pv量的定义(pv量的指标定义)

操作与数据分析密不可分。对业务的洞察决定了数据分析结果的上限，而数据技是接近它。

每个产品和运营商都应该洞察业务指标，希望通过本文，让新人对业务指标的分析有一个一般的框架。文章的内容会给你「宽」和「泛」希望对新人有帮助，老人一笑而过。

用户获取

用户获取是操作的开始。用户接近线性思维或固定过程：用户接触-用户认知-用户兴趣-用户行动/下载。每个过程涉及多个数据指标。

渠道到达量

俗称曝光，即有多少用户浏览产品推广页面。它可以在应用商店、朋友圈和搜索引擎中曝光。只要有流量，就会有渠道曝光。

曝光率是一个非常虚荣的数字。想想现代人每天需要接触多少信息？有多少促销活动最终能吸引用户？更多时候，渠道到达量与营销推广费挂钩，但与效果相差甚远。

广告和营销也将考虑推广带来的品牌价值。虽然用户没有点击或与产品互动，但用户知道有这样一件事会不知不觉地影响用户未来的决策。然而，品牌价值难以量化。在广告计算中，该系统只将用户的行为归因于最新的广告曝光。

广告点击量称为CTR，除了广告，广告点击量/广告浏览量也应用于各种推荐系统的评价。

渠道转化率

由于广告已经曝光，用户应该采取行动，转化率是应用最广泛的指标。行业将转化率与成本相结合CPM，CPC，CPS，CPD，CPT等。

CPM（Cost Per Mille）传统媒体更倾向于采用每千人的成本，根据有多少人看到广告收费。CPM推广效果取决于印象，用户可以浏览或忽略，因此适合在各种门户或大流量平台上使用Banner展示品牌形式。CPC（Cost Per Click）对于广告商来说，这个比率是指每个用户的点击成本和点击定价CPM土豪作派理性多了。也有很多人会想，CPC不公平，虽然用户没有点击，但曝光带来了品牌的无形价值，这是广告空间供应商的损失。CPA（Cost Per Action）指按用户行为计价的每个行动成本，可以下载或购买订单。CPA收入高于前两者，风险大得多，对需求方有利，对供应商不利。

以上三种是常见的推广方式，CPT按时间，CPS和CPS算在CPA范围内。渠道推广是一个依赖技术的行业。用户肖像越准确，内容与用户匹配就越多，就越容易产生收入。

还有一个指标eCPM（effective cost per mille），每1000次展示可以获得收入，这是广告商估计自己收入的指标。

渠道ROI

ROI它是一个广泛适用的指标，即投资回报率。

营销和经营活动是企业利润的起点，通过利润/投资量化目标。利润的计算涉及财务，往往以更简单的收入为分子。当运营活动ROI大于1，说明活动成功，能赚钱。

除了收入，ROI也可以推广到其他指标，有些产品的商业模式不清楚，不能赚钱，所以收入将被其他定量指标所取代。例如，注册用户的数量，这客户获取的成本。

日应用下载量

App需要下载，这是一个中间状态，如果你不注意这个链接也会失去很多用户。应用商店的产品介绍和推广副本都会受到影响。一些通常是数百米的产品，通常在第一次启动应用程序时以补丁的形式安装部分，如各种游戏，害怕长时间的下载会导致玩家的损失。

第三方平台下载用户注册App，这一步的数据很容易出错，主要是因为用户不匹配。技术上是唯一的设备ID匹配。

日新增用户数量

新用户数是用户获取的核心指标。

新用户可以进一步分为自然增长和推广增长。自然增长可以是用户邀请和用户搜索带来的用户，而推广是运营商在强大控制下增长的用户数量。前者是慢炖的优化，后者是炒菜营销。

用户获取客户的成本

用户获取必然涉及成本，这是运营新手最容易忽视的。获取新用户，操作应该知道什么

客户获取成本应与新用户的财务直接相关，如推送成本、新用户礼品等。但整个产品的运营成本不应包括在内。面对客户获取成本，微信粉丝为10~20元，产品根据不同业务形式的价格差异很大。金融产品，有效用户成本超过四位数，非常夸张。该行业的整体客户获取成本仍在上升。

