谈论数据的基础

数据的定义

所谓数据，其实就是与产品和运营相关的一些数值。这些数值，可以通过第三方工具或通过自行开发进行统计，这些数值是研究和分析的基础素材。

不管什么样的产品，都有一些核心数据，它们是进行分析，得出结论的基础。用一张思维导图表示，通用的核心数据包括以下类型。

图6–1仅仅简单地展示了部分通用的运营数据，其中三个数据类型是所有运营人员都需要了解的：渠道数据、成本数据、收益数据。

渠道数据用来衡量渠道质量、渠道作用，它由产品定位的客群和产品的特性所决定。我们很容易明白，一个理财产品如果在游戏社区投放运营，其运营效果可能不会太好，但是如果换成彩票、博彩，可能效果就很好；同理，如果在女性社区平台投放《传奇》这类游戏的宣传与活动，其效果几乎为零，但如果换成一款Q版小游戏，或许效果就很好。

图6–1

成本数据和收益数据，则会从不同层面反映出运营的效果。

在展开论述之前，我想提醒所有从事互联网运营的人们，千万不要相信网上流传的各种不花钱做运营的鸡汤文，运营工作必然要付出成本。如果不花钱，那么付出的可能是人脉，或者是其他可用于交换的资源。虽然运营必然有成本，但是运营的效率却可以通过经验、熟练度、创意等各种手段来提升。

所以，做运营的同学，请一定要认真评估每一个运营行为所带来的收益背后的成本。而所谓“收益”，并不等价于“收入”，因为获得金钱是收益，获得用户也是收益，获得口碑同样是收益。

明白了渠道、成本、收益这三类数据是指导运营的核心数据之后，我们就可以根据自身的产品特性去设定需要获取哪些数据。

我们以曾经红极一时的App——足记为例。

足记因为一个非核心功能火了，但此类应用会关注哪些数据呢？从产品的层面，它会去关注：

· App每日打开数。

·各种功能的使用次数和使用频次。

·各种Tab的点击次数和对应页面的打开频次。

从运营的层面，它可能会去关注：

· App每日的活跃用户数与用户的留存率。

·每日产生的UGC数量（区分新老用户）。

·每日分享到社会化媒体的UGC数量（同时考虑单位用户的产生内容数）。

·分享出去的UGC带来的回流新装机、新激活用户数。

而我们需要注意的是，这些数据点并不是一成不变的，它会根据产品的不同阶段而调整，如果我们假设未来“足记”有盈利模式，那么它关注的核心数据就会从内容转向收入，此时转化率等相关数据就会变得重要了。

同样，我们前文中举过这样一个例子：某旅游网站发起了老用户邀请新用户的活动，老用户和新用户都可以获得100元代金券，如果活动期间，新用户完成了一笔旅游订单，不论金额大小，作为邀请人的老用户还可以获得100元代金券。

我们当时分析了活动流程，并针对活动流程做了关键点梳理（见图4–18），这些关键点就是需要获取的数据。

我们需要的数据应该根据实际的需求来进行设计，并没有一个完全通用的标准。

如何获取与分析数据

获取数据的渠道有很多，基本可以分为自己获取和使用外部工具获取两种方式。关于自己获取的途径，App可以选择“埋点”、log等方式，而Web可以通过log、日志与按钮埋点等方式。很多第三方会提供外部工具服务，比如最常用的Google Analytics（谷歌分析）、百度统计等。

获取数据的方式其实各种各样，关键在于，运营人员要了解什么样的数据是重要的，这些数据的前后关联是怎样的。这是一个联动的过程，不是一个单一的行为。同时还需要注意，有一些数据是在产品上线初期就需要具备的，而另一些数据则可以根据后续运营需求适时加入。

