商业数据模型
收入=用户总量 * 付费率 * ARPU值（客单价=平均客单价*单位日期内平均购买单数）
产品数据模型
产品指标：基于产品的流程和页面级别来衡量产品的指标，如反应速度，流程是否合理
PR（页面级别）的概念
用户指标：通过衡量用户的行为和动作指标，来评估用户活跃度和质量
一些常用的数据指标：
PV：（page-view）：即页面浏览量；用户每一次对网站中的每一个网页访问均被记录1次，用户对同一页面的多次访问，访问量累计。
UV（user-view）：即独立访客，访问网站的一台电脑客户端为一个访客。
Duration：一次访问的持续时长，也叫停留时间。
Bounce Rate：即跳出率；是指在只访问了入口页面（例如首页）就离开的访问量与所产生总访问量的百分比。
页面渗透率：分流到本站点下游页面的pv/本页pv数
referral：指从其他网站点过来的链接，比如友情链接等，这类来源通常是免费的。
AU（Active Users）活跃用户：用户登陆产品记为一次
DAU（Daily Active Users）日活跃用户：每日登陆过的用户数，一般从后台抓取
WAU（Weekly Active Users）周活跃用户：七天内登陆过的用户数
MAU（Monthly Active Users）月活跃用户：30天内登陆过的用户数
AT（Daily Avg. Online Time）日均使用时长：活跃用户平均每日在线时长
AT=日总在线时长 / DAU
DNU（Daily New Users）每日注册并登陆的用户数：直接从后台抓取即可
PCU（Peak Concurrent Users）最高同时在线用户人数：统计周期内，同一时点（通常精确至分）的最高在线人数
ACU（Average Concurrent Users）平均同时在线用户人数：统计周期内，每个时点（通常精确到分）的平均在线人数
ACU=DAU * AT / 时间精度
EC（Engagement Count）用户登录频率：统计周期内平均每用户登录的总次数
根据统计周期不同，通常每日登录频率统计的是登录次数；周及月的登录频率统计的是登录天次（一天登录多次记为一次）
对于不同产品，活跃度的标准不一样，可以根据需要细分定位——轻度用户、中度用户、重度用户、忠诚用户等。
流失、留存：
观察流失用户的状态、流失前行为来判断产品可能存在的问题。
ULR（Users Leave Rate）用户流失率：统计当日登录过产品的用户，但在随后N日内未登录的用户数/统计日DAU
日流失率：统计当日登陆过产品的用户，次日未登陆的用户数/统计日DAU
周流失率：统计当周登陆过产品，之后下一周未登陆的用户数/WAU
月流失率：统计当月登陆过产品，下一月未登陆的用户数/MAU
OSUR（One Session User Rate）一次会话用户占比：新登录用户中只有一次会话的用户占比，主要衡量新用户的质量
DRR（Daily Retention Rate）日留存率：统计当日登录过产品的用户，在之后N日内至少登录一次的用户数/统计日DAU
WRR（Weekly Retention Rate）周留存率：统计当周登录过产品的用户，且下一周至少登录一次的用户数/WAU
MRR（Monthly Retention Rate）月留存率：统计当月登录过产品的用户，且下一月至少登录一次的用户数/MAU
次日留存率：统计当日登录过产品的用户，次日依旧登录的用户数/统计日DAU
回归率：曾经流失，重新登录产品的用户数占流失用户的比例
回归用户：曾经流失，重新登录产品的用户数
流失用户池：过去一段时间内流失的用户数
回归率 = 回归用户 / 流失用户池
收益：
产品盈利能力的综合评价。
PUR（Pay User Rate）付费比率：统计周期内，付费账号数占活跃账号数的比例，一般以自然月或自然周为单位进行统计
广度，更多的人付费
PUR = APA / AU
APA（Active Payment Account）活跃付费账用户数：统计周期内，成功付费的用户数
APA = AU * PUR
ARPU（Average Revenue Per User）平均每用户收入：统计周期内，活跃用户对产品产生的平均收入
ARPU = Revenue / AU
ARPU = ARPPU * PUR
ARPPU (Average Revenue Per Paying User)平均每付费用户收入：统计周期内，付费用户对产品产生的平均收入
深度，付更多的钱
ARPPU = Revenue / APA
LTV（Lift Time Value）生命周期价值：平均一个新增用户在其生命周期内（第一次登录到最后一次登录），为该产品创造的收入总计
LTV_N ： 统计周期内，一批新增用户在其首次登入后N天内产生的累计收入/ NU（新用户）
用于衡量渠道导入用户的回本周期，回本率=LTV_N/CPL（导入成本）
以上数据可以根据需要进行拆解、合并，比如流失付费用户数、回归付费用户数、新增付费用户数、新增活跃用户数等等
渠道数据分析
- 量化（）转化的每一步，首先找到衰减的步骤
- 关注全部UV，和跳出率和人均pv量（网站使用深度）
- 用质量和数量做一个4象限分布，针对相应的情况做优化，例如，质量和数量处在第一象限的，可以想办法降低获取成本。
- 通过A/B测试，可以得出转化率较高的设计。
APP留存分析
- 通过分析完成某些动作行为的用户的留存情况，再与所有用户的留存情况做一个对比，可以分析出哪些用户行为应该得到鼓励。
