在互联网公司，进行设计方案评审的时候总会听到一些这样的声音“拿数据说话”。数据驱动设计也不无道理，在一定程度上，数据能揭示出产品用户的行为和习惯，通过这些关键数据也能帮助和改进产品设计方案。同时，站在公司或产品经理的角度，他们都会关注一些关键数据指标，如转化率，留存率，日活，月活等。那什么样的数据指标是值得我们去关注的，并且能帮助企业或者产品找到自己的市场和改进的方向。在《精益数据分析》一书中，作者讲到关于好的好的数据指标的一些准则。

一.什么是好的数据指标？

1.好的数据指标是可比较性的：如果能比较某数据指标在不同的时间段，用户群体，竞争产品之间的表现，可以帮助我们更好的洞察产品的实际走向。如某医疗APP本周的患者购药率比上周高，通过不同时间段的对比，可以找出“高”的原因。

2.好的数据指标是简单易懂的：团队或公司其他同事都能轻易的记住或讨论这个指标。如用户增长率。

3.好的数据指标是一个比率：比率之所以是最佳的数据指标，有以下原因：

原因1：比率的可操作性强，是行动的向导：如开车时的速度（距离/小时），速度就是一个比率，我们可以通过改变速度来操控到达目的地的时间。

原因2：比率是天生的比较性指标：如通过对比每月新增用户率来判断产品的用户是否在稳步上升。

原因3：比率还适合用于比较各种因素间的正相关和负相关：如滴答清单APP产品采用的是免费+收费的模式，那会面临一个选择，为了吸引用户是否在免费版本中加入足够丰富的功能，还是将这些丰富的功能保留在付费版本中，以促使用户进行付费行为。

4.好的数据指标会改变行为：刚刚可以通过一些“试验指标”来进行测试，并帮助产品进行优化，定价和市场定位。比如：如一半以上的用户反馈，不会为滴答清单中“日历小部件”进行付费，可以决定不去开发该功能或将该功能放入免费版本。

一个好的数据指标之所以能改变商业行为，是因为它与你的产品目标是一致的：保留用户，鼓励口碑传播，有效获取新用户或创造营收。

二.如何找到正确的数据指标？

1.定性指标和量化指标：

定性指标：通常是非结构化的，经验性的，揭示性的，难以归类的。

量化指标：涉及很多数值和统计数据，提供可靠的量化结果，但缺乏直观的洞察。量化数据使用方便，具有科学性，也易于归类，外推。如电影评分，点赞数等量化数据。

如果定量数据回答的是“什么”和“多少”这样的问题，那定性数据则是回答“为什么”。定量数据排斥主观因素，定性数据吸纳主观因素。

2.虚荣指标和可付诸行动的指标：

虚荣指标：如果你有一个数据，却不知道如何根据它采取行动，就是虚荣指标。需要利用数据揭示信息，指明方向，帮助产品改进商业模式，决策下一步的行动，这才是“数据驱动决策”。文章中提到的8个需要提防的虚荣指标：点击量，页面浏览量，访问量，独立访客数，粉丝/好友/赞的数量，网站停留时间/浏览页数，收集到的用户邮件地址数量，下载量。

可付诸行动的指标：是“活跃用户占总用户的百分比”（活跃用户占比）。这个指标揭示了产品的用户参与度。如果产品作出调整，这个指标上升，那就可以按照调整的方向继续迭代。另一个可以关注的指标是“单位时间内新增用户数量”（新用户增速），它对于比较不同营销手段的优劣往往很有帮助。

3.探索性指标和报告性指标：

探索性指标：是推测性的，提供原本不为所知的洞见，帮助你在商业中取得先手优势。

报告性指标：适合对公司的日常运营，管理性活动保持信息通畅，步调一致。

4.先见性指标和后见性指标：

先见性指标：可用于预测未来。如透过“销售漏斗”中现有的潜在客户数，能大致预测将来能获得的新客户数。比如某产品一段时间内的用户投诉量，可以作为用户流失的先见性指标，如果投诉量继续增加，用户放弃使用你的产品或服务的概率就增大，因此，该指标可以帮助了解产品和服务的真实情况。

后见性指标：揭示当前存在的问题。如用户流失（某一时间段内离开产品或服务的客户量）。流失的客户多半是找不回来，但是可以通过这一指标帮助产品降低产品用户流失率。

5.相关性指标和因果性指标：

相关性和因果性指标：即两个或多个以上的指标有相关性，发现相关性可以帮助你预测未来，而发现因果关系意味或可以改变未来。通常，因果关系不是简单的一对一的关系，很多事情都是多因素共同的结果。想要证明一个因果关系的指标：找到一个相关性指标，进行控制变量实验并测量因变量的变化。但是这种测试需要考虑足够大的用户样本。

在数据分析中，通常会通过测试的方法来证明某种改变是否合理。这种测试通常是比较两个样本的不同，常用方法有市场细分，同期群分析，A/B测试和多变量测试

1.市场细分：拥有共同特征的用户人群。

2.同期群分析：比较相似群体随时间的变化。产品会随着开发和测试的不断迭代，这就导致了产品发布第一周加入的用户和后来加入的用户有不同的用户体验。每个用户都有生命周期，在这期间不停地对商业模式进行调整，这对用户流失率会有什么影响，通过同期群分析就可以寻找答案。同期群分析能够观察处于不同生命周期不同阶段的用户的行为模式。这种分析方法适用于营收，客户流失率，口碑病毒式传播等数据指标。

3.A/B测试：假设其他条件不变，仅考虑体验中某一属性对于被试用户的影响。如“立即试用”和“免费试用”的差别。这种方法比较适用于用户流量巨大的大型网站（微软，谷歌）

4.多变量测试：如果没有大的用户流量，则需要考虑同时对多个属性进行测试