会话用户数

会话用户是指下载新用户App，产品只打开一次，使用时间不到2分钟。这类用户很可能是黑色产品或机器人，甚至不是羊毛派对。

这是产品推广的灰色地带，通过各种技术刷，获得虚假点击量以获取利润。该指标属于监管风险控制指标。

用户活跃

用户活动是运营的核心阶段，无论是移动终端、网页终端还是微信终端，都有相关指标。另一方面，数据分析越来越关注用户行为，这是一种精细化的趋势。

日活跃用户/月活跃用户

行业默认的活跃标准是用户使用过产品。从广义上讲，网页浏览内容被计算出来「用」，在微信官方账号下单「用」，不限于打开APP。这部分可以参考我之前的文章《用户操作，如何做好活跃用户的数据分析》。

活动指标是用户操作的基础，可以进一步计算活动率：活动用户在一定时间内占用总用户的比例。根据时间维度，每日活动率DAU、周活跃率WAU和月活跃率MAU。活跃用户数量衡量产品的市场容量和活跃率，取决于产品的健康。

仅仅打开产品可以作为产品健康的衡量标准吗？答案是否定的。成熟的操作系统将活跃用户细分为新用户、活跃用户、忠诚用户、非活跃用户、丢失用户、回流用户等。丢失的用户长期不活跃，忠诚的用户长期活跃，回流的用户不活跃或丢失，然后再次打开产品。

通过不同的活动状态，将产品用户划分为几个群体，不同的群体构成了产品的总用户数量。健康产品，用户损失比例不应过大，新用户数量大于用户损失。

PV和UV

PV早期是互联网Web网站时代的指标也可以理解为活跃的网页版本。PV（PageView）是页面浏览量，用户在网页上的访问请求可以看作是一个PV，用户看了十个网页，PV为10。

UV（Unique Visitor）访问网页的人数在一定时间内，独立访问的官方名称。同一天，无论用户访问了多少页面，他都只是一个独立的访问者。如何确认用户是否是同一个人？技术上通过网页缓存cookie或者IP判断。如果两者发生变化，用户将被视为新访客。

PV和UV这是一个非常古老的概念，但数据分析不能绕过它们。除了浏览产品上的每个页面外，微信等第三方平台上的各种营销活动只能通过Web页实现，PV和UV需要发光发热。

需要注意的是，微信浏览器不会长期保留cookie，手机端的IP基于这一统计，它也在发生变化。UV会有误差(不是大问题，只是uv新访客误差较大)。这里可以通过微信提供openid取代cookie作为uv基准，需要额外的技术支持。

用户会话次数

也叫用户会话session，它是用户在时间窗口中的所有行为集合。用户打开App，搜索商品，浏览商品，下单付款，最后退出，整个过程算作会话。

会话时间窗口没有硬性标准，网页端约定用户无论做什么都属于30分钟内的会话。30分钟以上，最好出去吃饭再操作，或者重新打开，这是第二次会话。

默认情况下，移动端的时间窗口为5分钟。

结合用户会话次数和活跃用户数，可以判断用户的粘性。如果每日活跃用户数为100，每日会话次数为120，则表明大多数用户只访问产品一次，产品不粘。

用户会话依赖于埋点收集，不记录用户的操作，无法知道用户行为从哪里开始和结束。另一方面，用户会话是用户行为分析的基础。

用户访问时间

顾名思义，用户访问时间是会话的持续时间。不同产品类型的访问时间不同，社交网络必须比工具产品更长，内容平台必须比金融管理更长。如果分析师发现大多数内容产品的访问时间只有几十秒，那么最好分析原因。

功能使用率

除了积极关注外，操作和数据分析师还应该关注产品的重要功能。如收藏、拇指、评论等，这些功能与产品的开发和用户使用的深度有关，不喜欢用户每天打开产品，但不再做任何事情。

功能利用率也是一个非常广泛的范围，如用户浏览一篇文章，所以有多少用户评论，有多少用户拇指，可以使用拇指率和评论率这两个指标，然后看到不同的文章拇指率和评论率是否不同，拇指率和评论率是否有助于内容操作，这些属于功能利用率。另一个例子是视频网站，核心功能利用率是视频播放量和视频播放时间。

微信微信官方账号指标可以单独说，也可以作为产品功能的延伸。图文交付率、转换分享率、二次转换分享率、关注者增量等与本文其他指标一脉相承。只是第三方数据不方便，更多的分析依赖于假设。

