数据基础指标体系
14个行业数据指标体系
14个行业数据指标体系
行业数据指标体系是对某个行业的数据进行评估和分析的一套系统化指标。
针对不同的行业，可以制定不同的指标体系来评估其发展状况和趋势。
以下是一个涵盖14个行业的数据指标体系的简要介绍。
1. 销售额：衡量行业整体的经济规模和市场需求。
2. 利润率：反映行业企业的经营效益和盈利能力。
3. 市场份额：评估企业在整个市场中所占的比重。
4. 员工数：反映行业的就业情况和规模。
5. 投资额：评估行业的资本投入和发展潜力。
6. 市场增长率：衡量行业市场规模的增长速度。
7. 技术创新指数：评估行业的科技创新水平。
8. 研发支出：反映行业在研发方面的投入和创新实力。
9. 环保指标：评估行业的环境影响和可持续发展性能。
10. 进口/出口额：衡量行业的国际贸易活动和竞争力。
11. 客户满意度：反映行业产品和服务的质量和用户体验。
12. 售后服务指数：评估行业在售后服务方面的能力和效率。
13. 行业集中度：反映行业中的市场竞争格局和企业数量分布。
14. 行业风险指数：评估行业面临的风险和不确定性程度。
以上14个行业数据指标体系覆盖了行业的不同维度，可以给出对行业发展情况的全面评估和分析。
企业可以根据这些指标制定战略和决策，政府可以利用这些
指标来制定政策和监管措施，投资者和研究人员也可以依靠这些指标进行行业分析和预测。
通过对这些指标的监测和分析，可以更好地把握行业的发展趋势和市场机会，推动行业的创新和进步。
数据指标体系详细设计方案
数据指标体系的详细设计方案需要根据具体的应用场景和目标进行制定。
以下是设计一个数据指标体系的一般步骤和要点：1. 确定业务目标：明确数据指标体系的设计目标，如提高生产效率、降低成本、改善客户满意度等。
这有助于确定需要关注的关键指标和指标的权重。
2. 研究业务流程和需求：深入了解业务流程，并与相关利益相关者交流，以确定需要收集和监测的关键数据。
了解业务需求，包括决策层面所需的数据，以及各个部门或岗位对数据的需求。
3. 选择合适的指标类型：根据业务目标和需求，选择合适的指标类型。
常见的指标类型包括效率指标、质量指标、成本指标、客户满意度指标等。
4. 设计指标分类结构：建立一个清晰的指标分类结构，将指标按照业务流程、部门功能、关键绩效领域等进行分组和分类。
例如，可以按照产品质量、市场销售、供应链管理等方面进行分类。
5. 界定指标定义和计算方法：为每个指标定义清晰的定义和计算方法，确保指标的一致性和可比性。
规定数据收集的频率和方式，并确定数据来源。
6. 确定指标权重和目标值：根据业务优先级和目标设定，为每个指标分配适当的权重，并设定相应的目标值或基准值。
这有助于监测和评估绩效，以及制定改进措施。
7. 设计数据采集和报告系统：根据指标体系的设计，建立相应的数据采集和报告系统。
选择合适的数据采集工具和技术，确保数据的准确性和及时性。
设计报告格式和展示方式，使数据易于理解和分析。
8. 实施和监控：开始实施数据指标体系，并持续监控指标的变化和趋势。
根据数据的反馈结果，及时调整和改进指标体系的设计。
需要明确的是，每个组织和项目的数据指标体系设计会有所不同，因此在实际操作中，建议与相关领域的专家进行深入讨论和协商，以确保设计方案的有效性和适应性。
数据基础指标体系
数据基础指标体系数据基础指标体系是指用于描述、评估和比较不同数据集的基本指标的集合。
该体系通常由多个维度和指标组成，用于帮助分析人员理解和解释数据的特点和变化趋势。
数据基础指标体系可以应用于各种领域，包括市场研究、经济分析、运营管理等，以提供数据支持和决策依据。
以下是一个例子，展示了一个包含多个维度和指标的数据基础指标体系：1.数据质量维度：-完整性：反映数据集中信息的完整程度，如缺失值的比例、记录的完整性等。
-准确性：反映数据集中信息的准确性，如错误数据的比例、异常值的存在等。