对于数据的解读，每个人都有不同的方式。我们对数据分析的方法进行简单总结。

确定数据的准确性

这里包含了选择数据维度的合理性、数据统计的准确性，是数据分析的基础。如果数据维度选择不合理、数据统计结果不精确，我们就无法得出正确的分析结果。

明确影响数据的因素

数据会受到多种因素的影响，这些因素有内部的、外部的，运营人员应当尽可能多地了解所有层面的影响因素，以确保对数据的解读是在一个相对正确的范围内。

重视长期的数据监测

在运营数据分析中，经常会使用环比和同比等方式来对比数据。简单地说，环比是本日与前一日的对比、本月与上月的对比、本季度与上季度的对比；同比是今年当日与去年当日的对比、今年当月与去年当月的对比、今年当季度与去年当季度的对比。环比显示短期的数据波动，而同比可以帮我们了解大环境下的数据波动。

保持客观的视角

在数据分析的过程中，保持客观非常重要。运营人员要做到“不以物喜，不以己悲”，做了错误的操作，带来了不利的影响要坦然面对，获得了超出预期的成果要心平气和，切忌挑选有利于自身的结论。

有时候，运营人员在解读数据之前会无意识地有预设立场，这种预设立场破坏了本应持有的客观视角，因此不可取。另外，有意预设立场涉及职业道德，也是职业发展中常见的问题，必须避免。

注意剔除干扰项

在实际运营工作中，我们会碰到很多问题，这些问题是干扰项，例如，在一个相对平稳的曲线中，突然在某个点上出现了强烈波动，那么我们需要全面了解波动产生的原因，如果无法确认原因，就剔除这个波动，否则我们很难获得一个正确的结论。

关于数据分析的内容，尚有许多值得学习和探讨的空间，大家可以继续在工作中加以摸索。

数据分析的方法、误区与数据说谎的手法

很多人说“数据会说话”，也有人说“数据会说谎”。其实，数据究竟会不会说话，说什么话，是真话还是假话，取决于数据的选择和分析的方式。

首先，我们要明白一个核心观点：运营数据分析的关键不在于数据，而在于分析。或者说，所有数据分析的关键都在于分析，而不在于数据本身。然后，我们要明确一个前提：数据分析的能力是渐进的，对数据的敏感度是需要培养的。最后，我们要懂得一个事实：数据表达出的信息与多种因素相关，运营人员尝试学习运营数据分析之前，要尽量抛开预设立场，并且明白不同类别的数据在不同的阶段其重要性也是不同的。

先问一个问题：所有网站的PV、UV、转化率都是核心指标么？答案当然是否定的。因为对于不同的网站（产品），在不同的时间阶段的核心指标是不同的。

网站（产品）建立的初期，流量指标非常关键，但是流量本身并不仅仅是一项指标，我们先看一下“流量”到底是什么。

流量包含了好几个指标，最关键的有以下一些：

UV（Unique Visitors）：独立访客数

现在谷歌已经将这个指标替换为User，但基本概念并无变化。

独立访客数和独立IP是两个概念。独立IP要求访问者的IP地址各不相同，而独立访客数则未必。比如，在同一台电脑上，你注册了一个新用户，你哥哥注册了另一个新用户。此时，网站的后台会记录1个独立IP，但同时会记录2个UV。而如果在同一台电脑上，你和你哥哥都没有注册，只是浏览，那么后台会记录1个独立IP及1个UV。当然，在同一天内，不管一个独立IP下的独立访客访问多少次，后台都只记录1次。

PV（Page Views）：页面访问量

每一个用户，每打开一个页面，就是一个PV。

一个网站，从首页到注册成功一共有5个页面，分别是：首页、填写用户名与密码、填写基础资料、填写高级资料、注册成功。每一个用户从首页点击注册并成功完成注册流程，后台会逐一统计，网站因此获得了5个PV。

