根据主流的定义来看，数据指标指的是对业务需求进行进一步的抽象，然后通过数据分析得到一个汇总分析的结果，对企业经营管理上的成果进行量化，使得业务目标可描述、可度量、可拆解。数据指标与实际的业务有这十分紧密联系，可以反映用户进行了哪些操作，行为产生了什么效果，给业务带来了怎样的变化等。主要这是因为数据指标是数字化的反映业务过程的发生、发展情况，比如复购率、活跃度、转化率、资产比率等。

所以，数据指标是业务现状的反映，而数据分析也正是基于对业务现状的准确透视才能做出有效决策，可见，数据指标的重要性不言而喻。

为了建立对数据指标的完整认知，我们把数据指标拆成“数据”与“指标”：指标是数据之间的运算，是「衡量」事物发展程度的“模型”。也就是说“建立指标「评估」业务发展”是一个建模的过程：把业务发展从物理世界映射到数据空间中，只有这样才能使得“万物皆可计算”，这就是数据分析的基础。

首先，我们先来了解一下什么是“数据”？

最通用的理解，数据是被存储起来的信息。从应用的角度，数据是把事物做量化处理的工具，万物皆可数据化：数值数字是数据，文本、图像、视频等同样都是数据。

按字段类型划分，可以把数据分为：

• 文本类：常用于描述性字段，如姓名、地址、备注等

• 数值类：最为常见，用于描述量化属性，如成交金额、商品数量等

• 时间类：仅用于描述时间发生的时间，是重要的分析维度（如同比、环比、累计等）

按结构划分，可以把数据分为：

• 结构化数据：通常指关系数据库方式记录的数据

• 半结构化数据：如日志、网页数据

• 非结构化数据：指语音、图片、视频等形式的数据

根据数据连续的属性不同，还可以分为：

• 连续型数据：在任意区间可以无限取值，比如年龄、身高

• 离散型数据：常见的分类数据，比如性别、年级

2如何理解 “指标”

其次，来看看“指标”是什么？

指标的作用是「度量」业务，最终目的是用来衡量业务是否符合预期，并为后续业务优化工作提供思路和方向。从这个角度对它进行拆解：指标 = 维度 + 汇总方式 + 量度

◆ 维度：回答从哪些角度去衡量的问题？

◆ 汇总方式：回答用哪些方法去衡量的问题？

◆ 量度：回答目标是什么的问题？

例如：

①订单数：统计周期内，用户完成支付的订单数量总和；

②复购率：统计周期内，重复消费用户数（消费两次以上的用户）在总消费用户数中的占比；

3数据指标的分类？

再来梳理一下数据指标有哪些分类呢？如下：

·综合性数据指标

即能体现产品目前综合情况的指标。

比如社交网站，数据指标的用途偏向于了解产品的用户增长或减少等情况。通常有：DAU、留存数、留存率、人均使用时长、PV、UV、GMV、支付UV、人均订单数、人均客单价等。

·流程性数据指标

即指与用户操作行为相关的指标。例如点击率、转换率、流失率、完成率等

·业务性数据指标

即跟产品业务相关的指标。例如视频网站，则可能需要的业务指标有：视频播放数、人均观看时长、人均播放数、播放率等。

4数据指标如何落地使用？

最后，了解完指标的底层逻辑（理论）后，更重要的是在业务中如何落地？结合数据分析经验，总结了数据指标的落地指引：

1. 指标基建——确保数据的完整、准确

为了打下指标模型的稳固基础，需要对数据底层进行检视：

① 检视数据源头——埋点收集的事件数据是否足以支撑所需指标的建模

② 脏数据清洗逻辑，也就是常见的数据仓库中ETL的概念

2. 从业务层面理解指标

理解业务是数据分析落地的前提，有效使用指标也同样如此，要求熟悉数据指标背后的业务含义：

如“会员成单数”这个指标本身有很多含义（针对买会员为主的商业模式app）。

◇ 直接含义：整个团队的业务完成能力

◇ 会员成单数+成本：企业的盈利能力

◇ 会员成单数+产品：产品畅销程度

◇ 会员成单数+用户分层：用户的需求

3.从指标的变动中做决策

为了判断业务现状的好坏、趋势，需要建立衡量标准，数据指标的使用同样如此。

通过某个孤立的指标不能反映现实，例如小明165cm的人，我们看不出小明的身高特征，但是当走来另一个身高是180cm的人时，我们就能判断小明相对比较矮，或者当我们拿到全国平均身高水平是167cm时，也能得出同样的结论。这就是利用对比思维建立标准的过程，对比的客体可以是横向与同属性的对象、总体平均，也可以是纵向与历史的自己。