-一致性：反映数据集中信息的一致性，如相同信息在不同数据源中是否一致等。
2.数据可用性维度：-可及性：反映数据的获取和使用的便捷程度，如数据存储的形式、接口的开放程度等。
-即时性：反映数据的更新和发布的及时程度，如数据的实时性和延迟程度等。
-清晰度：反映数据的表达和呈现的清晰程度，如数据文档的完善程度、图表和报告的可读性等。
3.数据分析维度：-描述性分析：反映数据集中信息的基本特征，如平均值、中位数、标准差等统计指标。
-比较分析：反映不同数据集之间信息的相似性和差异性，如相关系数、卡方检验等。
-预测分析：反映数据集中信息的趋势和变化规律，如时间序列分析、回归模型等。
4.数据管理维度：-存储管理：反映数据存储和管理的效率和可靠性，如数据压缩、备份和恢复等。
-安全管理：反映数据的保密性和完整性的保护程度，如访问权限控制、加密技术等。
-质量管理：反映数据管理过程的规范性和可持续性，如数据清洗、数据字典的建立等。
5.业务价值维度：-支撑决策：反映数据对决策的支持程度和关联性，如数据的相关性、决策模型的准确性等。
-优化效益：反映数据在业务过程中的效率和效益，如成本降低、生产效率提升等。
-创新发展：反映数据对新产品和服务的创新和发展的影响，如市场创新、技术创新等。
数据基础指标体系的建立与使用需要根据具体领域和业务需求进行定制化，以确保能够全面、准确地描述和评估数据的特征和价值。
数据运营指标体系
数据运营指标体系
数据运营指标体系是指在数据分析的基础上，针对企业运营过程中的各个环节，设计出一套可以有效评估和监控企业运营效果的指标体系。
一个好的指标体系可以帮助企业更好地了解自身的业务情况，快速发现问题并及时采取措施，提升企业的运营效率和竞争力。
在构建数据运营指标体系时，需要考虑以下几个方面：
1. 确定目标和重点指标：在制定指标体系之前，需要明确企业的目标和重点业务领域，确定需要监控的指标类别，以及关键指标和次要指标的优先级。
2. 数据来源和采集方式：需要确定数据采集的方式和来源，包括内部数据和外部数据，以及数据的精度和时效性等。
3. 数据清洗和处理：需要对采集到的数据进行清洗和处理，确保数据的准确性和一致性，以便于后续的分析和应用。
4. 分析和应用：需要对清洗和处理后的数据进行分析和应用，生成报表和图表，以便于数据的可视化和展示，同时也可以对数据进行深入挖掘和分析，找出业务过程中的瓶颈和优化点。
在实际运营中，数据运营指标体系可以应用于各个方面，如销售、营销、客户服务、人力资源等，帮助企业更好地了解自身的业务情况，快速发现问题，及时采取措施，提升企业的运营效率和竞争力。
- 1 -。
如何建立数据指标体系
如何建立数据指标体系
建立数据指标体系是企业发展和管理的重要组成部分，有助于正
确科学地了解企业运营情况和制定有效决策。
以下是建立数据指标体
系的步骤。
第一步：明确业务目标和数据指标方向
企业需要根据自身的业务目标和发展方向，明确想要达到的成果
和需要监控的数据指标方向。
比如，企业想要提升产品销量，则需要
监控订单量、转化率、留存率等相关指标。
第二步：抽象业务指标为数据指标
将业务目标明确后，企业需要将业务指标具象化为具体的数据指标，比如将销售额转化为月度销售额、年度销售额、销售额增长率等。
第三步：制定指标分类体系
为了更好地管理和监控指标，企业需要根据业务目标和数据指标
方向，建立相应的指标分类体系。
这些指标可以分为销售指标、客户
指标、产品指标等等。
第四步：确定指标采集和分析方式
在确定了数据指标体系之后，企业需要找寻正确的数据采集和分
析方式，包括如何自动化采集和分析指标、如何建立数据仓库和分析
平台等。
第五步：制定数据指标监控计划
数据指标监控计划有助于企业快速、准确地了解业务情况，以便
及时制定相应措施。
同时，监控计划还需要定期优化，确保数据指标
监控体系持续稳健。
