数据分析指标有那些？

为了方便记忆和查询，最常用到的概念进行了归纳整理。

一、基本概念

互联网思维：这个词解释起来很危险……好吧，它是互联网时代思维方式的集合，如免费、用户体验、参与感等。

APP：分为web和native，web app是不用进行安装的，而平常在app store里下载的都属于后者。

HTML5：第五代超文本标记语言，神经猫就是用它实现的。

大数据：就是数据量非常非常非常大，哈哈。

互联网金融：通过互联网的网络信贷平台及相关理财行为、金融服务。

P2P：（Person To Person）个人对个人通过互联网借贷的模式，有非常大的风险。

众筹：通过互联网向公众筹款，有非法集资和跑路的风险。

VC：（Venture Capital）风险投资，大多是创业投资。

二、电子商务

团购：团体购物，消费者联合起来购物而获得优惠。

B2B：（Business to Business）企业对企业的电子商务，如阿里巴巴。

B2C：（Business to Customer）企业对个人的电子商务，如京东。

C2C：（Customer to Customer）个人对个人的电子商务，如淘宝。

O2O：（Online to Offline）线上对线下，线下商务与线上推广相结合。

SKU：（Stock Keeping Unit）库存量单位。

三、付费模式

CPA：（Cost Per Action）每次行动的费用。

CPC：（Cost Per Click）以每点击一次计费。

CPS：（Cost Per Sale）每购买成本，以实际销售产品数量来换算广告投放金额。

CPM：（Cost Per Mille）千人成本指由某一媒介或媒介广告排期表所送达1000人所需的成本。

四、行业术语

IP：（Intellectual Property）知识产权。

SEM：（Search Engine Marketing）搜索引擎营销，是一种网络营销形式，就是全面而有效的利用搜索引擎来进行网络营销和推广。

SEO：（Search Engine Optimization）搜索引擎优化，利用搜索引擎的搜索规则来提高展示排名。

SNS：（Social NetworkingServices）社会性网络服务，用网络把人们连接起来形成更加紧密的关系。

UGC：（User Generated Content）用户生成内容，用户将自己原创的内容在网上对他人呈现。

UED：（User Experience Design）用户体验设计，互联网产品大都是以用户为王体验至上。

PRD：（Product Requirements Document）产品需求文档。

demo：产品小样。

五、数据指标

DAU：（Daily Active User）日活跃用户数量。

MAU：（Monthly Active User）月活跃用户量。

PV：（Page View）页面浏览量，可以理解为页面被人看过的总次数。

UV：（Unique Visitor）唯一访问量，可以理解为页面被多少人看过。很明显UV不会大于PV。

ARPU：（Average Revenue Per User）每用户平均收入。

转化率：用户点击页面后，产生被期望的特定行为的数量，占总量的比。

KPI：（Key Performance Indicator)关键绩效指标，是企业绩效考核的方法之一。

ROI：（Return On Investment）投资回报率。

IT员工的考核

绩效考核是企业绩效管理体系的重要组成部分，目的是为了改进部门或员工的工作绩效，考核与计划密切相关，既可针对个人，也可针对部门或项目团队，故有“个考”与“团考”之分。在企业的管理实务中，绩效考核是公认的人力资源管理难点之一，做得好有正向作用，否则会有副作用。 中国金融大典

企业一般都根据战略规划，拟定每年的工作计划，再将年度计划分解成各部门的年度计划。大多数情况下，业务部门的计划定量居多，而职能管理部门的计划以定性为主，所以较难定量地衡量工作绩效。因此，成本中心性质的职能管理部门的绩效考核较难做，IT部门尤其难。

众所周知，企业长期目标需要通过每年的计划逐年实现，信息化工作也一样——年初定计划、年底再考核，如果发现结果有偏差，只能来年再改善，所以考核不能光在年底做，在年度计划执行中也要做，以便及时发现问题与偏差，进行调整或改进，以保障年度目标的实现。我认为，CIO重视结果固然没错，但也要重视控制过程式的考核，不管这种考核是月度考、季度考还是半年考。针对IT部门的考核体系如何建立，应权衡各方因素综合考虑，因为考核与其他管理行为一样，是有管理成本的。