用户留存

假如说活跃数和活跃率是产品的市场规模和健康状况，那么用户保留就是产品能够可持续发展。

留存率

用户在一段时间内使用产品，一段时间后继续使用，称为留存用户。 = 用户/仍在使用的用户/ 最初的总用户量。

在当今的互联网行业，保留比新的和活跃的指标更多，因为移动人口红利消失了，用户越来越难以获得，竞争也越来越激烈。如何留住用户比获得用户更重要。

假设有一天有1000个新用户，第二天仍有350个活跃用户，那么第二天的留存率是35%。如果第七天仍有100个活跃用户，则7天的留存率为10%。

Facebook有一个著名的40-20-10法则，即新用户第二天的留存率为40%，第七天的留存率为20%，第三十天的留存率为10%。有这种表现的产品数据比较好。

以上案例都围绕新用户展开，另一种保留率是活跃用户保留率或老用户保留率，即活跃用户在一定时间后仍然活跃的比例。它更多的维度是每周保留和每月保留。

新的保留率和活动率是不同的。新的保留率与产品的新手指导和各种福利有关，而活跃的保留率与产品氛围、运营策略和营销方法有关看重产品和运营的水平。

用户流失率

用户流失率和留存率恰好相反。如果某产品新用户的次日留存为30%，那么反过来说明有70%的用户流失了。

流失率在一定程度能预测产品的发展，如果产品某阶段有用户10万，月流失率为20%，简单推测，5个月后产品将失去所有的用户。这个模型虽然简陋，用户回流和新增等都没有考虑，但是它确实反应了产品未来的生命周期不容乐观。

这里可以引出一个公式，生命周期 = （1/流失率）*流失率的时间维度。它是经验公式，不一定有效。

产品的流失率过高有问题么？未必，这取决于产品的背景形态，某产品主打婚礼管理工具，它的留存率肯定低，大多数用户结婚后就不用。但这类产品一定有生存下去的逻辑。旅游类的应用也是，用户一年也打开不了几次，但依旧能发展。

退出率

退出率是网页端的一个指标。网页端追求访问深度，用户在一次会话中浏览多少页面，当用户关闭网页时，可认为用户没有「留存」住。退出率公式：从该页退出的页面访问数/进入该页的页面访问数，某商品页进入PV1000，该页直接关闭的访问数有300，则退出率30%。

跳出率是退出率的特殊形式，有且仅浏览一个页面就退出的次数/访问次数，仅浏览一个页面意味着这是用户进入网站的第一个页面，俗称落地页LandingPage。

退出率用于网页结构优化，内容优化。跳出率常用于推广和运营活动的分析，两者容易混淆。

营销

营销也有自己的数据体系，互联网的数据体系就是脱胎于此才发展出AARRR框架。产品的发展模式有两种，如果一款产品能够在短时间获得百万用户，AARRR框架更适合它；如果一款产品从第一个用户起即有明确的商业模式，也能尝试套用市场营销的概念。

用户生命周期

用户生命周期来源于市场营销理论，旧称客户生命周期。

它有两种含义,一种是针对用户个体/群体的营销生存窗口。用户会随时间推移发生变化，这种变化带来无数营销机会，对市场和企业是机遇。如怀胎十月,它就是一个生命周期为十月的营销窗口，企业会围绕这时期的用户建立特定营销。搬家，大学毕业，买房等都具有典型的周期特征。

另外一种是用户关系管理层面的生命周期，它对运营人员更重要。产品和用户的业务关系会随着时间推移改变。在传统营销中，分为潜在用户，兴趣用户，新客户，老/熟客户，流失客户。这几个层层递进的阶段和用户活跃很像。

对于一款母婴产品，我既要知道营销的生存窗口，即怀孕了几个月，因为孕早期和孕晚期的营销侧重点不一样，刚怀孕肯定是最合适的。也要知道用户本身和产品对应的关系，这位妈妈是新客户，还是曾经用过App但流失了。

营销数据分析中，最关键的环节就是新客户—流失客户这个阶段，一位用户能和产品互动多久，将决定产品的生命力。听起来和留存挺像的，上文提过的生命周期计算公式，就是脱胎于市场营销。