总之，建立数据指标体系需要多方面的考虑和计划，从确定业务
目标、体系分类到指标监控计划，需要不断地优化和实践，为企业的
发展和管理提供有力的支撑。
如何建立数据指标体系
如何建立数据指标体系建立数据指标体系是为了衡量和监控特定业务或组织的关键绩效指标，以便了解其运营状况并作出相应决策。
一个有效的数据指标体系可以帮助企业或组织确定其战略目标、评估其战略执行、发现问题和机会，并改进业务流程和绩效。
下面是建立一个数据指标体系的步骤：2.确定关键业务过程：确定影响实现战略目标的关键业务过程。
这些过程可能包括销售、运营、市场营销、人力资源等。
理解这些过程的目的和关键步骤是建立指标体系的基础。
3.识别核心指标：对于每个关键业务过程，识别关键的性能指标。
核心指标应准确地衡量业务过程的成效和效率。
例如，销售过程的核心指标可能包括销售额、销售增长率、销售周期、客户留存率等。
4.制定指标定义和测量方法：对于每个核心指标，明确定义和测量方法。
确保指标的定义清晰明确，并建立一致的测量方法。
这样可以确保指标的可比性和可靠性。
5.设定目标值：为每个核心指标设定目标值。
目标值应该是可实现的，与战略目标一致，并可量化。
例如，销售过程的目标值可以是每个季度增长10%的销售额。
6.建立数据收集和报告机制：建立数据收集和报告机制，确保能够及时、准确地收集和报告相关数据。
这可以包括数据收集系统、数据仪表板、数据报告模板等。
确保数据的准确性和完整性也非常重要。
7.监控与分析：定期监控和分析核心指标的变化和趋势。
这有助于发现问题和机会，并根据实际情况作出相应的调整和改进。
8.改进和优化：基于数据指标的监控与分析结果，及时改进业务流程和绩效，以实现战略目标。
这涉及到与相关部门和团队的合作和沟通，以确保改进行动的有效实施。
9.持续更新和完善：数据指标体系应不断更新和完善，以适应业务和市场环境的变化。
定期评估和修订指标以保持其有效性和适用性。
建立一个有效的数据指标体系需要多个阶段的努力和协作。
这需要企业或组织的高层管理者的支持和参与，以及与各个部门和团队的紧密合作。
只有建立起有效的数据指标体系，企业才能更好地了解其运营状况，并及时做出相应的决策，以实现其战略目标。
数据指标体系和数据治理的管理
数据指标体系和数据治理的管理在互联网时代，数据已经成为了一种强大的资源，企业和组织对数据的管理和治理变得尤为重要。
数据指标体系和数据治理的有效管理，不仅可以帮助企业深入了解和分析自身数据，还能为决策和战略制定提供有力支持。
首先，数据指标体系是指为了量化和衡量数据的价值和质量而建立的一套评估指标。
一个完善的数据指标体系应该包含多个方面的指标，如数据完整性、准确性、一致性、及时性等。
通过建立数据指标体系，企业可以对数据进行全面的评估和分析，从而为数据的有效利用和管理提供保障。
其次，数据治理是指在数据生命周期中进行规划、制定政策以及监督和控制数据的过程。
数据治理的目标是确保数据的质量、安全和合规性，并促进数据的可信度和一致性。
数据治理包括数据管理、数据安全、数据质量和数据合规等方面，可以帮助企业建立健全的数据管理制度，提高数据的可信度和有效利用率。
在实践中，建立一个科学且可行的数据指标体系和数据治理模式，需要企业全面的理解和有效的执行。
首先，企业需要清楚自身的数据需求和目标，明确数据的收集、存储和使用方式。
其次，企业需要加强对数据管理的重视，建立专门的数据管理团队，并制定相应的数据管理政策和流程。
此外，企业还应加强对数据安全和合规性的管理，确保数据的隐私和安全。
总的来说，数据指标体系和数据治理是互联网时代企业进行数据管理的重要手段。
通过建立完善的数据指标体系和数据治理模式，企业可以更好地理解和利用自身的数据资源，提高数据的质量和可信度，为企业的发展和决策提供有力支持。
同时，数据指标体系和数据治理也是企业提升竞争力和创新能力的关键因素。
