在互联网金融领域，我们关注拥有非零所有权的用户数量、用户持有的资金量、订阅量、用户的财富指数。

(2)电商行业关注产生购买行为的用户数量、用户购买金额、购买频次、回购周期；

(3)社交产品，关注用户活动，如日常活跃时间、社区活动(评论、帖子)。

B.场景区分中，是函数优化的迭代验证效果吗？是差异化竞争的对比分析吗？它是新的、保留的还是基于用户场景推广的？还是保留丢失的场景？

一般来说，产品系统可以分为两类：数据统计和数据分析。

(1)数据统计更多的是与产品功能和效果相关，用于衡量某个产品指标，如用户数、DAU、MAU、用户购买量等。

(2)数据分析更多应用于产品路径过程分析、问题发现、迭代指导、运营效果反馈等场景。

不同的业务和不同的目标决定了我们应该选择什么数据指标来衡量。

2.拆分测量指标/提出分析假设。

明确业务场景和统计/分析目标，下一步是继续拆分合适的度量指标；对于数据分析的需求，有必要在此之前提出分析假设。以下示例说明：

A.分析产品功能的转化率。

一般转化率可分为注册转化率、订阅转化率、场景用户转化率、入口转化率等。即“用户为某一产品转粉”的过程。

进一步拆分，转化率链接上的关键数据为：曝光UV点击UV转换用户数量，对应行为为“用户看到用户感兴趣并尝试用户被转换”。

把转化率放到场景中进行分析，一般有两个目标：

(1)看某个产品/运营流程的转化效果，统计新用户从接触到成功转化的转化率，用漏斗模型来表示转化率数据；

(2)对于可通过多通道、多入口进入的产品，或者正在进行A/B测试的产品的功能，需要比较多通道、多入口的转化率，比较各路径的效果。

B.通过用户活动分析指导产品优化方向。

活动指数可分为用户登录/访问频率、场景设置频率、订阅/购买频率、互动频率等。主要看用户对产品的留存和活跃程度。比如最近30天用户登录10次，最近90天用户购买30次。

有些产品/功能推出后，用户是以早期采用者的态度进行转化的，用了几次就流失了，显然下一阶段的重点是提高用户的留存率。相反，有些产品的用户留存率很高，但经过深度调查发现，大部分用户处于非活跃状态，这意味着下一阶段工作的重点是促进用户的活跃。

C.监控用户健康状况。

从某种意义上说，产品的健康程度与活动程度有些交叉，一些广义的概念可以将活动程度包含在健康程度中。

比如ARPU值、用户移动性、会员制下的用户升降速度……都是衡量一个产品健康程度的指标。

以会员制下用户的升降速为例：在设计会员制时，数据系统的构建必须有三个阶段：事前规划和测算、事中验证和跟踪、事后调整。计算预规划计算通常需要花费大量的时间和精力，因为一旦发布会员规则，就不容易做出调整。因此，第三阶段的调整，如果可以避免的话，应该避免。

成员需要拟合上升和下降曲线，一般效果是先容易后难，而降级有一定的缓冲价值。升级太快，降级太慢，可能导致系统崩溃，成本无法承受。升级太慢降得太快，没有粘性用户是不会买的。提升速度反映了产品的健康状况。

D.用户流失节点分析。

经过多次生产

如果使用互金平台的定投功能，经过观察分析，可能会发现用户首次扣款前后的损失率最高，扣款高峰会伴随着亏损高峰。可能的原因如下：

扣款前：用户在设置时只抱着先行者的心态，在扣款前及时终止固定投资“止损”(实际资金行为)；或者缺乏扣除的安全性。扣除后：对资金的安全性和流动性存在担忧；无法保证扣费日银行卡资金充足，因资金不足扣费失败而放弃。

在发现可能的问题后，我们可以对用户进行相应的调整、教育和指导，从而降低流失率。当水箱中有一个或几个孔堵塞时，失水速度自然会变慢。

E.通过假设潜在用户画像进行投放和验证。

在与用户接触时，总是会选择潜在的目标用户，以提高转化率等指标。但是“目标用户”是什么，用户的年龄是多少？用户所在地区？用户多久在线支付一次？通过总结多次投放尝试，可以假设多个变量，通过调整潜在目标用户的画像达到用户套餐抽取，比较多个投放渠道之间的数据差异，从而达到验证的目的。