RV（Repeat Visitors）：重复访客

比如，昨天小明浏览了我的微信公众号，今天他又来了。小明就是一个RV。

TP（Time On Page）：页面停留时间

比如，王大壮最喜欢看新闻，所以他每天看XO站的新闻频道10分钟；李小勇最喜欢看美女，所以他每天看XO站的美女频道30分钟。这就是TP。

Traffic Sources：流量来源渠道

比如，百度每天为你的网站贡献了100个UV；用户直接输入网址为你的网站贡献了10 000个UV；微信每天为你的网站带来1 000个UV。这些都是流量来源渠道。

所谓流量指标，并不单一地指UV、PV这些基础数据，也不仅仅是用户停留时间、重复访客这种细节数据，它同时还包括了渠道来源数据。

到了持续运营阶段，单一流量指标的意义已经不大，更重要的是用户的留存、活跃指标，甚至是付费用户的规模。在这个阶段，跟踪所有流量来源的渠道质量依然很重要，需要强化的是用户行为的分析，要拆分出各种维度、各种路径的留存、活跃、转化的情况，以及分析用户的兴趣点，建立用户的成长模型等等。

到了成熟期，运营人员需要关注用户流失的速度、分析流失的原因，对依然留存与活跃的用户给予重点的关注。数据分析在成熟期的意义是延续网站（产品）的生命周期，持续为存量用户提供优质服务。

到了衰退期，运营人员要做好数据的保存工作，如果网站（产品）要结束运营，应提前做好各种准备和通知。

我并不打算就数据分析的方法展开讨论，因为这个话题覆盖范围太大，所以我们着重分析一些关于数据使用、数据分析的误区和数据说谎的手法。

数据使用的方法

· 掌握历史数据。

对于运营人员来说，熟悉、掌握网站（产品）的历史数据非常关键。数据的维度越全面，运营人员对网站（产品）的生命周期，乃至用户的生命周期的把握就会越清晰。

· 从历史数据中归纳规律。

历史数据不是拿来看的，而是用来分析的。分析其中的规律，在什么节点数据上升，什么节点数据下降，找出原因，形成经验，对运营人员的工作来说至关重要。

· 通过规律反向进行数据预测。

运营人员掌握了规律，就具备了做数据预测的基础。过往3年，国庆节期间，网站的流量都会有明显提升，那么运营人员要不要提前为每年国庆节做一些规划呢？

· 学会对数据进行拆解。

数据量越大、维度越多，数据越需要拆解，可以分为按照时间的拆解和按照相关性的拆解。运营人员懂得拆解数据，意味着有能力把控运营的节奏。这是需要每个从事运营工作的人注意的地方。

运营数据分析的误区

· 不要用单一类型的数据去评价全局。

我们举个例子，见图6–2。

图6–2 近三个月支付宝网站日平均访问人数Alexa排名走势

资料来源：Alexa网站

这是Alexa（一家专门发布网站世界排名的网站）统计的支付宝2014年4月~6月日平均访问人数的走势，我们可以通过这个数据认为支付宝的活跃用户在减少么？答案是不能。因为Alexa只统计Web端，支付宝移动端的活跃用户是否在增加呢？我们并不能从这个数据中得到答案。

· 不要夸大偶然事件，认为带来必然结果。

运营人员经常会发现一个活动上线之后，运营数据有很大的提升，但是，这有可能是一个偶然事件，如果你认为这样的活动形式必然对数据有所帮助，那么你需要更多的数据来佐证它，并且适时将这种活动转化为机制，如果它真的有效。

如果你不能证明两者之间的必然性，那么就有理由怀疑，你的运营效果是其他渠道导致的。

· 避免用结论推导原因。

运营人员很容易犯的数据分析的错误是，发现数据增长了，然后寻找各种对数据增长可能有帮助的事件，并且将数据增长的原因归功于这些事件。

运营人员发现数据增长，或者下降，希望找出原因，最好的方式是再现。

· 避免唯数据论。

数据既可以说明问题，也可能遮蔽视线。数据并不能解决所有问题，它给你的是一个参考，而不是一个结论。

运营数据说谎的手法

想要运营数据说谎，其实很简单，在此简单地举出几种。

· 拉伸图表。

图6–3 当日活跃用户数（人）

图6–4 当日活跃用户数（人）

上面两张图，其实源数据是完全一样的，但是相同的数据却带来了不同的感受。这就是拉伸图表所带来的结果。

· 修改坐标轴数据。

图6–5 当日活跃用户数（人）

图6–6 当日活跃用户数（人）

上面两幅图表，其实原始数据也是完全一样的，但是图6–6传递的用户波动的幅度比图6–5要小得多，这得益于图表制作者使用了“对数刻度”，从而让数据的波动没有体现得那么强烈。