用户生命周期价值

生命周期价值是用户在生命周期内能为企业提供多少收益，它需要涉及财务定义。互联网行业更多提到生命周期，而不是生命周期价值，因为互联网的商业模式没有传统营销的买和卖那么简单明确。

举个例子，微信用户的生命周期价值能否计算？并不能，不论是广点通、游戏或者微信理财，都推导不出一个泛化的模型。但是部分产品，如金融和电商，生命周期价值是可计算的。

以互联网金融举例，某App提供理财和现金贷款两种业务，公司从这两个业务中获得收入通常是一个较稳固的比率，而成本支出平摊每个用户头上也是固定常数。所以利润就变成了用户理财和贷款的金额大小，以及生命周期的长短。这两者都是可估算的。

生命周期价值比生命周期重要，因为公司要活下去，就得赚更多的钱，而不是用户使用时间的长短。更多内容见《浅谈运营的商业逻辑：CAC和CLV》。

客户/用户忠诚指数

忠诚指数是对活跃留存的再量化。活跃仅是产品的使用与否，A用户和B用户都是天天打开App，但是B产生了消费，那么B比A更忠诚。数据往往需要更商业的指标描述用户，消费与否就是一个好维度。

我们可以用一个简化模型表示：

t是一个时间窗口，s代表消费次数，代表的距今某段时间内的消费次数。若时间窗口选择月，那么t=1是距今第1个月内的消费次数，t=2是距今第2个月内的消费次数，列举数据如下。

将消费次数代入s/（s+1），对数据进行转换，它的目的是收敛。以忠诚角度看，消费10次和消费100次的差异并不大，都属于很高且难以流失的用户，10/11和100/101的关系，并且有效规避极值。对于消费0次，1次，2次的用户，则对应0，0.5和0.66，在业务上也具备可解释性。

各月份求和得出的指数能反应用户在消费方面的忠诚。图例只是解释，实际应用过程中需要归一化，并且考虑时间权重：越近的消费肯定越忠诚。上述的模型在于简单，适合各类商业模式的早期分析，如金融投资，便可以计算用户每个季度的投资次数。

客户/用户流失指数

流失指数是对流失的再量化，它是忠诚指数的反面。流失率衡量的是全体用户，而为了区分不同用户的精细差异，需要流失指数。在早期，流失指数=1-忠诚指数。

流失指数和忠诚指数的具体定义能根据业务需要调整，比如忠诚按是否消费，流失按是否打开活跃，只要解释能站住脚。

在拥有足够的行为数据后，可以用回归预测流失的概率，输出[0,1]之间的数值，此时流失的概率便是流失指数。

客户/用户价值指数

用户价值指数是衡量历史到当前用户贡献的收益（生命周期价值是整个周期，包括未来），它是精细化运营的前提，不同价值的用户采取不同策略以最大化效果。

用户价值指数的主流计算方式有两种，一种是RMF模型，利用R最近一次消费时间，M总消费金额，F消费频次，将用户划分成多个群体。不同群体即代表了不同的价值指数。

第二种是主成分分析PCA，把多个指标转化为少数几个综合指标（即主成分），其中每个主成分都能够反映原始变量的大部分信息，且所含信息互不重复。

假设有一个旅游攻略网站，怎么界定优质的内容贡献者？用户的文章发布量？文章被点赞数？用户被关注数？文章好评数？文章更新频次？每个指标都挺重要的，主成分分析能囊括上述所有指标，将其加工成两到三个指标（通常是线性相关指标被合并）。这时再加工成价值指数则不难了。

上述各类指数，都是针对用户营销的明细数据。如何应用呢？最经典的是矩阵法，将指标划分出多个象限，如用户价值指数和用户流失指数。

对于用户价值高且流失指数高的用户，应该采取积极的唤回策略，对于用户价值低且流失指数高，那么考虑成本的平衡适当运营即可…这就是精细化运营的一个案例，也是市场营销多年来总结出的有效方法。

传播/活动

把传播和活动放到一起讲，它们是一体两面。

K因子

国外用得广泛的概念：每位用户平均向多少用户发出邀请，发出的邀请又有多少有效的转化率，即每一个用户能够带来几个新用户，当K因子大于一时，每位用户能至少能带来一个新用户，用户量会像滚雪球般变大，最终达成自传播。当K因子足够大时，就是快口相传的病毒营销。