3.查找比较数据。

没有对比效果指标评价，都是流氓。一个产品上线，产品经理要看到优点和缺点，找到合适的参照物对比效果后再做评价和结论。

比如一个社区产品推出以来，用户总数是100万，平均日活跃用户是8万。

这个数据是好是坏？我们需要找到一个比较和衡量的标准。相比竞品，我们的活跃用户水平相对较高？与过去平均日活跃用户5万相比，有明显提升。

因此，得到产品的上线效果数据后，需要找到对应的产品做标的，而这个标的，可以是竞品、可以是历史经验数据沉淀、也可以是行业内默认的标准等。

　　4. 明确获取数据渠道

　　规划好了数据衡量体系，接下来即是产品上线前的数据埋点工作和上线后的数据获取来源，有下面的一串口诀：转化数据点击流，用户属性渠道号，反馈抽样用问卷，广义普适第三方。

　　A. 转化数据点击流

　　在看用户登录访问、购买等产品的路径转化数据时，常选择用户数为统计分析维度，这个时候，用相对简单的点击流埋点，一般可满足需求；主要统计产品流程中，每一步操作的用户数量，可形成漏斗模型。

　　B. 用户属性渠道号

　　在申购金额、购买数量和金额、评论互动等带有用户属性的场景下，需要适当深挖，这个时候可以用渠道号等标记对用户进行“打标”，方便跟踪监控用户的后续行为。

　　C. 反馈抽样用问卷

　　有的时候，我们需要探究用户行为原因，了解用户的主观操作意向，获取用户使用反馈时，通过上述的纯客观数据是难以得出合适的指导意见的，该情况下可以选择问卷的方式进行；可以获取足够反馈问题的样本数据。

　　D. 广义普适第三方

　　有一些第三方数据平台，如友盟、TalkingData、微信指数、百度指数等数据平台，适用于监控大行业大领域数据。如通过微信指数，可知道某个词汇的近期网络搜索次数，环比增减情况，添加对比词汇等。

　　方法论讲完，是不是还有点似懂非懂？那就给大家举一个案例：

　　对于luckin coffee来说，品牌定位更多在“职场咖啡”与“社交咖啡”上，因此，在获客初始节点，进行了不同商圈的线下试点门店铺设，通过各类优惠福利做app的推广下载和刺激用户分享获客。该阶段，如若进行数据分析，则首先需要明确分析目标：

　　线下不同商圈的试点效果用户对职场咖啡的诉求及预期app推广效果/社交咖啡营销裂变效果

　　针对上述3点，可进一步提出对应的分析假设并寻找、拆分衡量指标：

　　IT白领办公区域的门店效果优于市中心商圈；外带门店销售量高于堂食门店。中午13:00~14:00和下午15:00~17:00是点单高峰；外卖订单30~40分钟内送达符合用户心理预期，30分钟内则可超出预期；职场白领更偏好美式，女生更偏好瑞纳冰系列等。社交分享推广目标，如老用户人均分享3次/周，人均转化拉新3人/周，人均购买3杯/周，复购率在60%以上等。

　　针对上述分析假设，为更客观进行数据比较，可将上述假设进一步抽象为数据衡量指标，例如：

　　用各商圈门店的日均销售咖啡杯数、各品类咖啡（价格）销售数量占比、外卖&堂食销售数量占比来衡量各试点门店的销售效果，辅助扩张铺设/缩减投入的决策；收集购买咖啡的用户画像属性数据，匹配性别、年龄、购买时间段、品类爱好、客户对外送单的反馈等，进而筛选出业务主打SEo-6.com客群，完善饮品和服务细节；通过数据埋点的方式，追踪客户的app UV/PV、咖啡购买杯数、优惠券链接分享次数、通过该分享链接点击进入并注册转化的新用户数量、用户在注册1周内二次下单的占比等数据；可得出对应app下单转化率、分享率、分享点击率、老拉新转化数、复购率等可精准客观对比的数据。

　　很多人都用luckin coffee来对标星巴克、连咖啡，将三者作为竞争对比。同理，如何衡量luckin coffee交出的这份答卷数据的好坏，则可通过对标星巴克、连咖啡相关业务的数据情况，如星巴克门店日销售量、日销售额，星巴克用星说礼品卡的销售量、赠送量等，将两者进行数据对比，进而得出结论。

　　按照数据体系搭建的四步法则，在产品上线前后提前做好产品数据的统计分析布局，验证效果、功能优化不再无从下手！