一、用户行为类指标
用户行为指标是互联网行业和传统行业最大区别。传统行业，用户行为发生在门店里，极难用数字化手段记录，因此只有在发生交易时，才能记录数据。
传统企业的大部分数据都是交易数据。而互联网行业依托小程序/H5/APP，能记录用户在每个页面的点击，相当于在网上店铺的每一步动作都有记录，因此能分析很多东西。具体到指标上，可以套用AARRR模型，分模块展开。
1.1 拉新
拉新：主要用于分析拉新的转化效率与质量。拉新是很多互联网公司最重要的任务，拉新成本是很多互联网公司最大的成本支出，因此拉新关注度极高。
| 指标名称 | 指标合义 | 指标作用 |
| 曝光量 | 在广告渠道/推广渠道V | 识别获客广告/素材质量 |
| 注册人数 | 新注册3天/7天/30天 | 判断获客质量的重要指标 |
| 注册转化率 | 从曝光到注册环节转化率 | 识别获取路径的效率 |
| 注册后消费率 | 消费人数/注册人数 | 识别拉新质量 |
| 获客成本 | 有效注册人数/广告成本 | 识别垃新成本 |
拉新质量是一定要衡量的，只是不见得都用消费，有的也用在线时长（常见于内容型产品）
获客渠道通常提供的是点击、等数据，注后才能统计人数，因此有一定数偏左
1.2 用户活跃类指标
用户活跃类指标是日常关注的重点。活跃用户是一切业务的基础，且活跃行为是可以每日记录的，因此运营/产品部门日常都盯得很紧。
| 指标名称 | 指标合义 | 指标作用 |
| DAU | 每日有1次活跃行为用户数 | 反应用户群体活跃情况 |
| MAU | 每月有1次活跃行为用户数 | 反应用户群体活跃情况 |
| 活跃率 | DAU/AUor活跃人户/总人数 | 反应用户群体活跃情况 |
| 用户在时长 | 用户海次打开/每天的活跃总时长 | 反应用户粘性，理论上越高越好 |
不同业务场景下，活跃定义不同，有的定义是登录，有的是消费，有的是10分钟以上登录时间，做分析前要先确认活跃的定义方式，避免误解。
1.3 用户留存类指标
留存指标一般和拉新/活跃指标结合起来看。由于留存统计相对滞后（要等XX天才能统计），因此一般是月度复盘/事后分析的时候看的多。
| 指标名称 | 指标合义 | 指标作用 |
| 最后活跃时间 | 用户最后一次活跃行为距今时间 | 理论上距离越久，越需要再次唤醒 |
| 3日/7日/30日留存 | 新注册3天/7天/3天后仍有活跃行为 | 按群体统计，用于判断拉新质量 |
| 流失人数 | 达到流失标准（天无活跃行为） | 按个体统计，用于识别流失情况 |
| 流失率 | 流失人数/注册人数 | 识别流失情况，发现产品/运营问题 |
注意：由于不清楚用户是否直的流失，因此流失率是人为定义出来的，可能用户没有流失，只是暂时没需求，可能早就流失了。在交易类产品（电商、020、打车、生鲜…）表现更明显。
1.4 用户转化类指标
用户转化一般指付费行为，这是互联网商业模式变现的重要渠道。看的指标主要围绕有多少人买，买了多少，是否连续购买等展开。这里和传统企业的会员消费分析很像，能衍生出很多子指标。
| 指标名称 | 指标合义 | 指标作用 |
| 付费人数 | 统计时间内付费用户人数 | 识别转化数量 |
| 付费次数 | 统计时间内付费次数 | 识别转化数量 |
| 付费率 | 统计时间内付费人数/活跃人数 | 识别对用户的付费吸引力 |
| 累积消费金额 | 定统计时间内用户累积消费 | 区分用户高中低档 |
| 复购次数 | 统计时间内，二次购买人数 | 识别高忠诚度用户 |
付费可以有很多更细节的计算方式，比如细分到每个品类的首次购买、二次购买、连续性购买，比如拆分到每个订单金额，每个商品平均金额，等等
1.5 用户转介绍类指标
用户转介绍行为类型很多，转发内容/转发商品/介绍新用户加入等，都是转介绍行为。因此转介绍行为的定义常常会结合具体的转介绍形态而变化。很少有统一的指标。如果一定要概括的话，可以概括为：
-
有转介绍行为人数：发生转发内容/转发商品/介绍新用户的用户人数
-
转介绍行为带来的效果：新注册用户/商品购买/内容阅读等等
除了AARRR以外，还有一类特殊的行为：风险类行为，用于识别用户的危险动作。在不同业务场景，风险定义不同。比如电商场景下刷单、薅羊毛，游戏场景下外挂使用，金融场景下欺诈交易等等。
二、产品类指标
产品类指标是互联网行业特色。用户在互联网APP/H5/小程序内会使用不同的功能，好用的话会一直用，不好用会中途放弃，这些都能记录数据，从而通过产品分析，不断淘汰没人用的功能，优化有人用的功能，提升效率。
产品分析的常见指标如下：
| 指标名称 | 指标合义 | 指标作用 |
| 页面点击数 | 个页面被点击次数 | 点击多说明吸引力高 |
| 页面停留时长 | 用户在一个页面停留时间 | 并非越长越好，有可能是用户不会操作 |
| 页面转化率 | 进入下级页面人数/上级页面人数 | 针对具体页面统计，反应产品质量 |
| 页面跳出率 | 未进入下级页面人数/上级页面人数 | 针对具体页面统计，反应产品质量 |
