1、什么是好的数据指标
衡量好坏的一些重要准则：
（1）好的数据指标是比较性的。
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，就能更好的洞察产品的实际走向。
（2）好的数据指标是简单易懂的
如果人不能很容易记住或讨论指标，那么通过改变它来改变公司的作为很困难。
（3）好的数据指标是一个比率
比率之所以是一个好的指标，有以下几个原因：
a.比率的可操作性强，是行动的向导
b.比率是一个天生的比较性指标
c.比率还适用于各种因素间的相生和相克（正相关和负相关）。
（4）好的指标会改变行为
这是最重要的评判标准：随着指标的变化，你是否会采取相应的措施。
另外，数据指标之间的耦合现象也值得注意，例如转化率是和购买所需时间绑定的；二者结合可以的出很多关于现金流的信息。类似地，病毒传播系数和病毒传播周期共同推动产品的普及率。
2、找到正确的数据指标，有五点需要牢记：
（1）定性指标与量化指标
定性指标：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。
如果定量数据回答的是“什么”和“多少”这样的问题，那定性数据回答的就是“为什么”。
定量数据排斥主观因素，定性数据吸纳主观因素。
可以根据统计学中的定性数据和定量数据来理解。
（2）虚荣指标与可付诸行动指标
虚荣指标表面上很美，但不能为公司带来丝毫的改变；
可付诸行动指标：可以帮助选出一个行动方案，从而指导你的商业行为。关键在于：你是根据收集到的数据行动。
如果有一个数据，却不知道如何根据它采取行动，该数据就仅仅是一个虚荣指标。每当看到一个指标，就应该下意识问自己：“依据这个指标，我如何改变当前的商业行为？”
如果回答不了这个问题，那么就不用纠结这个指标了。
例如，“总用户注册数”就是一个虚荣指标，这个数字只会随着时间增长。
”总活跃用户数”稍微好些，但前提是对“活跃用户”定义正确，否则还是一个虚荣指标。
真正应该关注的可付诸行动指标，是“活跃用户占总用户数的百分比”（活跃用户占比）。这个指标揭示了产品的用户参与度。
另外一个值得关注的指标：“单位时间内新用户的数量”（或“新用户增速”），它对比较不同营销手段的优劣往往很有帮助。
8个需要提防的虚荣指标：
1）点击量
2）页面浏览量（PV值）
3）访问量
4）独立访客数
5）粉丝/好友/赞的数量
6）网站停留时间/浏览页数
7）收集到的用户邮件地址数量
8）下载量
（3）探索性指标与报告性指标
探索性指标：是推测性的；
报告性指标：时刻对公司的日常运营、管理性活动保持信息通畅、步调一致。
唐纳德理论：世界上的事物可以分为这样几类：我们知道我们知道的，我们知道我们不知道的；我们不知道我们知道的，我们不知道我们不知道的。
我们知道我们知道的：不确定的事实，要经过数据的检验
我们知道我们不知道的：意味着某种度量行为。因为我们知道我们不知道这一类指标的具体值，所以要度量。这类指标可用于核算或衡量试验的结果。
我们不知道我们知道的：直觉，需要评估并训练以提高效率
我们不知道我们不知道的：是探索，蕴含着自身独特的优势。
数据分析在唐纳德理论中的应用：
1）检验手头上的事实和假设，以确保不是在自欺欺人，计划是切实可行的；
2）验证我们的直觉，把假设变成证据；
3）为业务预测表、瀑布式开发流程图和董事会议提供数据；
4）帮助我们发现黄金机遇，大展宏图。
案例分析：“妈妈圈”的成功之路
在”朋友圈”拥有1000万用户时，发现一个问题：只有很少的用户在真正地使用这个产品
解决：1、麦克探寻背后原因，首先搞清楚用户们做了什么，进行探索性分析，发现妈妈群体在其他群体活跃度较低的情况下，撑起整个产品的用户参与度。
2、调整产品重心，做出关键转型，发布产品“妈妈圈”
总结：1、“朋友圈”出现在正确的时间（FaceBook刚启动开放平台）和正确的地点（FaceBook站内应用），只是找错了市场。
2、通过分析用户行为模式和理想行为的分布，发觉高活跃度用户的共同点，找到与自身相匹配的市场 。