· 故意选择有利的样本。

这种情况很常见。在运营过程中，运营人员会比其他人更了解自己的用户，那么就会出现下面这种情况：

一个电商平台要做流失用户挽回活动，运营人员要针对流失用户进行选型。这次选型有两个选择：一是“半年内未购物”的用户，二是“半年内未购物但有登录”的用户。那么，针对哪个样本选型用户的流失挽回活动效果会更好？

毫无疑问，答案是后者，因为第一个选型样本里包含了“有登录”和“无登录”两种类型。

很显然，如果我们单单考虑挽回流失用户的难度，对半年都没有登录的用户进行挽回，比对半年内有过登录但是没有购物的用户要难得多。

· 样本规模差异。

在产品的运营上，我们经常需要做一些A/B测试来验证某个功能或者设计方案哪个更好，这个时候，最容易犯的错误，也是最容易带来数据说谎结果的情况，是样本规模有差异。比如，A类选型选择了100个用户，而B类选择了1 000个用户，不管我们最终选择绝对值，还是比例，其结果都会存在巨大的误差。

这些数据分析的误区以及数据说谎的手段，希望引起大家警惕，不要为了指标而做指标，也不要为了汇报好看而去对数据做手脚。这样的做法会逐渐积累风险，最后一发而不可收拾。

活动数据分析样例

图6–7是几个活动参与用户数的数据样例，让我们试着分析一下发生了什么。

活动1是一个参与用户数缓慢上升，到达峰值后回落的活动。

活动2是一个参与用户数有明显波动，经历“高开——稳定——冲新高——回落”的活动。

活动3是一个参与用户数高开低走的活动。

活动4是一个参与用户数异常稳定的活动，高峰和低谷基本处于同一水平。

通过第1个活动的数据，我们大概可以得出以下结论：

· 该活动提前预热不够；

· 该活动随着时间推移，效果有明显提升；

· 该活动开始后没有进行过任何调整（包括宣传与奖励）。

通过第2个活动的数据，我们大概可以得出以下结论：

· 该活动的提前预热做得很好；

· 该活动开始后进行过调整（宣传或者奖励）；

· 该活动的奖品发放控制可能有问题，后期力量不足。

通过第3个活动的数据，我们大概可以得出以下结论：

图6–7

· 该活动提前预热做得很好；

· 该活动没有进行过任何调整（包括宣传与奖励）。

通过第4个活动的数据，我们大概可以得出以下结论：

· 该活动宣传不足或宣传渠道有问题；

· 该活动的设计本身可能有问题。

这4个活动仅仅是一个样例，但我们可以从中发现一些问题：首先，一个活动的数据并不仅仅是数据层面的波动；其次，数据背后有很多因素互相交织，大量的因果关系导致了事件的发生，数据的走势也由此而来。

因此，我们接下来要说的就是跳出数据看数据。

跳出数据看数据

先考虑下面两个问题：

当我们在讨论数据的时候，我们真的是在讨论数据么？

当我们分析数据的时候，我们只是在看数据的涨跌变化么？

我们先不着急下定论，先来看一个小故事。

某个网络游戏做用户调研，收到4份同样内容的反馈：“这个游戏太费钱了。”于是，运营人员详细查了一下这4个用户的情况：

用户A，游戏角色战士，等级处于中等，活跃度一般，一般晚上11点下线，当月消费金额100元，身份可能是学生。

用户B，游戏角色法师，等级处于高级，活跃度很高，也肯花钱买装备，当月消费金额1 000元，身份可能是白领，并且他还是某个公会的会长。

用户C，游戏角色奶妈，等级处于低级，活跃度一般，花200元买了一年的会员服务。

用户D，游戏角色盗贼，等级高级，每天登录，活跃度极高，但从未付过费。

具体来看，虽然这些用户中，有人花了钱，有人没有花钱，但反馈是一样。另外，虽然同样是花钱，并且金额有差别，但是学生、白领、工人的消费能力是不一样的，能够承受的消费压力也不同。乐于消费的用户花钱买时间，而不乐于消费的用户则基本没有任何消费，但却热衷于在线，用时间来弥补。