国内的邀请传播，主体自然是微信朋友圈。微信分享功能和网页都是能增加参数统计的，不难量化。

病毒传播周期

活动、广告、营销等任何能称之为传播的形式都会有传播周期。病毒性营销强则强矣，除非有后续，它的波峰往往只持续两三天。这也是拉新的黄金周期。

另外一种传播周期是围绕产品的邀请机制，它指种子用户经过一定周期所能邀请的用户。因为大部分用户在邀请完后均会失去再邀请的动力，那么传播周期能大大简化成如下：假设1000位种子用户在10天邀请了1500位用户，那么传播周期为10天，K因子为1.5，这1500位用户在未来的10天内将再邀请2250位用户。

理论上，通过K因子和传播周期，能预测依赖传播带来的用户量，可实际的操作意义不大，它们更多用于各类活动和运营报告的解读分析。

用户分享率

现在产品都会内嵌分享功能，对内容型平台或者依赖传播的产品，分享率是较为重要的指标，它又可以细分为微信好友/群，微信朋友圈，微博等渠道。

有一点值得注意，数据只能知道用户转发与否，转发给谁是无法跟踪的。所以产品用物质激励用户分享要当心被薅羊毛。反正我转发都是给「文件传输助手」的…

活动曝光量/浏览量

传播和线上活动是息息相关的，这两者的差异不大。想要做好一个活动，单纯知道活动的浏览量是不够的，好的活动一定是数据分析出来的。以朋友圈最寻常见的红包营销举例。它的分析通过网页参数，如下：

aaa.com/activity/bigsales/?source=weixin&content=h9j76g&inviter=00001&timestamp=1495286598

问号后面的是网页参数，source=weixin说明网页是分享到微信的。content=h9j76g是页面具体内容，这里则是营销红包的类型。inviter=00001说明是哪个用户分享出去的，timestamp则是分享的具体时间戳。不同用户的分享页面有不同参数，按此作区分。

当这些页面被用户分享到朋友圈时，数据采集系统会记录所有页面的打开浏览。而页面参数则是活动精细化分析的前提。通过source=weixin，数据分析师知道了红包活动在微信的浏览量，相对应的还有QQ和微博。content则能看出用户喜欢哪个类型的红包，哪种红包被领取得多，成本又是多少。inviter则能看出平均每个分享者的分享页能带来多少浏览量。

参数越多，分析的维度就能越细，活动可优化的空间也越大。如果大家有心的话，可以看朋友圈（包括网页）各种活动的网页参数，观察其他产品的分析维度，它山之石可以攻玉，这是一个好习惯。

活动参与率

活动参与率衡量活动的整体情况，可以套用用户活跃的分析指标。

这个活动的参于人数（活跃数）多少？有多少老用户参与了这个活动？有多少新增用户因为这个活动来，传播类的活动分享数据怎么样？活动中的各个流程转化如何？活动带来多少新订单。其实，运营活动可以看作一个短生命周期的产品，产品的一切指标都能应用于其中。

好的活动应该机制化，把它融入到产品的功能机制中，比如滴滴打车的红包，美图饿了么的红包，都是从活动逐渐变成一种打法和抓手。更早期的各类网游，也是通过活动的推成出新成为了现在常态化的游戏功能。

活动的机制化，意味着数据要分析活动指标，发现优点以改进，之后同样常态化成报表：今天使用了多少红包，今天有多少用户因为活动新增，等等。

营收

产品，运营或者市场人员，从来不是为活跃、留存负责，而是商业，是企业的根本财务。数据分析也不是为了提高活跃和留存，而是像一个巨头的漏斗，最终将业务驱动于此，即回归商业的本质。

活跃交易用户数

从产品曝光到用户下载，用打开活跃到产生收入，产品的指标在一步步往商业靠拢，活跃交易用户则是核心指标。整个流程呈现漏斗状。

这里的交易，即是买方的消费，也包含卖方的供应。若平台包含B端和C端，则两端同等重要，均需要纳入数据体系。

和活跃用户一样，活跃交易用户也可以区分成首单用户（第一次消费），忠诚消费用户，流失消费用户等。细分交易数据和指标，关系到产品商业化的进展，所以是有必要的。其实到这个环节，各类指标已经更倾向用户画像，而非报表统计了。