以往，我在IT部门基本实行的是以项目管理为主线、专业IT管理为辅线的内部管理体系。年初，我将公司下达的全年信息化工作计划分解到各项目，实行项目经理负责制;其他事务则以日常管理为主，年终考核以“团考”为主、“个考”为辅。平时自然会论月或论季定期检查、半年做个小结，根据运作情况，对相关部门或人员“敲敲边鼓”，必要时再适当调整计划，但并没有做严格意义上的年中考核。

今年，IT部门根据公司新规划的需要设立了专业二级部门后，每个二级部门的定位、每个专业岗位的职责更清晰了。IT部门的工作任务就直接分解下达到各二级部门了，而公司级与跨二级部门的项目仍然实行项目制，所以试行年中考核的机会比较成熟。

其实，我之所以说IT部门的考核难做，主要是有不少难题需要解决，还要考虑如何方便 *** 作、不至于耗费太多管理成本。比如：

考核对象

“团考”针对的是整个IT部门，还是仅仅针对二级部门;项目考不考;跨年度运作的大项目如何考：“个考”考哪些人。

考核组织与分工

由谁来考总裁还是分管副总裁，抑或是人力资源总监牵头的考核班子，或是IT部门管理层自己考核下属员工。

考核内容和项目

除了计划、任务完成情况外，是否还要对内部管理、团队协作、员工成长及内部客户满意度等进行测量：“团考”与“个考”内容能一样吗;不同专业性质的二级部门或员工的考核内容能一样吗

考核指标及评价标准

制定哪些KPI;要区分不同岗位吗;每个KPI的评价标准如何定;如何将定性指标量化;各个指标的权重如何分配：“团考”和“个考”如何关联。

考核方式和周期

是用表格测评，还是访谈;测评表、调查表的内容、分值如何制定;访谈提纲要统一吗;选哪些访谈对象;被考核对象是否要先小结与自评;测评要几个纬度;年中考核与年终考核如何区分与关联。

考核结果及应用

考核结果如何反馈、谁来反馈;考核结果不理想，是否要调整任务或岗位;要不要和奖励直接挂钩;年中考核的改进建议，年终考核如何检查。

我相信这一系列难题，专业的HR管理咨询公司都可以提供一整套所谓解决方案，来帮助CIO解决。问题是，你“玩”得起吗企业愿意投入咨询费用吗咨询项目做完后，能保证有效的知识转移吗企业的HR部门今后能够就此 *** 作实施吗咨询方案年年都可以照搬吗

今年，公司决定在我们的IT部门试行年中考核后，人力部与我们共同商讨提出了比较切实可行的方案，最后由领导牵头、两个职能管理部门共同组成的考核组，用了并不太长的时间就完成了本次考核。这个考核方案得到了大多数员工的理解与赞同，认真参与，内部客户也很认真对待。通过测评、内部调查、沟通和访谈等过程，人力部增进了对IT部门总体情况的了解。我也打算根据发现的一些问题，适当调整管理策略，比如授权、汇报关系、任务分工与目标界定等。此次年中考核也为年终考核打下了基础，能够确保IT部门全年工作计划的全面完成。

我认为，在整个考核过程中，CIO应与人力资源部门一起根据企业的发展需要、管理水平和条件，持续地改进绩效考核工作，完善IT部门的绩效管理体系，以激励员工取得更好的绩效。

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：

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。

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。

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。

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。

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。

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：

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，其他情况，有空再详细分享。

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：

通过这些指标的分析，创作内容的部门，比如：内容运营/新媒体运营，能找到哪些内容阅读高，哪些转发多，从而总结出写文章的套路，提升内容传播范围。利用内容的部门，比如营销推广，能关注哪些内容带来的转化好，从而提高推广效率。

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：

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。

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：

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。

目前全球信息安全行业处于信息保障阶段

全球信息安全经历了通信安全阶段、信息安全阶段、以及信息化保障阶段三个阶段。在20世纪初期，该阶段主要强调信息的保密性，信息安全主要为通信安全;20世纪60年代后，半导体和集成电路技术的飞速发展推动了计算机软硬件的发展，该阶段主要以保密性、完整性和可用性为目标;20世纪80年代开始，信息安全衍生出了诸如可控性、抗抵赖性、真实性等其他的原则和目标，信息安全转化为从整体角度考虑其体系建设。