经过一番细致的分析，运营人员大致理解了为什么4个不同类型的用户会有同样的反馈。

用户A，由于角色设计的考虑，战士在现有版本的设计中很容易被其他敌对阵营的玩家压制，同时因为消费能力不足，100元在其日常支出中占了很大的比例，所以用户A理所当然地认为“费钱”。

用户B，由于游戏设计的考虑，法师对怪物的杀伤力高，在游戏中大受欢迎，虽然在线时间不多，但由于花钱买了装备，所以每次上线都非常抢手，一直被拉去打副本。这样一来二去，装备投入、药品投入都很多；因为是会长，他还要花精力去处理公会的事宜，所以他虽然活跃度很高、也愿意花钱，但仍然认为游戏太费钱了。

用户C，由于要赶超等级进度，但又不想花钱买装备，所以看中了一次性买一年会员的额外经验加成，于是一次性投入了对他来说不算太小的一部分收入。

用户D，没钱但是有时间，所以别人花钱，他花时间，同时他可能会在游戏过程中产生了其他消费。

看完这个案例，我想大家已经明白了。是的，我们在进行数据分析的时候，其实想要了解的不仅仅是数据，而是数据背后的用户。

因此，读懂数据的关键是读懂数据背后的人。那么，如何读懂数据背后的人？

抛弃预设立场

分析数据的第一步是要抛弃预设的立场，先不要着急定义数据展现的意义，而是研究数据的波动和波动的节点，通过这一步去确立要研究哪些相关事件，研究用户行为还是系统事件。

最常见的误区是：

“最近的数据好像有点问题啊，找找原因吧！”

“啊？好像产品出了个bug，会不会有影响？那赶紧看看bug被发现的时间！”

“哦！你看，时间吻合的嘛，那就是这个问题了！”

事实上，因为你已经预设了立场，所以你只会去找相关的事件来证明你的推测是正确的，所以，在做数据分析时，一定要避免预设立场。

这一步是定位，但不要定性。

深挖用户行为与系统事件

定位完成后，就要去挖掘对应时间节点的相关事件，包括系统事件（版本升级、服务器错误、系统异常等）和用户行为（时间节点前后一段时间相关联用户的持续行为，比如是否做了什么活动等），通过这一步找出可能造成影响的动作和事件。

尝试换位思考

接下来，不管定位原因是系统还是用户，运营人员都需要换位思考，假设运营人员是用户，在对应的时间节点和对应的事件行为发生时，有怎样的感知、反馈，模拟可能的状态。

需要注意的是，必须要把用户的真实反馈模拟出来，而不是夸大或削弱用户的反馈。必要的时候，可以找一些用户进行调研。通过这一步，运营人员进一步了解数据变化的原因，并对后续整合数据，如何操作进行思考。

整合关键数据

整合关键数据，是指整合可能有用的核心数据，譬如历史数据、关联数据、竞品数据等，最后得出结论：

·造成数据变化的原因究竟是什么？

·有什么办法可以改善或者促进数据的变化？

·总结经验，类似情况再次发生时，应该进行何种处置与预案。

最重要的是，要整合所有路径的数据，串起所有流程去看对应的行为，孤立的一个数据不说明任何问题。

我们举个例子加以说明。

某品牌电商最近成交量下降，为找出其中原因，运营人员需要看哪些数据？

运营人员需要关注的数据大致如下：

·页面流量变化、各渠道入口流量变化；

·登录用户的浏览行为，使用购物车但未购买的用户数、商品类型；

·支付订单页面的蹦失率；

·其他：竞品平台同类商品价格，竞品平台同节点流量变化，网站最近的异常监控报告等。

跳出数据看数据，考验的是运营人员对数据的敏感度，以及通过数据解读背后原因和提出解决方案的总结、归纳、提高的能力。这种做法需要大量的实践经验，同时需要运营人员坚持积累的心态。

