在互聯網公司，進行設計方案評審的時候總會聽到一些這樣的聲音“拿數據說話”。數據驅動設計也不無道理，在一定程度上，數據能揭示出產品用戶的行為和習慣，通過這些關鍵數據也能幫助和改進產品設計方案。同時，站在公司或產品經理的角度，他們都會關注一些關鍵數據指標，如轉化率，留存率，日活，月活等。那什么樣的數據指標是值得我們去關注的，并且能幫助企業(yè)或者產品找到自己的市場和改進的方向。在《精益數據分析》一書中，作者講到關于好的好的數據指標的一些準則。

　　一.什么是好的數據指標?

　　1.好的數據指標是可比較性的：如果能比較某數據指標在不同的時間段，用戶群體，競爭產品之間的表現，可以幫助我們更好的洞察產品的實際走向。如某醫(yī)療APP本周的患者購藥率比上周高，通過不同時間段的對比，可以找出“高”的原因。

　　2.好的數據指標是簡單易懂的：團隊或公司其他同事都能輕易的記住或討論這個指標。如用戶增長率。

　　3.好的數據指標是一個比率：比率之所以是最佳的數據指標，有以下原因：

　　原因1：比率的可操作性強，是行動的向導：如開車時的速度(距離/小時)，速度就是一個比率，我們可以通過改變速度來操控到達目的地的時間。

　　原因2：比率是天生的比較性指標：如通過對比每月新增用戶率來判斷產品的用戶是否在穩(wěn)步上升。

　　原因3：比率還適合用于比較各種因素間的正相關和負相關：如滴答清單APP產品采用的是免費+收費的模式，那會面臨一個選擇，為了吸引用戶是否在免費版本中加入足夠豐富的功能，還是將這些豐富的功能保留在付費版本中，以促使用戶進行付費行為。

　　4.好的數據指標會改變行為：剛剛可以通過一些“試驗指標”來進行測試，并幫助產品進行優(yōu)化，定價和市場定位。比如：如一半以上的用戶反饋，不會為滴答清單中“日歷小部件”進行付費，可以決定不去開發(fā)該功能或將該功能放入免費版本。

　　一個好的數據指標之所以能改變商業(yè)行為，是因為它與你的產品目標是一致的：保留用戶，鼓勵口碑傳播，有效獲取新用戶或創(chuàng)造營收。

　　二.如何找到正確的數據指標?

　　1.定性指標和量化指標：

　　定性指標：通常是非結構化的，經驗性的，揭示性的，難以歸類的。

　　量化指標：涉及很多數值和統計數據，提供可靠的量化結果，但缺乏直觀的洞察。量化數據使用方便，具有科學性，也易于歸類，外推。如電影評分，點贊數等量化數據。

　　如果定量數據回答的是“什么”和“多少”這樣的問題，那定性數據則是回答“為什么”。定量數據排斥主觀因素，定性數據吸納主觀因素。

　　2.虛榮指標和可付諸行動的指標：

　　虛榮指標：如果你有一個數據，卻不知道如何根據它采取行動，就是虛榮指標。需要利用數據揭示信息，指明方向，幫助產品改進商業(yè)模式，決策下一步的行動，這才是“數據驅動決策”。文章中提到的8個需要提防的虛榮指標：點擊量，頁面瀏覽量，訪問量，獨立訪客數，粉絲/好友/贊的數量，網站停留時間/瀏覽頁數，收集到的用戶郵件地址數量，下載量。

　　可付諸行動的指標：是“活躍用戶占總用戶的百分比”(活躍用戶占比)。這個指標揭示了產品的用戶參與度。如果產品作出調整，這個指標上升，那就可以按照調整的方向繼續(xù)迭代。另一個可以關注的指標是“單位時間內新增用戶數量”(新用戶增速)，它對于比較不同營銷手段的優(yōu)劣往往很有幫助。

　　3.探索性指標和報告性指標：

　　探索性指標：是推測性的，提供原本不為所知的洞見，幫助你在商業(yè)中取得先手優(yōu)勢。

　　報告性指標：適合對公司的日常運營，管理性活動保持信息通暢，步調一致。

　　4.先見性指標和后見性指標：

　　先見性指標：可用于預測未來。如透過“銷售漏斗”中現有的潛在客戶數，能大致預測將來能獲得的新客戶數。比如某產品一段時間內的用戶投訴量，可以作為用戶流失的先見性指標，如果投訴量繼續(xù)增加，用戶放棄使用你的產品或服務的概率就增大，因此，該指標可以幫助了解產品和服務的真實情況。

　　后見性指標：揭示當前存在的問題。如用戶流失(某一時間段內離開產品或服務的客戶量)。流失的客戶多半是找不回來，但是可以通過這一指標幫助產品降低產品用戶流失率。

　　5.相關性指標和因果性指標：

　　相關性和因果性指標：即兩個或多個以上的指標有相關性，發(fā)現相關性可以幫助你預測未來，而發(fā)現因果關系意味或可以改變未來。通常，因果關系不是簡單的一對一的關系，很多事情都是多因素共同的結果。想要證明一個因果關系的指標：找到一個相關性指標，進行控制變量實驗并測量因變量的變化。但是這種測試需要考慮足夠大的用戶樣本。

　　在數據分析中，通常會通過測試的方法來證明某種改變是否合理。這種測試通常是比較兩個樣本的不同，常用方法有市場細分，同期群分析，A/B測試和多變量測試

　　1.市場細分：擁有共同特征的用戶人群。

　　2.同期群分析：比較相似群體隨時間的變化。產品會隨著開發(fā)和測試的不斷迭代，這就導致了產品發(fā)布第一周加入的用戶和后來加入的用戶有不同的用戶體驗。每個用戶都有生命周期，在這期間不停地對商業(yè)模式進行調整，這對用戶流失率會有什么影響，通過同期群分析就可以尋找答案。同期群分析能夠觀察處于不同生命周期不同階段的用戶的行為模式。這種分析方法適用于營收，客戶流失率，口碑病毒式傳播等數據指標。

　　3.A/B測試：假設其他條件不變，僅考慮體驗中某一屬性對于被試用戶的影響。如“立即試用”和“免費試用”的差別。這種方法比較適用于用戶流量巨大的大型網站(微軟，谷歌)

　　4.多變量測試：如果沒有大的用戶流量，則需要考慮同時對多個屬性進行測試