全球信息安全占IT总支出的比例呈波动态势

根据Gartner每年发布IT关键指标数据，2016-2020年，全球信息安全和风险管理技术与服务支出占IT总支出的比例呈波动态势，2020年，该比例较上年下降01%至49%。Gartner指出，这并不意味着企业在安全方面的开支减少，可能是安全支出的增长低于整体IT支出的增长。

注：图表中占比数据为跨行业中位数。

软件和互联网服务行业安全投入占IT总支出比例最高

关键指标数据还显示，不同行业的安全投入占比差别很大，其中，软件和互联网服务行业的安全投入占比明显高出其他行业，2020年占比达87%。其余占比超过6%的行业依次为公用事业以及保险行业，运输行业安全投入占比最低。

预计2024年全球IT安全支出规模达1892亿美元

近年来，网络威胁持续增长带动全球信息安全市场的快速发展。信息安全产品结构愈加丰富、厂商数量不断增加、市场规模和信息安全投入比例持续增长。

2017-2020年，全球信息安全相关支出呈增长态势。根据Gartner与IDC数据，2020年，全球信息安全相关支出分别达1338亿美元与1320亿美元。

据IDC预测，2021年，全球IT安全相关硬件、软件、服务投资(按网络安全口径)将达1435亿美元，随着全球政府和企业对网络安全的重视程度逐年提升，预计2024年将达到1892亿美元。

—— 以上数据参考前瞻产业研究院《中国信息安全行业市场前瞻与投资战略规划分析报告》

用数据指标描述某一时间段内的某个问题。这里有三个关键词：数据指标、时间、问题。

第一个关键词是数据指标。我们常提的，比如PV/UV，用户数，活跃率，转化率，留存率都是指标。讨论问题如果不能具体到一个指标，就无法用数据量化分析。因此业务部门需要清晰地知道：到底有哪些指标可以用。

这里强烈建议数据分析师们把自己公司常用指标整理一份《业务常用数据字典》，方便业务方统一口径，也方便业务方新人学习。尽量不要一个项目就新造一堆指标出来。公司内部统一口径，才是可持续深入分析的基础。

第二个关键词是时间。业务方往往对时间不敏感，喜欢张口就来：“我们的用户量是多少？活跃率是多少？”这时候数据分析师必须提示业务方，想清楚自己想看的数据的时间范围。活跃率是看周活跃率还是月活跃率还是年活跃。

随着国内互联网产业的成熟和竞争的加剧，从数据分析的角度来客观地、科学地评估产品的 现状，以及用数据说来指导产品的改版，已成为产品经理需要具备的核心能力。当产品上线后，通常我们最需要关心的指标是什么呢？如何设定呢？本文将给予简单的介绍。

不同类型（电商、社交、游戏、工具等）及不同平台（PC/APP）的产品，其关键数据指标往往不一样。但是通常来说，产品上线后，运营通过渠道投放（如上架App Store和各种应用市场），让用户接触到产品，通常用户会经历如下过程：

