數據分析有哪些維度和指標

㈠ 數據分析指標有那些

用戶行為類指標

用戶行為指標是互聯網行業和傳統行業最大區別。傳統行業，用戶行為發生在門店裡，極難用數字化手段記錄，因此只有在發生交易時，才能記錄數據。

傳統企業的大部分數據都是交易數據。而互聯網行業依託小程序/H5/APP，能記錄用戶在每個頁面的點擊，相當於在網上店鋪的每一步動作都有記錄，因此能分析很多東西。

具體到指標上，可以套用AARRR模型，分模塊展開：

拉新：主要用於分析拉新的轉化效率與質量。拉新是很多互聯網公司最重要的任務，拉新成本是很多互聯網公司最大的成本支出，因此拉新關注度極高。

通過這些指標的分析，能讓負責商品運營的同事直觀看到商品暢銷/滯銷情況，從而調整商品進銷存計劃，避免商品積壓/缺貨。

注意，虛擬商品原則上是沒有庫存的（或者說庫存想設多少設多少）。但是濫發虛擬商品，又會引發互聯網中通貨膨脹與商品貶值。比如游戲里稀有皮膚賣的貴，是因為稀有才貴，為了短期收入搞大優惠，一但爛大街，反而大家都不稀罕了。

所以控虛擬商品的庫存，不是看商品動銷率或者在庫時間，而是看GMV整體目標。在達成GMV整體目標情況下，高中低端商品保持一個穩定的庫存結構，避免爛大街。

㈡ 你知道互聯網業務數據分析常用指標有哪些嗎

常用的數據指標包括三方面：用戶數據、行為數據、業務數據，串成一句話即是：誰，幹了什麼，結果如何

可從用戶來源、用戶存量、用戶增量、用戶健康度四個常用維度去看
用戶來源 ：指用戶來源的渠道，比如：網路自然搜索、網路關鍵字投放、搜狗、微信等
用戶存量 ：指日活DAU（Daily Active User，日活躍用戶數量）、月活MAU（Monthly Active User，月活躍用戶數量）等用戶活躍數據。註：需要說明的是MAU不等於各日的DAU之和，需要對用戶去重統計才有意義。
用戶增量 ：指新增用戶，定義新增用戶的流程節點和基於維度不同，統計出來的數據不同，在日常工作中，要和團隊明確統一定義的標准，降低溝通成本
用戶健康度 ：可用用戶留存率等指標衡量，關於留存率計算一般有三種演算法

可從訪問次數/頻率、訪問時長、訪問轉化、訪問跳出四個常用維度去看
訪問次數/頻率 ：可用PV（Page View，頁面瀏覽量）、UV（Unique Visitor，獨立訪客量）、訪問深度來呈現
PV指頁面訪問次數，UV指訪客人數
訪問深度 ：用來衡量用戶對產品的了解程度

訪問時長 ：可一定程度量化當前頁面內容對用戶的吸引程度。註：在處理訪問時長數據時，需要注意剔除一些非常大的值，避免用戶去做其他事情頁面沒關這種極端情況帶來的干擾
訪問轉化 ：指用戶訪問相關頁面後，轉化成注冊用戶、付費用戶的比率
訪問跳出 ：可用彈出率等指標衡量頁面對用戶的質量，註：彈出率是基於訪問次數的

可從業務總量、人均付費、人數、產品健康度四個常用維度去看
總量 ：一般會用GMV（Gross Merchandise Volume，成交總額）來度量，
人均付費 ：一般用ARPU（Average Revenue Per User，每用戶平均收入）/ARPPU（Average Revenue Per Paying User，每付費用戶帶來的平均收益）
人數 ：一般指付費人數
產品健康度 ：衡量大多數產品健康度，看其能帶來的收益，即可以用付費率、付費頻次等指標來衡量

上述具體指標，在實際工作中，要根據產品的具體形態調整。比如業務數據的指標，視頻產品一般就會採用觀看時長來衡量總量，觀看人數來度量人數這個指標

㈢ 數據質量與數據質量八個維度指標

數據質量與數據質量八個維度指標

數據的質量直接影響著數據的價值，並且直接影響著數據分析的結果以及我們以此做出的決策的質量。質量不高的數據不僅僅是數據本身的問題，還會影響著企業經營管理決策；錯誤的數據還不如沒有數據，因為沒有數據時，我們還會基於經驗和基於常識的判斷來做出不見得是錯誤的決策，而錯誤的數據會引導我們做出錯誤的決策。因此數據質量是企業經營管理數據治理的關鍵所在。