运营的核心数据

我们之前已经讨论过内容运营、活动运营、用户运营的基础知识，我们需要知道这些领域的核心数据都有哪些，如何解读这些数据。

内容运营的核心数据

对一个网站（产品）而言，其内容运营的核心数据包含如下几个方面。

内容的展示数据

内容的展示数据是最基础的数据，它的意义和价值在于：提供给内容运营者一个直观而基础的数据，用来展示内容被点击、查阅的情况，从而分析内容是否为网站（产品）提供了相应的帮助，如：内容覆盖人数、内容是否符合用户兴趣等。

内容的展示数据可能包括但不限于：

·内容的点击次数；

·内容页面的蹦失率；

·内容页面的停留时长。

以一篇文章为例，这篇文章的链接被点击了100次，其中，50次点击停留的平均时长为20秒，10次是点击后直接关闭网页，另外40次点击停留的平均时长是3秒。通过这些数据，我们可以了解到，这篇文章的质量可能是不错的。接下来要做的事情是，10次直接关闭网页和40次平均3秒的停留时长背后的用户还看了哪些文章，他们的行为是怎样的。

我们通过这样的分析，可以了解如何通过改善内容的类别、质量，提高内容对于用户的价值及契合度，从而提高内容被展示的次数。

内容的转化数据

内容的转化数据，是相对展示数据而言更深层的数据，它往往用于判断内容是否能够促进用户的转化，比如能否利用内容让用户从活跃转向付费。

我们以一本网络小说为例，从免费阅读转向付费阅读，数据表现出来的该作品的“吸金”能力，就是内容的转化数据。从一定层面上说，这是衡量内容能否带来高质量“粉丝”的一个依据。

内容转化数据可能包括但不限于：

·内容中付费链接的点击次数、付费成功次数；

·内容页面广告的点击次数、广告的停留时间、二次转化成功率。

内容的黏性数据

黏性数据和展示数据相关，但二者有一些区别。考虑展示数据时，如果进一步分析用户重复阅读的次数，那么结合每次阅读的停留时间，就可以得到黏性数据。

对于黏性数据，其实完全可以采用会员管理系统里的RFM客户关系管理模型来进行分析，获得内容或者用户的黏性值和分布，从而指导日后的内容运营工作。RFM模型在本章节中不做展开，有兴趣的读者可以使用百度搜索或进入MBA智库百科去查阅相关词条。

内容的扩散与分享数据

内容的扩散数据或称“分享”数据，是社会化浪潮中一个新增可监测的数据。

内容的分享频次和分享后带来的流量统计，可以说明内容对某类用户的价值和作用情况，这对需要通过分享带来用户的网站（产品），以及需要引爆热点和病毒传播的运营有着重大的意义和价值。

活动运营核心数据

对于经常执行活动运营的运营人员来说，活动运营数据比其他类型的数据都更加重要，而活动运营的数据又非常复杂，我们用2个活动案例来说明活动运营的核心数据的情况，在实际操作中，运营人员需要加入自己的思考。

案例1：某网站开展了一个分享邀请的活动。活动主旨是让老用户带来新用户，可以通过社会化渠道、邮件、复制链接进行分享，新用户通过各个渠道的邀请链接进入活动注册页面完成注册，并进入网站，补填用户资料并完成一次登录，即认为有效。完成有效邀请的老用户和完成注册的受邀请新用户，均可以获赠一件小礼品。

