產品基礎數據指標與基本數據分析步驟梳理。
產品的生命週期中各個階段都伴隨着產品數據的變化，產品經理根據這些產品數據來判斷產品所在階段並對後期的產品演進進行合理的規劃；在產品需求分析階段，產品經理可以通過數據分析來鑑別用戶需求的真僞；在產品上線後，產品經理可以通過數據驗證產品的功能價值並且讓數據指導版本迭代。
針對不同的產品的業務形態有所差異，產品的核心數據也有所不同：比如視頻產品側重的是播放類的數據，如播放時長；電商類產品側重訂單量、交易額等。所以我們可以說，產品的數據分析是產品經理日常工作中必不可少的一環。那麼產品有哪些數據指標？具體又該如何分析呢？
一、 產品的基礎數據
產品的基礎數據一般都是與產品APP相關的整體性的數據，用於檢測產品的整體趨勢，主要的基礎數據有以下幾項：
APP/APK下載量：針對客戶端產品的數據指標，也稱爲裝機量，是指產品客戶端被下載到手機、pad等終端的數量，一般以擁有的獨立USERKEY/USERID爲一個有效的下載。
APP/APK激活量：指用戶完成有效下載後，點擊客戶端並首次成功啓動軟件的用戶數量。
APP/APK訪問量：指一段時間內用戶點擊進入客戶端的次數。
APP/APK訪問用戶數：APP/APK訪問量的去重數據，指一段時間內點擊進入客戶端的不同身份標識的用戶數。
人均訪問時長： 用戶在客戶端內停留時間的平均值。
同時在線人數：實時數據，即在該時間點正在使用產品的用戶數，有時也用併發量來表示，用以衡量客戶端可承載的同時在線人數。
渠道數據：不同的渠道來源的下載量、訪問量等，用以評估不同訪問路徑以及渠道帶來的效果差異。
二、 產品的付費數據
產品的付費數據主要是根據用戶的付費行爲定義的數據指標，付費指標可以看出用戶對於產品的認可程度，產品的盈利價值等，主要的付費數據有以下幾項：
付費收入金額：某時段內用戶付費的總額。
付費用戶數：某時段內發生付費行爲的用戶的總數。
新付費用戶數：某時段內新增的付費用戶的數量。
付費轉化率=付費用戶數/XX用戶數，根據產品的業務形態，“XX用戶數”可以爲視頻產品的“點播用戶數”。
付費率=付費用戶數/活躍用戶數（日、月）。
ARPPU值（付費用戶的平均付費值）=日付費收入/日付費用戶數。
ARPU值（活躍用戶的平均付費）=日付費收入/日活躍用戶數。
收入佔比=某單項收入/總付費收入。
收入曲線：每日、每週、每月的付費曲線，通過觀察付費的高峯期，針對性地進行營銷活動；
付費路徑：分付費路徑進行付費收入和付費用戶數的佔比統計，對佔比較大的付費入口進行營銷活動的露出，佔比較小的入口進行產品側的優化。
三、 產品的頁面數據
產品的頁面數據主要是根據用戶在頁面中的行爲作出埋點，從而獲取的數據；頁面數據對產品的功能優化有很大的指導意義，主要的頁面數據有以下幾項：
PV（page view）：即頁面瀏覽量，針對網站產品而言，，通常是衡量一個網站流量的主要指標；針對客戶端產品，則是衡量某個頁面的流量的指標。
UV：(unique visitor)：即頁面獨立訪問量，有稱爲獨立訪問用戶，是PV經去重後得到的數據。
頁面平均停留時長：用戶在該頁面內停留時間的平均值。
人均頁讀數：用戶在進入客戶端後到達的頁面數的均值。
跳出率 ：指用戶在只訪問了入口頁面（例如軟件登錄頁、開機引導頁等）就退出客戶端的訪問量與所產生總訪問量的百分比。
頁面轉化率：頁面中某個功能的點擊量和到達該頁面的訪問量的百分比，如電商產品的商品詳情頁中“立即購買”按鈕的點擊量與商品詳情頁的訪問量的百分比，就是商品詳情頁-“立即購買”的轉化率。
四、 產品的用戶數據
產品的用戶數據主要是根據用戶在各個階段的角色的不同爲維度進行定義的數據，主要的用戶數據有以下幾項：
註冊用戶數：指用戶下載運行，並且完成註冊的用戶數。
登錄用戶數：登錄應用後至當前時間，至少登錄過一次的用戶數；
活躍用戶數：登錄用戶數-新增用戶數；
新增用戶數：在某個時間段（一般爲第一整天）新登錄應用的用戶數；
日活：當日訪客/總用戶數。
周活：7日內訪客(去重)/總用戶數。
月活：30日內訪客(去重)/總用戶數。
流失率 ：是指用戶的流失數量與全部用戶數量的比例。
轉化率 ：正式成爲用戶的數量和未知意向的潛在型客戶的數量的比率。二跳率(一跳、二跳、三跳)：漏斗模型，沒進入一個層級用戶的流失率。
留存率=登錄用戶數/新增用戶數*100%（一般統計週期爲天）
次日留存率：（當天新增的用戶中，在第2天還登錄的用戶數）/第一天新增總用戶數
第3日留存率：（第一天新增用戶中，在往後的第3天還有登錄的用戶數）/第一天新增總用戶數，還可用7天，30爲週期計算周留存率和月留存率。
LTV（用戶生命週期價值）=一段時間內的付費收入/一段時間內的新增用戶數；一般指的是3日、5日、7日、14日、30日、60日、90日LTV，即用戶首次登錄到以上日期所帶來的價值。
五、數據分析思路
有了上面提到的這些數據，僅僅是一個基礎。更重要的如何利用這些數據，進行分析，從而獲取對於產品的指導意義。要讓這些數據有意義，首先要建立起產品的數據體系。做好客戶端埋點，產品數據定義這些基本工作後，制定日常的數據監測機制。有了週期性的數據監測，才能從數據中發現問題，並深入分析問題，尋找解決問題的方法。
第一步，找到問題所在，我們要發現發生了什麼問題？如一段時間內的用戶留存率忽然降低。
第二步，找到問題發生的原因，尋求爲什麼會發生這個問題？在用戶層發現的問題，就需要下沉至功能層。如用戶留存率降低的原因，是不是因爲產品的功能無法滿足用戶的需求或者功能的改版增大了用戶的學習成本。這個階段中，要勇敢猜測，大膽求證。
第三步，在可能的問題發生原因的基礎上，通過產品或者運營的方式來嘗試解決問題。
第四步，在採取一定的解決問題的措施之後，要持續數據監測，通過數據觀察措施的有效性；並及時調整措施，知道問題得到改善或解決。