你会不会正在做无意义的数据分析？

并没有符合你的预期，活跃度？

会不会指标的逻辑有问题？

假设活跃度的口径，是用户当天用过登录app的记录

问题1、登录app的用户真的就算是活跃了吗？

问题2、后台记录的登录条件上是否有限制？push页进来的也算登录吗，还是一定要首页进来的？

问题3、统计量下的活跃用户真的是有价值的客户，可以为后续的转化提供基础，没有噪声用户的吗？

一、关于指标初认识

1、常用的用户数据指标有哪些？

理解“日活/月活度数据指标”-使用场景

到底活跃对我们意味着什么？

活跃用户，是相对于“流失用户”的一个概念，是指那些会时不时地光顾下app，并为app业务带来一些价值的用户。

活跃用户是一个公司讲故事的资本。针对的是小型的，有融资需求的公司，如果一个公司有百万以上的日活用户，即使没有盈利，依然会受到投资人的青睐，变现是小事，有没有用户使用才是大事。现在产品的变现方式已经很成熟，有百万用户的产品通过接入广告，也可以获得一些收益。

在用户活跃分析的时候，不是为了逼用户天天来戳一下，而是为付费、或者其他转化提供稳定的支持，那么选择活跃度指标时需要考量公司的业务目标。

理解“日活/月活度数据指标”-日和月的定义

日：一般我们指一个自然日，即0:00–24:00

月：上个月的1号0点-当月最后一天的23点59分

月活跃用户的计算逻辑是什么？

A、每一天的活跃用户的累加（或者取平均值）

B、这个月所有活跃用户去重的总数

理解“日活/月活度数据指标”--活跃的定义

活跃度的几种口径

A、检测到用户的登录信息（一些强登录的app，例如网银、网游）

B、指定多个页面的埋点数据上报

C、通过后台带用户信息或者用户ip的请求信息（无账号APP）

D、停留指定页面超过一定时长

理解“用户日活/月活度数据指标”--活跃的定义

理解“增量数据指标”--新增用户的使用场景

对“新增用户”的定义实际上是通过用户新增的后续行为进行一个简单的用户分层，满足当前运营阶段的“关键指标”的用户作为有效新增用户，也是后续运营的重点用户。

在定义好“新增用户”的指标后，拉新行为也就并不是只看重下载和打开，而是围绕核心指标进行优化，例如以注册为指标，需要通过观察用户的注册行为路径优化注册流程体验。

理解“留存率”--留存率的含义

留存指的是：一批新增用户中，在指定的时间段内，没有卸载的用户（app场景）。

1.新增账号第X日：某日新增的账号中，在新增日后第X日有登录行为记为留存

2.新增账号X日内：某日新增的账号中，在新增日后的X日内有登录行为记为留存

3.活跃账号第X日：某日活跃的账号中，在新增日后第X日有登录行为记为留存

4.活跃账号X日内：某日活跃的账号中，在新增日后的X日内有登录行为记为留存

其他的基础指标的定义

其他的基础指标的定义

2、哪些指标需要做指标预警

A.指标跟业务挂钩。可以做指标的变量很多，但是可以拿来做预警的却不多，选择直接跟指标挂钩的。例如电商，直接就是销售量，接口就是调用次数，产品就是环节转化，运营就是用户增长量

B.避免预警指标过剩，造成指标预警不重视，你设定报警的指标，一定是要真的很严重，你才能推送的那种，不要设置不严重的，但是造成邮件泛滥，没人理会预警就得不偿失了。

C.预警指标需要做重要性排序，先实现会经常出现异常导致你经常加班分析的指标，先实现在业务层面的重要指标，预警指标推送时间不要挤在一起，不然你同时接受多个预警，你不会仔细去看，而且要是都是异常的话，一下子那么多异常出来，你会心慌，那么分析思路就不那么清晰了。

3、指标预警的大类

（1）接口类的数据指标预警（主要用于it部门监控接口或者平台功能稳定），模型准确率

（2）产品类指标的数据指标预警（主要是产品部门用于监控产品功能的转化，产品的访问之类的）

（3）运营类指标的数据预警（主要是运营部门用于监控用户的信息，例如用户的激增，或者用户的大幅度访问下降。）

二、指标构建方法

1、比率占比法

其实就是看各个区间的占比是否跟之前的比较接近，但是这里需要注意的是，不要把“之前”拉的太长，一般是最近7天或者最近3天就可以了。那么这个时段之前的占比（或数据量），这个占比有以下几种方法可以参考：

A.就是计算过去几天的每个时段的平均占比（或数据量）。

B.过去7天，按照距离的时间越长，那么权重变少，例如最近往前推一天是0.5，最近往前推二天是0.3，这样子的权重计算。

C.就是只用过去一天的数据做对比，但是这个不太实际，不过也要看你的业务是怎样的。

2、统计方法

A.时间序列分析。数据量在时间序列上是可以有规律可以遵循的，所以可以利用时间序列分析的方法，预测当天的数据量，若实际与预测的数据量作差值，相差太多则触发指标预警推送。（这种方法不推荐，在理论上可以过得去，但是实际的运用其实相对复杂并且效果也不一定好）

B.相关系数计算。第一点的占比法中，需要每个时段都去计算差别，产生的指标就会多，一旦这种数据量的类型多起来，就会很复杂，所以可以将这些占比列成一个向量，计算今天与之前的数据量组成的向量的相关系数的大小，当太小的时候，主动触发预警。

3、差值&定值法

这个方法是最简单的，这个在模型监控中常用到，其实就是将原先的模型效果与现在的模型效果做比较，或者直接计算模型KS后者auc值看是否低于某值，则预警，但是这里注意的是，这种模型的预警一般没办法以天为周期计算，因为模型的y值往往是有滞后性的。

4、孤立点检测

对比以上几个在单一维度上的方法，孤立点检测是基于多维度建立的向量来观察异常数据点的方法。

三、指标预警的方式

指标预警的方式-钉钉机器人&企业微信机器人通知

钉钉机器人还有企业微信机器人都设置了群机器人的功能，大部分的开发会拿来检测任务是否正常运行，或者定时任务是否完成运行的提醒，所以你也可以拿来作为你的指标预警推送，网上都有响应的教程可以作为参考，写python即可实现。

指标预警的方式-邮件通知

当公司没有第一点的软件，或者机器不能链接外网的时候，可以借助邮件推送的方式，利用python中的smtplib包实现。

指标预警的方式-平台推送

到了特地为每个分析师都开发了这个预警平台或者自研的bi平台可以满足预警推送的功能化，也可以通过平台推送，这个话可能涉及的东西相对多一些，如果你会写接口，借助django框架写接口之后吐给前端去帮你展示也是可以的。

四、指标预警平台