对于此类活动，有几个数据是关键点，比如：

·分享渠道的质量——用来判断下次活动主推哪些分享渠道。

·受邀请用户的注册成功率——用来进行发奖和判断活动质量。

·进行分享的老用户的参与度——用来进行用户分级，判断活动规则对老用户的吸引力，以后如果开展类似活动，应当选择怎样的用户选型。

那么核心数据就会包括：

·各分享渠道的分享次数、分享链接的点击次数、各渠道注册–成功的转化率

·总的注册–成功转化率、用户注册的蹦失节点、用户注册完成后引导过程的蹦失节点。

·参与活动的老用户的总数、分享渠道按照使用次数的分布、使用了2个或2个以上分享渠道的老用户的日常行为表现（如活动前后一个月的行为表现）等。

案例2：某电商网站开展母婴用品折扣活动，希望在活动期间带来2倍于日常销量的销量增长。

此类活动也有几个关键数据：

·广告投放渠道的质量——用于判断目标用户的媒体触点，是未来类似活动的主要投放渠道的筛选凭证。

·单品销量的增长情况——用于判断目标用户对什么样的产品更感兴趣。

·总体销量目标的完成度——用于判断活动是否达到预期。

·各关键节点的转化率——活动页面商品的点击次数–进入页面的流量、浏览–放入购物车/下单的转化率、购物车–付费的成功率、支付成功率。

那么核心数据就会包括：

·分渠道的广告展示统计——展示次数、点击次数、landing page蹦失率。

·用户兴趣点分布——页面商品点击次数、单品浏览量、下单量、使用购物车的用户数和商品进入购物车的次数。

·订单转化率——浏览–下单的转化率、购物车–下单的转化率。

·支付成功率——成功完成支付的订单数/提交的订单数。

用户运营核心数据

用户运营是一个够宽泛的概念，所以用户运营核心数据是动态的、变化的，运营人员在不同的时期需要关注不同的用户运营的数据情况。必须要说明的是，此处仅提到一些基本的核心数据，不代表所有的用户运营核心数据都在其中。

用户注册数据

注册数据可能包括但不限于：

注册用户的规模、增长速度——现在有多少用户，未来何时会有多少用户；

渠道质量——注册渠道有哪些，渠道的注册转化率如何；

注册流程质量——完成注册的用户数、注册流程中用户蹦失节点统计。

注册用户行为跟踪——完成注册后当时用户的行为统计。

用户留存数据

留存数据可能包括但不限于：

留存用户的规模，从注册到留存的转化率——已有注册用户中，多少注册用户会留下来，能否提升转化率，让更多的用户留存。

用户登录的时间、频率——留存的用户使用产品的习惯是登录后使用吗？如果是的话，他们都是什么时候登录，几天登录一次？

用户使用网站（产品）服务的时间、时长、频率等——每次用户使用产品，会停留多长时间，使用核心功能还是辅助功能，使用功能的频率是怎样的。

用户活跃数据

活跃数据可能包括但不限于：

活跃用户的规模、增长速度，从注册到活跃的转化率——留下来的用户是活跃的用户，那么活跃的定义是什么，有多少用户符合这个定义，活跃用户的增长速度。

活跃用户的行为统计——活跃用户使用产品的哪些功能，他们每次使用产品的路径是不变的吗？对于新的功能，他们是如何使用的？

用户使用网站（产品）服务的频率、内容、行为——用户对网站（产品）的功能的使用情况，包括频率等；他们对内容的接受情况。

用户付费数据

付费数据很容易理解，大致包括：

付费用户规模、增长速度、注册到付费/活跃到付费的转化率——这决定了产品的盈利能力，收入增长的速度和宽度。

付费金额、频率等——简单来说，用户在此花多少钱，多久花一次钱？

付费用户的日常行为跟踪——了解用户不花钱的时候的一些行为。

用户流失数据

流失数据包含的内容也很容易理解，大致包括：

流失用户的规模、速度——用户流失了多少？每天流失的速度是10个还是10万个？这决定了产品的生命周期还能延续多久。

流失用户的日常行为跟踪——他们在流失之前做了什么？

用户流失的原因分析——为什么用户做了这些动作之后就会流失？

流失用户挽回策略和效果分析等——能够挽回这些用户吗？什么样的动作对挽回他们有帮助？这些动作可以长期做吗？

想一想" class="reference-link"> 想一想

你目前在运营的产品中有哪些数据是比较重要的呢？为什么？