活跃用户交易比，统计交易用户在活跃用户中的占比。当产品活跃用户足够多，但是交易用户少，此时的商业化是有问题的，俗称的变现困难，很多公司都倒在这一步。

GMV

成交总金额，只要用户下单，生成订单号，便可以算在GMV里，不管用户是否真的购买了。互联网电商更偏好这个指标。

成交金额对应的是实际流水，是用户购买后的消费金额。销售收入则是成交金额减去退款。至于利润、净利率，涉及到财务成本，数据分析挺难拿到这类数据，所以不太用到。

把上述的三个指标看作用户支付的动态环节，则能再产生两个新指标，这也是数据分析的思维之一。成交金额与GMV的比率，实际能换算成订单支付率；销售收入和成交金额，也涉及到了退款率，当分析陷入卡顿时，不妨观察下这两个指标，或许有帮助。

客单价

传统行业，客单价是一位消费者每一次到场消费的平均金额。在互联网中，则是每一笔用户订单的收入，总收入/订单数。

很多游戏或直播平台，并不关注客单价，因为行业的特性它们更关注一位用户带来的直接价值。超市购物，用户购买是长周期性的，客单价可以用于调整超市的经营策略，而游戏这类行业，用户流失率极高，运营人员更关注用户平均付费，这便是ARPU指标，总收入/用户数。

ARPU可以再一步细分，当普通用户占比太多，往往还会采用每付费用户平均收入ARPPU，总收入/收费用户数。

复购率

若把复购率说成营收届的留存率，你就会知道它有多重要了。和新增用户一样，获得一个新付费用户的成本已经高于维护熟客的成本。

在不少分析场景中，会将首单用户单独拎出来作为一个标签，将两次消费以上的用户作为老客，之所以这样做，是从一到二的意义远不止加一那么简单。

用户第一次消费，可能是体验产品，可能是优惠，可能也是运营极大力地推动，各类因素促成了首单。而他们的第二次消费占比会有断崖式下跌（对应次日留存率的下跌），因为这时候的消费逐渐取决于用户对产品的信任，模式的喜欢或者习惯开始养成。

很多时候，用户决策越长往往意味着客单价越高，如投资，旅游。此时首单复购率越是一个需要关注的指标，它意味着更多的利润。

复购率更多用在整体的重复购买次数统计：单位时间内，消费两次以上的用户数占购买总用户数。

回购率是另外一个指标，值得是上一个时间窗口内的交易用户，在下一个时间窗口内仍旧消费的比率。例如某电商4月的消费用户数1000，其中600位在5月继续消费，则回购率为60%。600位中有300位消费了两次以上，则复购率是50%。

退货率

退货率是一个风险指标，越低的退货率一定越好，它不仅直接反应财务水平的好坏，也关系用户体验和用户关系的维护。

商品

这里谈以商品为主的数据分析，商品不限于零售行业，知识市场、虚拟服务、增值服务都属于商品的一种。它有许多通用的分析模板，如购物车、进销存。

购物篮分析

购物篮分析不应限于电子商务分析，而是用户消费行为分析。

连带率是购物篮分析的一种指标，特指销售件数和交易次数之比。在大型商场和购物中心中，连带消费是经营的中心，用户多次消费即连带消费。在电商中是购物的深度，是单次消费提高利润的前提。

商品热度是一种快速见效的分析。可以将商品分为最热门Top20，最盈利Top20等，它依托二八法则，找出利润的抓手，很多营销会将它和连带率结合，像电子商务，重点推广多个能带来流量的热门爆款，爆款并不赚钱，而是靠爆款连带销售其他有利润的商品。这种流量商品连带利润商品的策略并不少见。

购物篮分析中最知名的想必是关联度，简单理解是，买了某类商品的用户更有可能买哪些其他东西。啤酒与尿布大概是最知名的案例了，虽然它是错的，但揭示了商品之间确实存在关联。

关联分析有两个核心指标，置信度和支持度。支持度表示某商品A和某商品B同时在购物篮中的比例，置信度表示买了商品A和人有多少同时买了B，表示为A→B。老王每次去菜场买菜都喜欢买一把葱，在老王的菜篮（购物篮）分析中，葱和其他菜的支持度很高，可是能说明老王买葱后就一定买其他菜（葱→其他菜）么？不能，只能说老王买了菜会去买葱（其他菜→葱）。除此还有提升度。 最有名的是Apriori算法。