只有将数据管理工作落到实处，企业才能真正实现数据驱动的发展。
数据指标体系要素
数据指标体系要素
数据指标体系是用于评估和监测组织或业务绩效的关键工具，通常包括以下要素：
1.关键业务目标：这是数据指标体系的基础，明确了组织或业务战略的目标和意图。
2.关键业务流程：识别实现这些目标所需的关键流程和环节，这是构建数据指标体系
的基础。
3.关键绩效指标：在每个关键业务流程中，选择和定义能够反映流程绩效的指标。
这
些指标通常与业务目标直接相关，能够量化业务绩效和结果。
4.数据收集和分析：确定数据来源、方法和频率，确保数据的可靠性和准确性。
通过
数据分析来生成关于指标的报告和可视化图表。
5.监测和报告：定期监测和报告指标的变化和趋势，为组织提供关于业务绩效的实时
视图。
这有助于组织及时发现问题、评估进展和做出决策。
6.主指标（一级指标）：这是评价业务绩效的最核心的指标，例如销售金额、销售件
数、销售毛利等。
7.子指标（二级/三级指标）：主指标可能由几个子部分构成，例如销售金额可以细分
为用户数、付费率、客单价等。
8.过程指标：反映业务流程执行状态的指标，例如响应时间、处理速度、完成率等。
以上要素是构建一个完整的数据指标体系所必需的，它们共同作用，帮助组织更好地理解和评估其业务绩效，从而做出更有效的决策。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
如何构建数据指标体系如果一个事情，你不能衡量它的话，那么你就不能增长它。
在围绕着用户紧紧做精细化的运营时代。
数据驱动运营是未来运营的趋势，精细化运营已经变得尤为重要，数据驱动决策是运营人必须要面对的挑战也是要下意识学的一门技能。
一个懂数据分析的产品经理可以利用数据驱动产品设计优化，并高效提升用户体验。
1、什么是数据分析？不要对数据分析有太多的畏难情绪，所谓的数据分析就是指从数据中提取有用的信息，并指导实践。
比如说结合数据优化产品的用户体验，通过数据来进行用户画像，通过数据发现产品改进的关键点，以及产品改版、迭代是否在一个正确的方向上。
而这些事情，在经过实践之后，都会变的简单且容易上手。
2、数据分析的目的？但是在做数据分析前，一定要先确定好目标，这样后面的每一步才能不偏离大方向，我们才能清楚地知道究竟该采集什么样的数据，要分析哪些指标。
那么，你做数据分析的目的是什么：是检测用户对新功能的喜爱程度？是优化用户在使用过程中的槽点？还是提升某个产品页面的转化率？…3、如何获取数据？说到收集数据，首先要做好数据埋点。
所谓“埋点”，个人理解就是在正常的功能逻辑中添加统计代码，将自己需要的数据统计出来。
（1）自有数据分析系统：企业内部使用的数据产品，如自建 BI 和推荐系统。
公司自有的数据是最原始的数据，也是最可靠、最全面的。
一般而言，有条件的情况下都是以内部数据为准（自己开发，开发时加入统计代码，并搭建自己的数据查询系统）。
（2）第三方数据分析工具：这个是借助外部工具获得数据，常见的第三方统计工具有：网站分析工具：Alexa、中国网站排名、网络媒体排名(iwebchoice)、Google Analytics、百度统计；移动应用分析工具：Flurry、Google Analytics、友盟、TalkingData、Crashlytics 不同产品，不同目的，需要的支持数据不同，确定好数据指标后，选择适合自己公司的方式来收集相应数据。
获取数据的方式其实多种多样，关键在于，作要了解什么样的数据是重要的，对于这些数据的前后关联，是怎样的，这是一个联动的过程，不是一个单一的行为。
有了这些数据之后，我们该怎么去分析这些数据呢？哪些是可以为我们所用的，又有哪些是可以剔除掉的。
4、关注哪些数据维度？一款产品的数据指标体系一般都可以分为五个维度：用户规模与质量、参与度分析、渠道分析、功能分析以用户属性分析。
