在运营进程之中，我们究竟应当留意哪些数据指标呢？

在数据正式晋升为第五大生产要素的当下，其在当今社会所具有的重要地位清晰可见。数据运营不再仅仅归属于某一特定岗位，而是成为每一位从事运营、市场等营销工作的人员所必备的思维模式与工作方法。

1

梳理数据指标

在此，我们以众人基本都熟知的 AARRR 模型（也就是俗称的海盗模型）为例，来对一些「过程性指标」加以梳理。

依照 AARRR 模型，我们能够将数据指标划分成五大类别：拉新指标、活跃指标、留存指标、转化指标以及传播指标。

拉新指标：浏览量、下载量、新增用户、获取成本

运营人员通过各种渠道进行投放，让“用户”得以接触到产品。当“用户”认为产品出色，就会去下载，打开产品后发现其中内容契合自身需求，“用户”便会注册产品，从而真正成为产品的用户。

1、浏览量：通常被称为曝光量，指的是产品的推广信息在朋友圈、搜索引擎、应用商店等渠道被多少用户看到。与浏览量相对应的是点击量，二者的比例在业内存在一个专业术语 CTR（CTR=点击量/浏览量），众多广告平台会凭借 CTR 来评估广告质量；

2、下载量：指的是 APP 的安装次数，属于衡量拉新效果的结果性指标;

3、新增用户：下载并不意味着就是用户，如果某个“用户”仅仅下载而未注册，那便是一个无效用户。对于用户的界定，各个产品有所不同，多数产品将注册了 APP 的用户定义为新增用户;

4、获取成本：用户的获取必然涉及成本，这是运营新手极易忽略的方面。当前常见的成本计算方式包含 CPM（千次曝光成本）、CPC（单次点击成本）、CPA（单次获客成本）。

活跃指标：活跃用户数、活跃率、在线时长、启动次数、页面浏览量

相较于下载量和用户量，在人口红利消逝之后，大家开始更为关注切实的内容——究竟拥有多少活跃用户？

1、活跃用户数：DAU 指的是日活跃用户数量，通常指的是在 24 小时内活跃用户的总数；此外还有 WAU、MAU 等；

2、活跃率：活跃用户数衡量的是产品的市场规模，活跃率反映的则是产品的健康状况； 

3、在线时长：不同类型的产品访问时长各异，社交类产品肯定长于工具类产品，内容平台肯定长于金融理财类等；

4、启动次数：它体现的是用户的使用频率，用户的日均启动次数越多，表明用户对产品的依赖程度越高，活跃度也就越佳； 

5、页面浏览量：PV（Page View）表示页面浏览量，UV（Unique Visitor）是在一定时间内访问网页的人数，用户在网页的一次访问请求可视为一个 PV，用户浏览了十个网页，则 PV 为 10。

留存指标：用户留存率、用户流失率

倘若将活跃数和活跃率视作产品的市场规模大小与健康程度，那么用户留存则衡量产品能否实现可持续发展，倘若您处于产品的早期阶段，就更应当关注留存指标。

1、用户留存率：留存率 = 留存用户 / 初始的总用户量；

2、用户流失率：流失率在一定程度上能够对产品的发展进行预测，如果产品在某阶段拥有用户 10 万，月流失率为 20%，简单推测，5 个月后产品将会失去所有用户。

转化指标：GMV、成交额、销售收入、付费用户量、ARPU、复购率

对于运营工作而言，拉新、活跃以及留存仅仅是手段，最终衡量您工作成效的是您所掌控的具有价值的用户数量。

1、GMV：这是一个虚荣性指标，只要用户下单，生成订单号，就能够算在 GMV 当中，不论用户是否真正购买，京东在双十一对外发布的战报即为 GMV；

2、成交额：成交金额指的是用户实际付款的流水，即用户购买后的消费金额；

3、销售收入：它指的是成交金额减去退款后剩余的金额；

4、付费用户量：在产品当中产生过交易行为的用户总数，与活跃用户类似，交易用户也能够区分为首单用户（首次消费），忠诚消费用户（持续购买的用户），流失消费用户（流失后又回来的用户）等等；

5、ARPU：ARPU = 总收入÷ 收费用户数；

6、复购率：和新增用户相同，获取一个新的付费用户的成本已经高于维护老顾客的成本。复购率更多应用于整体的重复购买次数统计，即在单位时间内，消费两次及以上的用户数在购买总用户数中的占比。

传播指标：病毒 K 因子、传播周期

如今的产品普遍都会内置分享功能，对于内容型平台或者依靠传播来实现增长的产品而言，对病毒式增长的衡量变得极为关键。

1、病毒 K 因子：当 K 因子大于 1 时，每位用户至少能够带来一个新用户，用户数量会如同滚雪球般增大，最终实现自传播；

2、传播周期：传播周期指的是用户完成从传播到转化新用户所需的

时间，通常传播周期越短，意味着用户裂变传播的效果越出色。

2

定义指标口径

在完成数据指标的梳理之后，还有一项极为重要的工作——定义数据指标口径。在数据运营的进程中，如果我们没有统一的工具（例如易观方舟）来管理数据指标口径，往往会出现如下问题：

在不同的数据报表中，存在定义相同但名称不同的数据指标

在相同的数据报表中，存在定义不同但名称相同的数据指标

这会给我们跨部门协同开展运营工作、达成运营目标造成一定的阻碍。倘若在需求上线之前未能提前做好数据指标口径的定义，导致某些数据不匹配，又会给测试、技术等人员带来一定程度的返工，大幅降低工作效率。 

举个简单的例子。对于一家企业而言，活跃用户通常能够反映产品的用户规模以及所处的发展阶段，通过活跃用户能够迅速定位产品人群，为后续的拉新、促活做好充分的研究。我们在衡量用户活跃程度时，常用的指标会有：

每日活跃用户数（Daily Active User）

每周活跃用户数（Weekly Active User）

每月活跃用户数（Monthly Active User）

分别指代每日/周/月访问产品的不同用户数量。然而活跃用户数这一数据指标口径的定义，由于所处行业、不同业务等因素，很多企业会依据自身特点对活跃用户数有着不同的定义，例如：

每日登录用户数（过滤掉匿名用户）即为活跃用户数

每日在线时长超过 5 分钟的用户数（过滤掉低质量用户）即为活跃用户数

每日访问页面超过 5 个的用户数（过滤掉低质量用户）即为活跃用户数

数据指标口径的定义应当尽量做到明确、清晰、易于理解。并且需要我们逐步迭代构建起一套完备的数据指标口径字典，下发至各个协作部门，保证对数据指标的认知达成一致，避免在运营过程中产生歧义。