數據的質量可以從八個方面進行衡量，每個維度都從一個側面來反映數據的品相。八個維度分別是：准確性、真實性、完整性、全面性、及時性、即時性、精確性和關聯性。

我們在比較兩個數據集的品相的時候往往採用這種圖形表示。比如說，常規來講內部數據採集的准確性、真實性、完整性高，而全面性、及時性、即時性、精確性和關聯性方面取決於企業內部對數據的重視程度以及採用的技術手段的先進性有關；外部數據集，比如說微博數據、互聯網媒體數據等，其全面性、及時性和即時性都可以通過技術手段，如網路爬蟲等得到提高，但在准確性、真實性、精確性上難以保證，也難以控制，在關聯性方面取決於數據採集和挖掘的相關技術。

我們也可以用這個模型來衡量公司內部各個職能部門數據的品相。下圖是個示意，通過數據質量8大指標的評價，我們可以對企業內部數據治理有針對性地採取措施去提高企業的數據質量。

數據的准確性

數據的准確性（Accuracy）是指數據採集值或者觀測值和真實值之間的接近程度，也叫做誤差值，誤差越大，准確度越低。數據的准確性由數據的採集方法決定的。

數據的精確性

數據的精確性（Precision）是指對同一對象的觀測數據在重復測量時所得到不同數據間的接近程度。精確性，也可以叫精準性。精確性與我們數據採集的精度有關系。精度高，要求數據採集的粒度越細，誤差的容忍程度越低。

測量人的身高，我們可以精確到厘米，多次測量差異只會在厘米級別；測量北京到上海的距離，我們精確到公里，多次測量結果間的差異會在公里級別；採用游標卡尺測量一個零件的厚度，可以精確到1/50毫米，多次測量的結果間的誤差也只會在1/50毫米間。採用的測量方法和手段直接影響著數據的精確性。

數據的真實性

數據的真實性，也叫數據的正確性（Rightness）。數據的正確性取決於數據採集過程的可控程度，可控程度高，可追溯情況好，數據的真實性容易得到保障，而可控程度低或者無法追溯，數據造假後無法追溯，則真實性難以保證。

為了提高數據的真實性，採用無人進行過程干涉的智能終端直接採集數據，能夠更好地保證所採集數據的真實性，減少人為干預，減少數據造假，從而讓數據更加正確地反應客觀事物。

數據的及時性

數據的及時性（In-time）就是數據能否在需要的時候得到保證。我們月初會對上個月的經營和管理數據進行統計匯總，這些數據能否及時處理完成，財務能否在月度關賬後及時核算。數據的及時性是我們數據分析和挖掘及時性的保障。如果公司的財務核算復雜，核算速度緩慢，上個月的數據在月中才能統計匯總完成，等需要調整財務策略的時候，已經到了月底了，一個月已經快過完了。特別是公司做大了之後，業務覆蓋多個市場、多個國家，數據不能及時匯總，會影響到高層決策的及時程度。

數據的及時性與企業數據處理的速度和效率有直接的關系，為了提高數據的及時性，越來越多的公司採用管理信息系統，並在管理信息系統中附加各種自動數據處理功能，能夠在數據上傳系統之後自動完成絕大部分報表，從而保證數據處理的效率。計算機自動處理中間層數據是提高企業數據處理效率的有效手段。

除了保證數據採集的及時性和數據處理的效率問題外，還需要從制度和流程上保證數據傳輸的及時性。數據報表完成了，要及時或者在要求的時間范圍內發送到指定的部門，或者上傳到指定的存儲空間。

數據的即時性

數據的即時性是指數據採集時間節點和數據傳輸的時間節點，一個數據在數據源頭採集後立即存儲，並立即加工呈現，就是即時數據，而經過一段時間之後再傳輸到信息系統中，則數據即時性就稍差。

微博的數據採集，當用戶發布了微博，數據立即能夠被抓取和加工，會生成即時微博數據報告，並隨著時間推移，數據不斷變化，我們可以稱作是即時採集和處理的。一個生產設備的儀表即時反應著設備的溫度、電壓、電流、氣壓等數據，這些數據生成數據流，隨時監控設備的運行狀況，這個數據可以看作是即時數據。而當設備的即時運行數據存儲下來，用來分析設備運行狀況與設備壽命的關系，這些數據就成為歷史數據。

數據的完整性

數據的完整性是從數據採集到的程度來衡量的，是應採集和實際採集到數據之間的比例。一條信息採集12個數據點，如我們採集員工信息數據的時候，要求填寫姓名、出生日期、性別、民族、籍貫、身高、血型、婚姻狀況、最高學歷、最高學歷專業、最高學歷畢業院校、最高學歷畢業時間等12項信息，而某一員工僅僅填寫了部分信息，如只填寫了其中的5項，則該員工所填寫數據的完整性只有一半。

