什么是好的數據指標？

　　在互聯網公司，進行設計方案評審的時候總會聽到一些這樣的聲音“拿數據說話”。數據驅動設計也不無道理，在一定程度上，數據能揭示出產品用戶的行為和習慣，通過這些關鍵數據也能幫助和改進產品設計方案。同時，站在公司或產品經理的角度，他們都會關注一些關鍵數據指標，如轉化率，留存率，日活，月活等。那什么樣的數據指標是值得我們去關注的，并且能幫助企業或者產品找到自己的市場和改進的方向。在《精益數據分析》一書中，作者講到關于好的好的數據指標的一些準則。

　　一.什么是好的數據指標?

　　1.好的數據指標是可比較性的：如果能比較某數據指標在不同的時間段，用戶群體，競爭產品之間的表現，可以幫助我們更好的洞察產品的實際走向。如某醫療APP本周的患者購藥率比上周高，通過不同時間段的對比，可以找出“高”的原因。

　　2.好的數據指標是簡單易懂的：團隊或公司其他同事都能輕易的記住或討論這個指標。如用戶增長率。

　　3.好的數據指標是一個比率：比率之所以是最佳的數據指標，有以下原因：

　　原因1：比率的可操作性強，是行動的向導：如開車時的速度(距離/小時)，速度就是一個比率，我們可以通過改變速度來操控到達目的地的時間。

　　原因2：比率是天生的比較性指標：如通過對比每月新增用戶率來判斷產品的用戶是否在穩步上升。

　　原因3：比率還適合用于比較各種因素間的正相關和負相關：如滴答清單APP產品采用的是免費+收費的模式，那會面臨一個選擇，為了吸引用戶是否在免費版本中加入足夠豐富的功能，還是將這些豐富的功能保留在付費版本中，以促使用戶進行付費行為。

　　4.好的數據指標會改變行為：剛剛可以通過一些“試驗指標”來進行測試，并幫助產品進行優化，定價和市場定位。比如：如一半以上的用戶反饋，不會為滴答清單中“日歷小部件”進行付費，可以決定不去開發該功能或將該功能放入免費版本。

　　一個好的數據指標之所以能改變商業行為，是因為它與你的產品目標是一致的：保留用戶，鼓勵口碑傳播，有效獲取新用戶或創造營收。

　　二.如何找到正確的數據指標?

　　1.定性指標和量化指標：

　　定性指標：通常是非結構化的，經驗性的，揭示性的，難以歸類的。

　　量化指標：涉及很多數值和統計數據，提供可靠的量化結果，但缺乏直觀的洞察。量化數據使用方便，具有科學性，也易于歸類，外推。如電影評分，點贊數等量化數據。

　　如果定量數據回答的是“什么”和“多少”這樣的問題，那定性數據則是回答“為什么”。定量數據排斥主觀因素，定性數據吸納主觀因素。

　　2.虛榮指標和可付諸行動的指標：

　　虛榮指標：如果你有一個數據，卻不知道如何根據它采取行動，就是虛榮指標。需要利用數據揭示信息，指明方向，幫助產品改進商業模式，決策下一步的行動，這才是“數據驅動決策”。文章中提到的8個需要提防的虛榮指標：點擊量，頁面瀏覽量，訪問量，獨立訪客數，粉絲/好友/贊的數量，網站停留時間/瀏覽頁數，收集到的用戶郵件地址數量，下載量。

　　可付諸行動的指標：是“活躍用戶占總用戶的百分比”(活躍用戶占比)。這個指標揭示了產品的用戶參與度。如果產品作出調整，這個指標上升，那就可以按照調整的方向繼續迭代。另一個可以關注的指標是“單位時間內新增用戶數量”(新用戶增速)，它對于比較不同營銷手段的優劣往往很有幫助。

　　3.探索性指標和報告性指標：

　　探索性指標：是推測性的，提供原本不為所知的洞見，幫助你在商業中取得先手優勢。

　　報告性指標：適合對公司的日常運營，管理性活動保持信息通暢，步調一致。

　　4.先見性指標和后見性指標：

　　先見性指標：可用于預測未來。如透過“銷售漏斗”中現有的潛在客戶數，能大致預測將來能獲得的新客戶數。比如某產品一段時間內的用戶投訴量，可以作為用戶流失的先見性指標，如果投訴量繼續增加，用戶放棄使用你的產品或服務的概率就增大，因此，該指標可以幫助了解產品和服務的真實情況。

　　后見性指標：揭示當前存在的問題。如用戶流失(某一時間段內離開產品或服務的客戶量)。流失的客戶多半是找不回來，但是可以通過這一指標幫助產品降低產品用戶流失率。

　　5.相關性指標和因果性指標：

　　相關性和因果性指標：即兩個或多個以上的指標有相關性，發現相關性可以幫助你預測未來，而發現因果關系意味或可以改變未來。通常，因果關系不是簡單的一對一的關系，很多事情都是多因素共同的結果。想要證明一個因果關系的指標：找到一個相關性指標，進行控制變量實驗并測量因變量的變化。但是這種測試需要考慮足夠大的用戶樣本。

　　在數據分析中，通常會通過測試的方法來證明某種改變是否合理。這種測試通常是比較兩個樣本的不同，常用方法有市場細分，同期群分析，A/B測試和多變量測試

　　1.市場細分：擁有共同特征的用戶人群。

　　2.同期群分析：比較相似群體隨時間的變化。產品會隨著開發和測試的不斷迭代，這就導致了產品發布第一周加入的用戶和后來加入的用戶有不同的用戶體驗。每個用戶都有生命周期，在這期間不停地對商業模式進行調整，這對用戶流失率會有什么影響，通過同期群分析就可以尋找答案。同期群分析能夠觀察處于不同生命周期不同階段的用戶的行為模式。這種分析方法適用于營收，客戶流失率，口碑病毒式傳播等數據指標。

　　3.A/B測試：假設其他條件不變，僅考慮體驗中某一屬性對于被試用戶的影響。如“立即試用”和“免費試用”的差別。這種方法比較適用于用戶流量巨大的大型網站(微軟，谷歌)

　　4.多變量測試：如果沒有大的用戶流量，則需要考慮同時對多個屬性進行測試