一、产品的拉新指标

二、产品的活跃指标

三、产品的留存指标

四、产品的转化指标

交易类产品转化指标（电商类如淘宝、京东）

社区型产品转化指标 （比如说知乎、豆瓣、小红书等）

社区型产品的首要目的是将用户聚集在一起，并且引入用户生成内容，它的核心关键在于培养一个能够生成内容的活跃用户社区。

企业型产品转化指标 （比如说印象笔记）

目前大部分企业型产品会通过免费试用来吸引用户，通过后续的运营来将试用用户转化为付费用户。

五、产品的传播指标

现在产品都会内嵌分享功能，对内容型平台或者依赖传播做增长的产品，对病毒式增长的衡量就会变的至关重要。

举个栗子：

在一个社群裂变活动中，有 2000 名用户对外发出了 500 次邀请，其中有 1000 进了社群。

现有用户数：2000

总计发出的邀请数：500

邀请率=总计发出的邀请数 / 现有用户= 500/2000=25%

进群人数：1000

接受率=进群人数 / 总计发出的邀请数 =1000/500=2

病毒系数K=邀请率 x 接受率= 25% x 2=50%

总结：

我们在产品上线后，重点可以看看如下表的数据指标：

发布于 2019-03-25

数据质量与数据质量八个维度指标

数据的质量直接影响着数据的价值，并且直接影响着数据分析的结果以及我们以此做出的决策的质量。质量不高的数据不仅仅是数据本身的问题，还会影响着企业经营管理决策；错误的数据还不如没有数据，因为没有数据时，我们还会基于经验和基于常识的判断来做出不见得是错误的决策，而错误的数据会引导我们做出错误的决策。因此数据质量是企业经营管理数据治理的关键所在。

数据的质量可以从八个方面进行衡量，每个维度都从一个侧面来反映数据的品相。八个维度分别是：准确性、真实性、完整性、全面性、及时性、即时性、精确性和关联性。

我们在比较两个数据集的品相的时候往往采用这种图形表示。比如说，常规来讲内部数据采集的准确性、真实性、完整性高，而全面性、及时性、即时性、精确性和关联性方面取决于企业内部对数据的重视程度以及采用的技术手段的先进性有关；外部数据集，比如说微博数据、互联网媒体数据等，其全面性、及时性和即时性都可以通过技术手段，如网络爬虫等得到提高，但在准确性、真实性、精确性上难以保证，也难以控制，在关联性方面取决于数据采集和挖掘的相关技术。

我们也可以用这个模型来衡量公司内部各个职能部门数据的品相。下图是个示意，通过数据质量8大指标的评价，我们可以对企业内部数据治理有针对性地采取措施去提高企业的数据质量。

数据的准确性

数据的准确性（Accuracy）是指数据采集值或者观测值和真实值之间的接近程度，也叫做误差值，误差越大，准确度越低。数据的准确性由数据的采集方法决定的。

数据的精确性

数据的精确性（Precision）是指对同一对象的观测数据在重复测量时所得到不同数据间的接近程度。精确性，也可以叫精准性。精确性与我们数据采集的精度有关系。精度高，要求数据采集的粒度越细，误差的容忍程度越低。

测量人的身高，我们可以精确到厘米，多次测量差异只会在厘米级别；测量北京到上海的距离，我们精确到公里，多次测量结果间的差异会在公里级别；采用游标卡尺测量一个零件的厚度，可以精确到1/50毫米，多次测量的结果间的误差也只会在1/50毫米间。采用的测量方法和手段直接影响着数据的精确性。

数据的真实性

数据的真实性，也叫数据的正确性（Rightness）。数据的正确性取决于数据采集过程的可控程度，可控程度高，可追溯情况好，数据的真实性容易得到保障，而可控程度低或者无法追溯，数据造假后无法追溯，则真实性难以保证。

为了提高数据的真实性，采用无人进行过程干涉的智能终端直接采集数据，能够更好地保证所采集数据的真实性，减少人为干预，减少数据造假，从而让数据更加正确地反应客观事物。

数据的及时性

数据的及时性（In-time）就是数据能否在需要的时候得到保证。我们月初会对上个月的经营和管理数据进行统计汇总，这些数据能否及时处理完成，财务能否在月度关账后及时核算。数据的及时性是我们数据分析和挖掘及时性的保障。如果公司的财务核算复杂，核算速度缓慢，上个月的数据在月中才能统计汇总完成，等需要调整财务策略的时候，已经到了月底了，一个月已经快过完了。特别是公司做大了之后，业务覆盖多个市场、多个国家，数据不能及时汇总，会影响到高层决策的及时程度。

数据的及时性与企业数据处理的速度和效率有直接的关系，为了提高数据的及时性，越来越多的公司采用管理信息系统，并在管理信息系统中附加各种自动数据处理功能，能够在数据上传系统之后自动完成绝大部分报表，从而保证数据处理的效率。计算机自动处理中间层数据是提高企业数据处理效率的有效手段。

除了保证数据采集的及时性和数据处理的效率问题外，还需要从制度和流程上保证数据传输的及时性。数据报表完成了，要及时或者在要求的时间范围内发送到指定的部门，或者上传到指定的存储空间。

