●
Basic indicators
1. Users: total number of users, number of new users, retained users, conversion rate, regional analysis;
2. Active: Daily Active (DAU), Weekly Active (WAU), Monthly Active (MAU);
3. Revenue: the number of paying people, the paying rate, and the distribution of paying points;
4. Application: startup times, usage frequency, usage duration, usage interval, version distribution, terminal type, error analysis;
5. Function: active function, page access path, conversion rate of core actions;
●
Analysis dimension
The way you make money determines the metrics you should focus on. In the long run, the riskiest parts of a business tend to be directly related to how it makes money. Based on the above basic data indicators, combined with two facts of data analysis, the required indicators can be selected to complete the APP data analysis:
1. User Analysis
Analyze user attributes to provide sufficient and reliable data for product improvement and promotion to formulate accurate strategies;
1.1 User scale
Basic indicators: total users, new users, lost users, returning users;
Statistical dimension: by year, month, week, day;
Indicator ratio: unified use of "rate";
Indicator description: It is difficult to obtain a value on the Apple side, and it can be converted indirectly; the number of activated APPs is used instead of downloads; Android is easier to handle; the dimension of day, month and week; the number of new users/total users indicates the health of the product; the size of the ratio is both Affect the description of the problem;
1.2 Active Users_User Quality
Basic indicators: daily active (DAU), weekly active (WAU), monthly active (MAU);
Statistical dimension: by day, week, month, by channel, by group;
Indicator ratio: unified use of "rate";
Indicator description: day, week, month, the statistical dimension is selected according to product type/attribute; ways to improve these indicators: take operational activities, push, check-in, tasks, points; driven by function and content, user APP usage frequency;
1.3 User composition
Basic indicators: active users, number of launches;
Statistical dimension: by year, month, week, day;
a. Returning users this week: Active users who have not launched the app in the last week but have launched the app this week;
b. Continuously active users for n weeks: Active users who have launched the app at least once a week for n consecutive weeks (the n+1th has not been activated)
c. Loyal users: users who have been active continuously for n weeks or more;
d. Continuously active users: users who have been active continuously for more than 2 weeks;
e. Recently lost users: users who have not launched the app for n consecutive weeks (launched in the n+1th week);
f. Weekly active users: users who have launched the app in the current week (de-duplication);
指标比例：统一使用”率“表示；绝对值——展示的是个用户成分的数量，百分比展示的是活跃用户 成分占周或曰用户的比例；
对周活跃用户数据进行的成分分解，并通过历史数据预测未来数据变化趋势的模型。该模 型帮助您对应用后续的用户活跃和留存等进行科学预测，并制定有效的规划和目标；
2.应用分析
2.1启动次数
基础指标：总用户数、新增用户、流失用户、回流用户；
统计维度：按月、周或曰，按渠道，按分群；
指标比例：某日/周/月的启动次数占所选时段总启动次数的比例；
指标说明：打开应用视为启动，完全退出或退至后台即视为启动结束；
2.2版本分布
基础指标：启动次数、新增用户、活跃用户、升级用户；
统计维度：按时间、版本；
指标比例：统一使用”率“表示；不同版本的累计用户（占累计用户全体的比例）；
指标说明：展示累计用户排名前10的各个版本变化趋势，可以帮助了解每个版本的新增用户，最新版本的升级情况，目前的哪些版本状况；
2.3使用状况
基础指标：使用时长、使用频次、使用间隔；
统计维度：日、周、月；版本、渠道、时间段；
指标比例：某日/周/月的启动次数占所选时段总启动次数的比例；
指标说明：统计周期内，一次启动的使用时长；一天内启动应用的次数；
用统一用户相邻两次启动间隔的时间长度。
2.4终端类型、错误分析（不做详细介绍）
3.功能分析
a. 功能活跃指标：某个功能的活跃用户，使用量情况；功能验证；对产品功能的数据分析，确保功能的取舍的合理性,
b. 页面访问路径：用户从打开到离开应用整个过程中每一步骤的页面访问、跳转情况。页面访问路径是全量统计。通过路径分析得出用户类型的多样、用户使用产品目的的多样性，还原用户目的；通过路径分析，做用户细分；再通过用户细分，返回到产品的迭代。
c. 漏斗模型：整个漏斗所关心的最终转化率的目标是序列中最后一个事件。用户转化率的分析，核心考察漏斗每一层的流失原因的分析。通过设置自定义事件以及漏斗来关注应用内每一步的转化率，以及转化率对收入水平的影响。通过分析事件和漏斗数据，可以针对性的优化转化率低的步骤，切实提高整体转化水平。
4.行业分析
指标说明：行业数据可以帮助了解行业内应用的整体水平，可以查看应用的全体应用或同类应用中各个 指标的数据、排名及趋势，有助于衡量应用的质量和表现；
统计维度：用户规模、更新频次、应用排名；
指标比例：全体排名和同规模排名；
了解行业数据，可以知道自己的APP在整个行业的水平，可以从新增用户、活跃用户、启动次数、使用时长等多个维度去对比自己产品与行业平均水平的差异以及自己产品的对应的指标在整个行业的排名，从而知道自己产品的不足之处。
5.渠道分析
指标说明：渠道质量的评估，不同渠道获得用户的行为特征监控、判断问题；
统计维度：时间段、不同渠道对比；基础对比（新增用户、新增账号、活跃用户、活跃账号、启动次数、单次使用时长、次日留存率）；
可以从多个维度的数据来对比不同渠道的效果，比如从新增用户、活跃用户、次日留存率、单次使用时长等角度对比不同来源的用户，这样就可以根据数据找到最适合自身的渠道，从而获得最好的推广效果。