| 功能点击率 | 个功能点被点击次数 | 同一页面内，使用越多，说明功能越刚需 |
| 功能使用率 | 个功能点被点击次数 | 功能使用率越高，说明越刚需 |
产品分析是一个完整漏斗，一般关注一条完整路径（比如从点击广告到最终购买）的转化率
当一个页面内有多个功能，就得看怎么排序，提高使用效率，减少用户操作压力
注意：产品分析是有级别的，最高级的是对整个APP/H5/小程序的页面/功能做盘点。其次是对某一个具体页面（比如首页、商品详情页、购物车页）或者某一个具体路径（比如从首页的banner位点广告进入商品详情，再选择商品进行交易这样一条路径）进行分析。
最细的则是分析某一次改版的，某一个按钮/页面布局调整等等。上边举例的指标更多是对页面/路径分析的指标。
三、内容类指标
内容类指标也是互联网行业的特色。互联网上发布的视频/图文，能记录阅读情况。一般内容运营/营销推广/新媒体运营等与内容打交道密切的部门，会很关注这一类指标。
常见的内容指标如下：
| 指标名称 | 指标合义 | 指标作用 |
| 内容打开率 | 打开内容人数/总读者数 | 越高越好，越高说明受众越多 |
| 内容点击次数 | 单篇内容点击次数 | 越高越好，越高说明受众越多 |
| 内容转发次数 | 单篇内容被读者转发的次数 | 越高越好，且转发能带来新读者 |
| 内容点击人数 | 单篇内容点击人数 | 越高越勘好，越高说明受众越多 |
| 内容转发人数 | 单篇内容被读者转发的人数 | 越高越好，且转发能带来新读者 |
| 内容读完/完播率 | 视频完整播放/图文100%阅读人数 | 越高越好，说明内容质量高 |
| 内容阅读后关注人数 | 读完内容后关注账号的人数 | 越高越嫩好，说明内容吸引人 |
内容分析，分析对象是内容（文章/视频/语音）通过这些指标能判断内容好坏
再结合内容的话题、文风、素材、发送时间、平台等分类维度，能进一步分析：怎么做好内容
四、活动类指标
活动类指标，在互联网和传统行业都很常见。相比之传统行业，互联网行业的营销活动密度更高、力度更大，经常是烧钱换增长。因此活动相关指标关注度很高。
常见的活动指标如下：
| 指标名称 | 指标合义 | 指标作用 |
| 活动目标人数 | 符合活动规则的用户数量 | 漏斗第一环，决定了活动的定位 |
| 活动参与人数 | 符合规则用户中，实际参与人数 | 漏斗第二环，参与少说明设置不合理 |
| 活动达标人数 | 参与用户中，达成活动要求人数 | 漏斗第三环，达标低说明滩度太高了 |
| 活动领奖人数 | 达成要求用户中，实际领奖人数 | 漏斗第四环，兑现难说明流程有问题 |
| 活动参与后消费人数 | 参与活动的用户，实际消费人数 | 非促销类活动，需关注对销售的效益 |
内容分析，分析对像是活动（促销/推广/拉新/促活…）
活动分析指标是一个大漏斗，通过这一套指标组合，看出活动影响力与效益
通过这些指标的分析，能让负责活动的同事直观看到活动效果，并且在不同类型/不同力度活动进行比较，找到更高效开展活动的方式。
有些活动会包含多个角色，比如拼团活动，会同时有团长/团员两个角色；裂变类活动，有裂变发起人/参与者两个角色。
不同角色的参与条件、达标动作、达标奖励不太一样，因此可以拆分两类群体，分别看活动目标人数/参与人数/达标人数等指标。
五、商品类指标
商品类指标，在互联网和传统行业都很常见。区别是传统企业大部分是实物商品，互联网则有一堆虚拟商品，比如虚拟货币、会员特权、游戏装备、直播打赏等等等。
因此互联网行业的商品管理，有可能比传统行业简单一点，不需要那么焦虑的盯着库存周转指标，生怕在仓库里待久了，货都过期了。
常见的商品指标如下：
| 指标名称 | 指标合义 | 指标作用 |
| 商品采购周期 | 商品补货从下单到入库需天时间 | 结合库存量与销售量，评估是否需补货 |
| 在途商品数量 | 已下单但未入库商品数量 | 结合库存量，预测未来库存是否够用 |
| 在库商品数量 | 在库可受商品数量 | 商品分析的核心，既不能多，也不能少 |
| 在库商品库龄 | 在库商品从入库至今时间 | 库存越久，保质期越短，越需优先处理 |
| 在库商品可售时间 | 在库商品按当前销量予预计可售时间 | 可售时间越短，越需要补货 |
| 在库商品销售排名 | 根据销量排序，区分畅销/滞销 | 畅销关注进货，滞销关注清货 |
商品分析，分析对象是在库商品，追求的动态平衡
原则上，好卖的多进货，不好卖的少进货，卖不动的早清货。说的容易，实现起来很重要
通过这些指标的分析，能让负责商品运营的同事直观看到商品畅销/滞销情况，从而调整商品进销存计划，避免商品积压/缺货。
注意，虚拟商品原则上是没有库存的（或者说库存想设多少设多少）。但是滥发虚拟商品，又会引发互联网中通货膨胀与商品贬值。比如游戏里稀有皮肤卖的贵，是因为稀有才贵，为了短期收入搞大优惠，一但烂大街，反而大家都不稀罕了。
所以控虚拟商品的库存，不是看商品动销率或者在库时间，而是看GMV整体目标。在达成GMV整体目标情况下，高中低端商品保持一个稳定的库存结构，避免烂大街。