数据的即时性

数据的即时性是指数据采集时间节点和数据传输的时间节点，一个数据在数据源头采集后立即存储，并立即加工呈现，就是即时数据，而经过一段时间之后再传输到信息系统中，则数据即时性就稍差。

微博的数据采集，当用户发布了微博，数据立即能够被抓取和加工，会生成即时微博数据报告，并随着时间推移，数据不断变化，我们可以称作是即时采集和处理的。一个生产设备的仪表即时反应着设备的温度、电压、电流、气压等数据，这些数据生成数据流，随时监控设备的运行状况，这个数据可以看作是即时数据。而当设备的即时运行数据存储下来，用来分析设备运行状况与设备寿命的关系，这些数据就成为历史数据。

数据的完整性

数据的完整性是从数据采集到的程度来衡量的，是应采集和实际采集到数据之间的比例。一条信息采集12个数据点，如我们采集员工信息数据的时候，要求填写姓名、出生日期、性别、民族、籍贯、身高、血型、婚姻状况、最高学历、最高学历专业、最高学历毕业院校、最高学历毕业时间等12项信息，而某一员工仅仅填写了部分信息，如只填写了其中的5项，则该员工所填写数据的完整性只有一半。

一个公司数据的完整性体现着这个公司对数据的重视程度。要求采集数据而实际上并未完整采集，只采集了一部分，这就是不完整的，往往是公司对数据采集质量要求不到位导致的。公司要求每个人都填写完整的个人信息表，而有部分员工拒绝填写，公司2000员工，只有1200人填写了完整的个人信息表，则这个数据集就是不完整的。

另外，对于动态数据，我们可以从时间轴上去衡量数据采集的完整性。比如，我们要求每小时采集一次数据，每天会形成24个数据点，记录为24条数据，但是员工渎职，只记录了20次，那么这个数据集也是不完整的。

数据的全面性

数据的全面性和完整性不同，完整性衡量的是应采集和实际采集的差异。而全面性指的是数据采集点的遗漏情况。比如说，我们要采集员工行为数据，我们只采集了员工上班打卡和下班打卡的数据，上班时间的员工行为数据并未采集，或者没有找到合适的方法来采集。那么，这个数据集就是不全面的。

我们描述一个产品的包装，仅仅描述了产品包装的正面和背面，没有记录产品包装的侧面，则就是不全面的。我们记录一个客户的交易数据，我们只采集了客户订单中的产品、订单中产品的价格和数量，而没有采集客户送货地址、采购时间，这个数据采集就是不全面的。

腾讯QQ和微信的用户数据记录了客户交流沟通的数据；阿里和京东的用户数据记录了用户的购买交易数据；百度地图记录了用户出行的数据；大众点评和美团记录了客户餐饮娱乐的数据。对于全面描述一个人的生活的衣食住行各方面，这些公司的数据都是不全面的，而如果把他们的数据整合起来，则会形成更加全面的数据。所以说，数据的全面性说一个相对的概念。过度追求数据的全面性说不现实的。

数据的关联性

数据的关联性是指各个数据集之间的关联关系。比如员工工资数据和员工绩效考核数据是通过员工这个资源关联在一起来的，而且绩效数据直接关系到工资的多少。采购订单数据与生产订单数据之间通过物料的追溯机制进行关联，而生产订单又是由员工完成的，即通过员工作业数据与员工信息数据关联起来。

其实，我们本书探讨的企业大数据，每个数据集都是相关关联的，有些是直接关联的，比如员工工资数据和员工绩效数据，有些是间接关联的，比如说物料采购订单数据与员工工资数据。这些数据的关联关系是由公司的资源，包括人、财、物和信息等，连接起来的。如果有任何的数据集不能连接到其他的数据集，就会存在数据割裂或者数据孤岛。数据割裂和数据孤岛是企业数据关联性不足导致的。而数据的关联性直接影响到企业数据集的价值。

以上就是关于互联网/IT行业的术语，其英文缩写含义在哪里查询比较全面、方便全部的内容，包括:互联网/IT行业的术语，其英文缩写含义在哪里查询比较全面、方便、IT员工的考核标准、数据分析指标有那些等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！