一個公司數據的完整性體現著這個公司對數據的重視程度。要求採集數據而實際上並未完整採集，只採集了一部分，這就是不完整的，往往是公司對數據採集質量要求不到位導致的。公司要求每個人都填寫完整的個人信息表，而有部分員工拒絕填寫，公司2000員工，只有1200人填寫了完整的個人信息表，則這個數據集就是不完整的。

另外，對於動態數據，我們可以從時間軸上去衡量數據採集的完整性。比如，我們要求每小時採集一次數據，每天會形成24個數據點，記錄為24條數據，但是員工瀆職，只記錄了20次，那麼這個數據集也是不完整的。

數據的全面性

數據的全面性和完整性不同，完整性衡量的是應採集和實際採集的差異。而全面性指的是數據採集點的遺漏情況。比如說，我們要採集員工行為數據，我們只採集了員工上班打卡和下班打卡的數據，上班時間的員工行為數據並未採集，或者沒有找到合適的方法來採集。那麼，這個數據集就是不全面的。

我們描述一個產品的包裝，僅僅描述了產品包裝的正面和背面，沒有記錄產品包裝的側面，則就是不全面的。我們記錄一個客戶的交易數據，我們只採集了客戶訂單中的產品、訂單中產品的價格和數量，而沒有採集客戶送貨地址、采購時間，這個數據採集就是不全面的。

騰訊QQ和微信的用戶數據記錄了客戶交流溝通的數據；阿里和京東的用戶數據記錄了用戶的購買交易數據；網路地圖記錄了用戶出行的數據；大眾點評和美團記錄了客戶餐飲娛樂的數據。對於全面描述一個人的生活的衣食住行各方面，這些公司的數據都是不全面的，而如果把他們的數據整合起來，則會形成更加全面的數據。所以說，數據的全面性說一個相對的概念。過度追求數據的全面性說不現實的。

數據的關聯性

數據的關聯性是指各個數據集之間的關聯關系。比如員工工資數據和員工績效考核數據是通過員工這個資源關聯在一起來的，而且績效數據直接關繫到工資的多少。采購訂單數據與生產訂單數據之間通過物料的追溯機制進行關聯，而生產訂單又是由員工完成的，即通過員工作業數據與員工信息數據關聯起來。

其實，我們本書探討的企業大數據，每個數據集都是相關關聯的，有些是直接關聯的，比如員工工資數據和員工績效數據，有些是間接關聯的，比如說物料采購訂單數據與員工工資數據。這些數據的關聯關系是由公司的資源，包括人、財、物和信息等，連接起來的。如果有任何的數據集不能連接到其他的數據集，就會存在數據割裂或者數據孤島。數據割裂和數據孤島是企業數據關聯性不足導致的。而數據的關聯性直接影響到企業數據集的價值。

㈣ 什麼是指標、維度、度量

維度是描述事情的角度，依賴於指標，例如：年份是時間維度，北京是地理維度，月活是業務維度。
指標是一數值或者比例，通過某種計算得到的，用來衡量業務。例如好評量、好評率、增長率。
維度是用來說明數據，即對象的描述性屬性或特徵。例如，寬度指的是用戶群的覆蓋范圍大小。
1、指標
指標，用於衡量事物發展程度的單位或方法，它還有個IT上常用的名字，也就是度量。例如：人口數、GDP、收入、用戶數、利潤率、留存率、覆蓋率等。很多公司都有自己的KPI指標體系，就是通過幾個關鍵指標來衡量公司業務運營情況的好壞。
指標需要經過加和、平均等匯總計算方式得到，並且是需要在一定的前提條件進行匯總計算，如時間、地點、范圍，也就是我們常說的統計口徑與范圍。
指標可以分為絕對數指標和相對數指標，絕對數指標反映的是規模大小的指標，如人口數、GDP、收入、用戶數，而相對數指標主要用來反映質量好壞的指標，如利潤率、留存率、覆蓋率等。我們分析一個事物發展程度就可以從數量跟質量兩個角度入手分析，以全面衡量事物發展程度。
剛才說過，指標用於衡量事物發展程度，那這個程度是好還是壞，這就需要通過不同維度來對比，才能知道是好還是壞。
2、維度
維度：是事物或現象的某種特徵，如性別、地區、時間等都是維度。其中時間是一種常用、特殊的維度，通過時間前後的對比，就可以知道事物的發展是好了還是壞了，如用戶數環比上月增長10%、同比去年同期增長20%，這就是時間上的對比，也稱為縱比;
另一個比較就是橫比，如不同國家人口數、GDP的比較，不同省份收入、用戶數的比較、不同公司、不同部門之間的比較，這些都是同級單位之間的比較，簡稱橫比;
維度可以分為定性維度跟定量維度，也就是根據數據類型來劃分，數據類型為字元型(文本型)數據，就是定性維度，如地區、性別都是定性維度;數據類型 為數值型數據的，就為定量維度，如收入、年齡、消費等，一般我們對定量維度需要做數值分組處理，也就是數值型數據離散化，這樣做的目的是為了使規律更加明 顯，因為分組越細，規律就越不明顯，最後細到成最原始的流水數據，那就無規律可循。
最後強調一點，只有通過事物發展的數量、質量兩大方面，從橫比、縱比角度進行全方位的比較，我們才能夠全面的了解事物發展的好壞。

