而数据指标的定义，是培养数据思维要闯的第一道关。作为一只数据小白，分享一点定义数据指标的心得，有问题老铁们请斧正。
1、激活，如何定义一个激活？
***、安装并打开APP的用户数？我们暂且这么定义。根据定义，***没安装或者安装没打开的用户，都不计入激活。只有完成所有步骤的用户才算。但是问题来了，一个用户***、安装并打开APP时，根本没登录，他只是一个游客。激活的定义变成：***、安装并打开APP的游客数。
如果我们把这个定义交给开拓，开拓可能会问，拿什么标识一个游客？设备号。每台移动设备都有一个唯一的识别号码，也叫IMEI（International Mobile Equipment Identity）。以是，激活的定义又变成：***、安装并打开APP的设备数，以设备号为唯一标识。
有人可能会问，我更新APP后打开，或者卸载重新安装APP再打开，算一个新的激活么？这就涉及到统计口径的问题，一样平常来讲，覆盖安装与卸载安装后的打开，都不计入激活。
2、新增用户数，多维度区分
如果把新增用户定义为新注册的User_ID，大略粗暴，但市场的同事首先禁绝许。
市场推广APP有多种渠道类型，比如各大安卓运用市场、AppStore、信息流、SEO、流量互换等，每个类型下的渠道，以Channel_ID来标识。
渠道有区分，APP自身也有区分。最省事的区分是Android包和iOS包，显然未考虑扩展性。如果市场制作马甲包（APP小号）、独立H5页，推向市场，须要以Product_ID来区分产品（APP、H5）。
其余一个维度是版本。每个版本发布时，市场可能会带一波量，须要不雅观察版本新增用户的推广本钱、转化、ARPU值等。我们可以通过Version_ID来区分版本。
以上，通过Channel_ID、Product_ID、Version_ID的区分和筛选，市场部的同事就可以知道，每个渠道下的每个产品的每个版本的新增用户情形。
维度区分清晰了，除了在一定程度上，提高市场推广效率外，乃至能预防数据非常的发生。笔者所在公司是做公积金查询的，查询数/新增用户数，是一项主要的指标。有天溘然查询数/新增用户数断崖式下跌，一开始，大家都以为是查询成功率低落导致查询数（分子）低落，冒死剖析影响成功率的成分，却始终无解。
后来才创造，是新增用户数（分母）的暴增导致了比率的下跌。新增用户数暴增，查询数成功率正常，查询数却没有增加，什么鬼？实在这是个伪暴增。新增用户的统计口径，纳入了缺点的Product_ID，而ID对应的产品刚好正在大力推广……
如果能在数据指标定义时，清晰地划分出可能的维度，类似耗费韶光与沟通本钱的数据非常问题就不会发生。
3、生动，谁的生动？
定义生动，不能粗暴地只定义一个用户日活指标，可以先从转化的角度进行用户层级的划分。
笔者所在的公司，是通过公积金数据做授信，帮助银行筛选优质贷款客户，用户在APP上的关键行为是查询公积金、申请贷款。因此转化漏斗是：激活-注册-查询公积金-申请贷款，对应指标是：APP日活（游客+用户）、用户日活、公积金导入用户日活和贷款申请用户日活。
APP日活，以APP的一次打开为一个生动，以设备号为标识，当日的重复打开不计入生动。剩下的3种日活，以相应用户群体的一次登录要求为一个生动，以User_ID为标识，当日的重复要求不计入生动。
跟踪以上指标，能得到比纯挚的用户日活指标更丰富的信息。
其余，生动也不一定以日为单位。从行为频率上来看，查询公积金可能是1次/月，申请贷款可能是1次/日。那么，公积金导入用户，月活可能更适宜作为生动指标；而对付申请贷款的用户，则日活更适宜。
4、留存/流失落，两兄弟？
在和同事谈论7日留存率的定义时，涌现了不合。有人认为7日留存率指的是，新用户在第2-7日的生动数/新用户数；而不同见地表示是新用户在第7日的生动数/新用户数。老铁们也可以揭橥下自己的见地，你们支持哪种，情由呢？
留存率是APP推广初期尤其要重视的指标。留存率低的产品，即是一个巨大的漏斗，市场砸钱买来的流量，在产生收益前，就都统统漏掉。真真是黄金万两，砸不出一个声响。
至于选择越日留存率、7日留存率还是30日留存率作为唯一关键指标，多少留存率为目标，要根据产品特性与市场环境作详细剖析。
从定义上看，流失落和留存貌似是两兄弟。有7日留存率，就有7日流失落率，两者的分子加起来即是首日的新用户。但新用户在第7日未生动，就定义为流失落用户，难免不免太过草率。由于回流用户的存在，定义流失落用户的周期一样平常比留存用户的长。比如，定义90日内未生动的用户为流失落用户，更为得当。
5、定义数据指标的目的性
末了强调一点，定义数据指标不能无的放矢。
如果是为理解决一个问题，那我们先明确问题，剖析可能的缘故原由，再去定义指标。
如果是为了验证设计方案的利害，那我们先明确设计方案的目标，环绕目标去比拟上线前后的数据，或者做A/B Test。
如果是为了预测，那我们先摸索现有的数据规律，找到规律的自变量，再进行推演。
如果是为了预警，那我们先制订数据基线以及浮动范围，并根据实际情形的变革灵巧调度。
作者：岸泥。微信"大众年夜众号：产品小匠铺（ID: PMDaiweiwei）
本文由 @ 岸泥 原创发布于大家都是产品经理。未经容许，禁止转载。
题图来自PEXELS，基于CC0协议