（1）用户规模和质量分析：主要是分析用户规模指标，这类指标一般为产品考核的重点指标；包括总用户数、新用户数、留存用户、转化率。
用户规模和质量是数据分析最重要的维度，其指标也是相对其他维度最多。
（2）参与度分析：主要是分析用户的活跃度，分析的维度主要是包括启动次数分析、使用时长分析、访问页面分析和使用时间间隔分析。
（3）渠道分析：主要分析渠道推广效果，以科学评估渠道质量，优化渠道推广策略。
渠道分析尤其要重视，因为现在移动应用市场刷量作弊是以及业内公开的秘密。
渠道分析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。
（4）产品功能分析：主要分析功能活跃情况、页面访问路径以及转化率；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。
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，返回到产品的迭代漏斗模型：是用于分析产品中关键路径的转化率，以确定产品流程的设计是否合理，分析用户体验问题。
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。
（5）用户属性分析：主要分析用户特征，用户属性一般包括性别、年龄、职业、所在地、手机型号、使用网络情况。
如果对用户的其他属性感兴趣的，可以到自的微信呢公众号后台或者其他诸如头条、uc等后台看用户属性都包含哪些维度。
不管在我们的产品启动初期，还是战略的调整，分析用户画像都有着重要的意义。
比如我们在产品设计前需要构建用户画像，指导设计、开发、运营；产品迭代过程需要收集用户数据，便于进行用户行为分析，与商业模式挂钩等等。
5、如何分析数据？从第三方数据分析工具或者自家的分析后台拿到这些数据后，该怎么去分析呢？要真的做到基于数据的分析，你必须要有以下条件：●理解业务：如果你不明白业务之间的关联，你就不会考虑跨端的数据印证。
●了解各个数据之间的上下游关系和关联关系●用多个辅助数据作为支撑同步验证：析结果大多数时候是推测，这时候需要其他数据作为辅助验证的方法和证明。
理顺分析思路，确保数据分析结构体系化。
把问题分解成相关联的部分，并显示它们之间的关系。
为后续数据分析的开展指引方向。
确保分析结果的有效性及正确性。
6、基本的产品分析概念产品经理在做数据分析的时候，一些基本的产品分析概念还是需要理清的，比如最基本的AARRR模型，也就是说产品经理要了解什么是新增、活跃、留存、流失等，这些基本的概念都是需要去了解和掌握的，不然真碰到数据分析的问题，也只能两眼一抹黑了，更别谈分析出一个什么所以然来了。
比较简单的一些概念，在这里普及下：●新增：新用户增加的数量和速度。
如：日新增、月新增等。
●活跃：有多少人正在使用产品。
如日活跃(DAU)、月活跃(MAU)等。
用户的活跃数越多，越有可能为产品带来价值。
●留存率：用户会在多长时间内使用产品。
如：次日留存率、周留存率等。
●流失率：一段时间内流失的用户，占这段时间内活跃用户数的比例。
网页指标：（1）PV（page view）：即页面浏览量，用户每1次对网站中的每个网页访问均被记录1次。
用户对同一页面的多次访问，访问量累计。
在一定统计周期内用户每次刷新网页一次也被计算一次。
一般来说PV与来访者数量成正比，但是PV并不直接决定页面的真实来访者数量，例如，同一个来访者通过不断的刷新页面，也可以制造出非常高的PV。
（2）UV（unique visitor）：即独立访客，访问网站的一台电脑客户端为一个访客。
（3）PR（pagerank）：即网页的级别，一个PR值为1的网站表明这个网站不太具有流行度，而PR值为7到10则表明这个网站非常受欢迎(或者说极其重要)。
（4）跳出率：指用户到达你的网站上并在你的网站上仅浏览了一个页面就离开的访问次数与所有访问次数的百分比。