㈤ 數據分析的幾個維度

數據分析需要5個維度。分別是用戶維度、運營維度、產品維度、市場維度、經營者維度。從這茄鎮慧幾個維度出發對數據進行一個全面的分析，所謂維度，即事物旅缺的某種特徵，比如：時間、性別、地區等。顫答

㈥ 數據分析包括哪些方面

1. Analytic Visualizations(可視化分析)不管是對數據分析專家還是普通用戶，數據可視化是數據分析工具最基本的要求。可視化可以直觀的展示數據，讓數據自己說話，讓觀眾聽到結果。

2. Data Mining Algorithms(數據挖掘演算法)可視化是給人看的，數據挖掘就是給機器看的。集群、分割、孤立點分析還有其他的演算法讓我們深入數據內部，挖掘價值。這些演算法不僅要處理大數據的量，也要處理大數據的速度。

3. Predictive Analytic Capabilities(預測性分析能力)數據挖掘可以讓分析員更好的理解數據，而預測性分析可以讓分析員根據可視化分析和數據挖掘的結果做出一些預測性的判斷。

4. Semantic Engines(語義引擎)我們知道由於非結構化數據的多樣性帶來了數據分析的新的挑戰，我們需要一系列的工具去解析，提取，分析數據。語義引擎需要被設計成能夠從“文檔”中智能提取信息。

5. Data Quality and Master Data Management(數據質量和數據管理)數據質量和數據管理是一些管理方面的最佳實踐。通過標准化的流程和工具對數據進行處理可以保證一個預先定義好的高質量的分析結果。

㈦ APP數據指標體系的維度包括哪些

APP的數據指標體系主要分為五個維度，包括用戶規模與質量、參與度分析、渠道分析、功能分析以用戶屬性分析。
用戶規模和質量維度主要是分析用戶規模指標，這類指標一般為產品考核的重點指標。

參與度分析主要分析用戶的活躍度。

渠道分析主要分析渠道推廣效果。

功能分析主要分析功能活躍情況、頁面訪問路徑以及轉化率。

用戶屬性分析主要分析用戶特徵。

㈧ app數據分析的五大維度是什麼

比如，當下用戶活躍程度，新增用戶指標，用戶組成的指標，用戶存留率多少，每一位用戶總活躍天數的統計等等，都是要有一個詳細的了解才是。只有這樣才能更好的檢驗app經營推廣的效果，尤其是新增用戶數占據的比例多少可以展現出app運營的健康狀況，一旦出現新增用戶降低，說明app推廣上出現了問題，作為運營者得想辦法解決了。

②對參與度的合理分析

如何對參與度進行分析其實並不難，它主要是指app在線啟動次數指標，在線使用時長，訪問頁面，使用時間間隔等等。其中app在線使用時長加上啟動次數和活躍數可以多維度的展示用戶對產品的參與程度。

③渠道分析也必不可少

其實對app推廣渠道的分析，真正的用意是研究推廣所引入的客戶是否是真人在使用，如果是機器刷出來的只能算作是刷量的，沒有實際意義。

④app自身功能分析

app功能分析也是五大app數據分析維度中必不可少的一部分，所謂的功能分析主要從app功能活躍程度，新功能上線測試效果，頁面訪問路徑、客戶屬性、成功交易等路徑進行分析。

⑤客戶屬性分析

所謂的客戶屬性的分析，是針對性最強大的一個類型。如app設備終端分析，網路和運營商分析，客戶所在地域分析，用戶畫像分析，自然屬性和商業屬性分析等方面，都能夠測試出目標客戶對app產品的關心力度。