3、找准目标后，不遗余力聚焦，直至更改产品名称。
数据分析启示
想要让社区产品极速启动就需要相当高的用户参与度。不温不火的用户没办法让你的产品直冲云霄。
更好的做法是：在一个更小的、更容易触及的目标市场中培养更多具有黏性的高活跃度用户。病毒式传播需要专注。
（4）先见性指标与后见性指标
先见性指标：用于预言未来；
比如，透过“销售漏斗”中现有的潜在客户数，大致预测将来所能获得的新客户数。
后见性指标：解释过去，能提示问题的所在。
比如，用户流失（及某一时间段内离开某产品或服务的客户量）
创业之初，所拥有的数据不足以预测未来，这时先关注后见性数据。如果要启用先见性数据，需要首先进行同期群分析并比较客户对照组在不同时间段的表现。
有关账号注销和产品退货的数据是很重要的指标，只是比较滞后。用户流失量是很重要的数据指标。
“指示剂”无处不在，在一个企业级软件公司，就销售业绩而言，季度订单量是一个后见性指标，而新增潜在客户量是一个先见性指标。任何一个在B2B销售领域工作过的人都会告诉你，除了培养有价值的潜在客户外，还需要对潜在客户转化率和销售周期有很好的把握。
在一个公司中，某一团队的后见性指标有时是另一个团队的先见性指标。例如，季度订单量对于销售部门来说是一个后见性指标，对于财务部门来说，是一个可以指示营收预期的先见性指标。
（5）相关性指标与因果性指标
相关性指标：两个指标总是一同变化
因果性指标：其中一个指标的变化会导致另一个指标的变化。
关键绩效指标 KPI
移动的目标
案例：HighScore House 对“活跃用户”的定义
1、首先发布最小可行化产品，邀请几百个志愿者参与内部测试。
2、几位创始人，为最小化产品的成功下了定义：家长和孩子没人使用产品至少四次。达到这个阈值的家庭称为“活跃用户”。
3、问题：一个多月过去，活跃家庭的百分比比预期的目标要低，继续试验，提高用户参与度
4、但是还是不能说：产品成功了
5、创始人之一，打电话，和那些已经注册但是不活跃的家长们开始沟通，这中间很多人都对产品给予正面评价，认可产品的价值。认识到一开始设定的划分活跃/非活跃用户的准绳并不能很好地反映实际用户的参与度。
总结：
1、HighScore House团队过早、过于激进地划了一条用于区分用户活跃度的准绳--一个不可能完成的任务
2、通过快速试验提高用户活跃度的数量，但活跃用户的百分比总体没有提高。
3、拿起电话联系客户，发现那些低于假设“活跃度”阈值的用户能够从产品中获取很大的价值。
数据分析启示
1、首先了解自己的客户
2、尽早做出一些假设并定下你认为可称为“成功”的目标，但切忌在试验中迷失自己。
市场细分、同期群分析、A/B测试和多变量分析
测试是精益数据分析的灵魂。通常测试就是通过市场细分、同期群分析或A/B测试来比较两个样本的不同。
市场细分
细分市场就是一群拥有某种共同特征的人。
同期群分析
比较的是相似群体随时间的变化。产品会随着开发和测试而不断迭代，这就导致在产品发布第一周加入的用户和后来加入的用户有着不同的体验。
每一组用户构成一个同期群，参与整个试验过程。通过比较不同的同期群，可以获知：从总体上看，关键指标的表现是否越来越好了。
案例：
同期群分析使你能够观察处于不同生命周期不同阶段客户的行为模式，而非忽略个体的自然生命周期，对所有客户一刀切。
同期群分析使用于营收、客户流失率、口碑的病毒式传播、客户支持成本等任何你关注的数据指标。
A/B和多变量测试
比较不同群体的同期群试验被称为纵向研究，因为数据是沿着客户群体的自然生命周期收集的。
横向研究指在同一时间段对不同被试群体提供不同的体验。
假设其他条件保持不变，仅考虑体验中的某一属性对被试用户的影响，就是A/B测试。
A/B测试有一个软肋：只有用户量巨大的大型网站能对单一的元素进行测试并迅速得到答案。如果没有庞大的用户量，将需要测试很多因素。进行一连串的单独测试会延长你走向成熟的周期。
多变量分析法
同时对多个属性进行测试，其原理为，用统计学方法剥离出单个影响因子与结果中某一项指标提升的相关性。