这里的访问次数其实就是指PV。
是评价一个网站性能的重要指标，跳出率高，说明网站用户体验做得不好，用户进去就跳出去了，网站没有满足用户的期望与需求或是人群定位不精准，反之如果跳出率较低，说明网站用户体验做得不错。
（5）转化率：指在一个统计周期内，完成转化行为的次数占推广信息总点击次数的比率。
转化率=（转化次数/点击量）×100%。
以用户登录为例，如果每100次访问中，就有10个登录网站，那么此网站的登录转化率就为10%，而最后有2个用户订阅，则订阅转化率为2%，有一个用户下订单购买，则购买转化率为1%。
转化率反映了网站的盈利能力，重视和研究网站转化率，可以针对性的分析网站在哪些方面做的不足，哪些广告投放效果比较好，可以迅速的提升用户体验、节约广告成本，提升网络转化过程。
（6）重复购买率：指消费者对该品牌产品或者服务的重复购买次数。
重复购买率越多，则反应出消费者对品牌的忠诚度就越高，反之则越低。
活跃度指标：主要衡量产品的粘性、用户的稳定性以及核心用户的规模，观察产品在线的周期性变化。
AU（Active Users）活跃用户：用户登录产品记为一次登录；DAU（Daily Active Users）日活跃用户：每日登录过的用户数；WAU（Weekly Active Users）周活跃用户：七天内登录过的用户数；MAU（Monthly Active Users）月活跃用户：30天内登录过的用户数；AT（Daily Avg. Online Time）日均使用时长：活跃用户平均每日在线时长；PCU（Peak Concurrent Users）最高同时在线用户人数：统计周期内，同一时点（通常精确至分）的最高在线人数；ACU（Average Concurrent Users）平均同时在线用户人数：统计周期内，每个时点（通常精确到分）的平均在线人数；流失、留存指标：观察流失用户的状态、流失前行为来判断产品可能存在的问题。
ULR（Users Leave Rate）用户流失率：统计当日登录过产品的用户，但在随后N日内未登录的用户数/统计日DAU日流失率：统计当日登录过产品的用户，次日未登录的用户数/统计日DAU周流失率：统计当周登录过产品，之后下一周未登录的用户数/WAU月流失率：统计当月登录过产品，下一月未登录的用户数/MAU日留存率：统计当日登录过产品的用户，在之后N日内至少登录一次的用户数/统计日DAU 周留存率：统计当周登录过产品的用户，且下一周至少登录一次的用户数/WAU月留存率：统计当月登录过产品的用户，且下一月至少登录一次的用户数/MAU次日留存率：统计当日登录过产品的用户，次日依旧登录的用户数/统计日DAU回归率：曾经流失，重新登录产品的用户数占流失用户的比例回归用户：曾经流失，重新登录产品的用户数流失用户池：过去一段时间内流失的用户数利用数据的前提是有数据可以利用，这就需要在用户引入期之前就要做好数据埋点，同时在分析数据时要能透过原始用户行为数据来观察数据背后所反映的问题，采取运营手段来提升留存率之后要观察运营结果，总结得失，为下阶段运营提供数据依据，这个过程对运营人员的要求比较高，要求运营人员在用户进入前就要进行数据埋点，把握用户转化的关键点和关键路径。
用户行为数据和用户留存的关系？用户行为数据可以理解为用户在产品内进行操作时被服务器记录下来的使用行为数据。
通过对用户行为数据进行分析，可以帮助运营人员更加详细、清楚地了解用户的行为特征，从而找出造成用户流失的原因，为运营人员进行针对性运营提供依据。
关注渠道留存数据渠道留存数据是指推广渠道带来的用户留存量，产品越来越细分也使得推广渠道不断增长，在进行渠道选择时，除了关注流量大小之外，更应该关注流量质量，不同渠道带来的流量质量是不同的，留存下来的用户量也会有很大差别。
由于不同平台对用户的定义不同，衡量用户留存的指标也会有所差别，这就需要在计算用户活跃率、留存率时，先明确产品对用户活跃、留存的指标。