如果是周期性变化，那很有可能是正常波动，我们初步判做“正常”。如果是突发+下跌，那很有可能是异常且坏的波动，我们可以初步判做“问题”。

4.指标的生命周期——不同阶段使用不同指标

既然指标的作用在于反映业务，而业务的发展存在生命周期，那指标的使用也应存在时效性，即指标的生命周期。

沿着产品的生命周期来看不同阶段使用的指标差异：

① 导入期：业务目标在于建立知名度、通过口碑引流，着重关注新注册人数、分享率指标；

② 成长期：业务目标在于通过不同渠道布局推广最大限度占有市场，着重关注新会员来源渠道占比等指标；

③ 成熟期：业务目标在于将前期流量变现，确保盈利规模，着重关注付费率、毛利率等指标；

④ 衰退期：此时，市场增量收缩，要求对存量人群精细化运营，着重关注复购率、重购金额占比等指标；

下面是一些常见的数据指标及其解释：

1. 销售额：指企业在一定时间内销售的产品或服务的总收入。它是衡量企业业绩的重要指标，可以反映企业的市场占有率和销售能力。

2. 利润率：指企业在销售额中获得的净利润占销售额的比例。它可以反映企业的盈利能力和经营效率。

3. 客户满意度：指客户对企业产品或服务的满意程度。它可以反映企业的服务质量和客户忠诚度。

4. 市场份额：指企业在某个市场中的销售额占总销售额的比例。它可以反映企业在市场中的竞争力和市场占有率。

5. LTV：Life Time Value 生命周期价值。产品从用户所有互动中获取的全部经济收益的总和。

6.GMV：英文全称是 Gross Merchandise Volume，中文意思是商品交易总额，也就是一定时间段内成交的订单金额之和，包括已付款和未付款的部分。GMV 是衡量电商平台交易规模和市场占有率的核心指标。它反映了平台的流量、转化、客单价、复购等多个维度的数据。它可以用来评估平台的竞争力、盈利能力、用户粘性、产品满意度等方面的表现。

7. 客户增长率：指企业在一定时间内新增客户的比例。它可以反映企业的市场拓展能力和客户开发能力。

8. 库存周转率：指企业在一定时间内销售额与库存量的比例。它可以反映企业的库存管理水平和资金利用效率。

9. 投入产出比例（ROI）：投入产出比=成交额/花费，用于判断推广计划的点击花费在14天转化周期内带来支付交易额的比例。投入产出比（ROI）的高与低能直接反应推广计划是亏损还是盈利。

10、以AARRR模型相关指标为例，看看有哪些：

▊获取用户(Acquisition)的数据指标：

流量来源、流量路径、CAC(用户获取成本)、CPC(每次点击付费)、CPT(按时长付费)、CPM(千人成本)、CPS(按提成收费)、CPA(按点击计费)、Campaign(塑造品牌)····

▊提高活跃度(Activation)的数据指标：

DNU(日新增用户)、DAU/WAU/MAU、ACU(平均同时在线人数)、PCU(高同时在线人数)、PV、UV、意向UV(进入意向页面的用户数)、PV/UV、CTR(点击率)、意向UV-CTR(点击UV/意向UV)、VV(视频播放次数)、访问时长、停留时长、滚动屏数、人均停留时长、人均操作次数、N次操作占比、行为路径、访问频次、跳出率、用户来源····

▊提高留存率(Retention)的数据指标：

留存率、次日留存率、7日留存率、30日留存率、回流率、召回CTR(提取出的正确信息条数/样本中的信息条数)、用户生命周期(周期/(1-周期内新增留存率))·····

▊获取收入(Revenue)的数据指标：GMV、ARPU(每用户平均收入)、ARPPU(平均每付费用户收入)、LTV(生命周期价值)、PBP(回收期)、ROI(投资回报率)、收入地图、客单价、消费次数、消费频率、订单量、利润、购买偏好、直接引导成交、间接引导成交、购买间隔·····

▊用户推荐(Refer)的数据指标：分享率、分享次数、K-Factor(病毒传播指标)、NPS····

▊用户留存Retention：如何让用户不断的使用我们的产品，减少用户的流失，提升用户粘性。让用户无法离开产品。

11、互联网行业相关指标为例：

以上是一些常见的数据指标，就不一一列举，感兴趣的可以（点击阅读原文进星球了解更多行业数据指标）。

在一定程度上，“数据指标”能揭示出产品用户的行为和业务水平状况。当然，我们也不能完全迷失在数据中，注意以下几点：

（01）数据不等同与实际场景，实际场景往往比数据更加复杂，分析时需要了解具象化的场景，而不是抽象的数据；

（02）数据本身没有观点，分析时不能预设观点，只倾向于那些能够支持自己的观点的数据；

（03）数据具备一定的时效性，不同情况下的数据，一些曾经的数据可能不再适用，需要找到新的数据指标。

总之，精确的数据无法替代大方向上的判断，不要过分迷恋数据，要做到具体问题具体分析，形成发现问题、分析问题、总结问题、解决问题的思路闭环。企业或组织可以根据自身情况选择适合的指标进行衡量和分析，以便更好地了解自身业务运营情况，制定决策和优化业务流程。