更佳。有时，你只能找到一些相关性，但你永不应停止寻找因果性。
移动的目标
在创业过程中，调整目标和关键数据指标都是可行的；只要你能够做到实事求是，了解此番调整对企业的影响，而不是无视事实，降低期望，得过且过。只有调整后的阈值或准绳可以更好地反映（某个细分市场中的）用户使用产品的习惯，调整才是合理的、必要的
市场细分、同期群分析、A/B测试和多变量分析
测试是数据分析的灵魂。通常，测试就是通过市场细分、同期群分析、A/B测试来比较两个样本的不同。
市场细分
细分市场就是一群拥有某种共同特征的人。
同期群分析
纵向研究，沿着客户群体的自然生命周期收集，比较相似群体随时间的变化。
同期群分析使你能够观察处于生命周期不同阶段客户的行为模式。同期群适用于营收、客户流失率、口碑的病毒式传播、客户支持成本等。
A/B和多变量测试
横向研究，同一时间段对不同被试群体提供不同的体验。
软肋：只有流量巨大的大型网站能对单一因素进行测试并迅速得到答案。如果没有庞大的用户流量，你将需要测试很多因素。
进行一连串的单独测试会延长你走向成熟的周期。多变量分析法可以同时对多个属性进行测试。原理为，用统计学方法剥离出单个影响因子与结果中某一项指标提升的相关性。
精益数据分析周期