关联分析并非只适用于购物篮，在很多营销场景中都会用它作为追加销售和交叉销售。常见有大额消费+现金贷，医疗健康+保险等，目的便是提高营收。

进销存

进销存是传统零售行业的经典管理模型，将企业商品经营拆分出采购、入库、销售三个环节，并且建立全链路的数据体系。在实际业务中，许多场景与进销存都息息相关。

电子商务有几个基础概念，商品、SKU、SPU。商品就是对应消费者理解的单品，任何主流的电子商务网站，商品详情页都对应一个商品，也称为SPU。而在商品详情页中，还会涉及尺码，颜色，样式的选择，这类属性形成了SKU，最小单位库存。每一个属性都对应着不同的SKU，如一件衣服有SML三个尺寸，则这件衣服是一个SPU，三个尺寸对应着三个SKU。

商品管理没有我们想象的那么简单，有些用户喜欢玫瑰金的iPhone，有些用户钟情于128G，如何更好地迈出这些商品，是从采购环节就开始的。

采购包括广度、宽度、深度三个维度。广度是商品品类，越充足的品类越能满足消费者的消费，但是也带来管理难销售难的缺点。市面上手机品类总共有50个，某手机店出售30种，品类比为60%。

采购宽度是SKU占比，代表商品供选择的丰富程度。iPhone有黑色、银色、玫瑰金三种颜色和16G、64G、128G三种容量，共9个SKU，如果手机店只卖玫瑰金色，则SKU占比0.33。采购深度是平均每个SKU的商品数量。

库存是一个中间状态，采购是进，销售是出。库存是一个动态滚动的变化过程，我们常拿过去时间窗口内的库存消耗速度衡量现有存量的消耗。某商场4月每天消耗库存1000件，4月末的库存为5万件，则这5万件的需要50天才能消耗完，50天被称为库存天数。虽然公式是理想状况，但以其判断缺货是没问题的。

销售环节大家更熟悉，指标聚焦在两个方面，销售的速度和销售的质量。销售速度常表示为售罄率，表示为时间窗口内的销售数量/时间窗口内的库存数量，这是比率，故可以用累计售罄率。某商品3月份累计售罄率50%，4月份累计售罄率60%，5月份累计售罄率80%，说明商品逐渐卖断货应该补货了，反过来售罄率一直低迷，则应该促销或者降低进货。

销售的质量和折扣率挂钩，乃是实收金额和标准金额的比率。国内各种红包折扣促销非常多，折扣率的统计师是非常有必要的。折扣率的典型应用是价格弹性指数：当价格变化1%时，商品销量变化的百分比。这个指数将直接影响利润。

进销存内容比较多，熟悉了留存活跃分析的人可能会稍有些不习惯。可是互联网变现的主流模式是电商或其变种，这方面的知识不可或缺。拿互联网金融来说，投资标的有典型的进货和库存特征，标的的投资额大小，风险等级与类型，标的剩余数量和预计库存天数，都是能直接适用进销存指标的。当分析师发现某理财标的库存天数过长，则要分析原因，是SKU过多，还是增长乏力。

最后

到这里，大家已经头晕了吧，业务是一个复杂体系，数据分析也从来不简单，两者结合都是充满挑战的。我的内容也没有囊括全部，比如电商还有搜索有效性的指标，用户在搜索框搜索，有多少为空搜索？而非空搜索中，有多少产生点击的有效搜索？小小一个搜索框也有很多门道。

更重要的能力是洞察和发现，文章所有的指标，并非我发明的，都是市场营销与数据分析的前辈总结而出，但是我个人学习中，并非囫囵吞枣，每个指标我都会停下思索如何用？过往哪种经验能和他联系起来。数据分析短期内是无法快速获得业务经验，但是多思考是一种更好掌握的技巧。

当然，分析中用不到那么多指标，往往两到三个关键指标足够，从业务方看，这些指标也不尽然是工作内容，大家别为KPI感到压力。更好的驱动与分析方式，是针对部门设立一个大目标，比如营收，将营收拆分成两到三个有逻辑关联的二级指标，如更多的付费用户能带来营收，更长的生命周期能带来营收，更高的客单价能带来营收。将二级指标分配个多个小团多或者按时间排期执行，二级指标也能拆分成三级。