浅谈内容类APP数据统计

最近在做商城导购类app，在首版基础功能实现后，用户基本上可以通过app完成购买流程的闭环。

接下来软件想要再提升一个层次，就需要提升用户浏览的体验和内容推荐的效率。既然要“提升”，势必要做许多功能，功能做完后，是否真的“提升”了，只有数据能告诉我们真相。于是乎，花了半晌对数据统计做了个总结。

抛出了几个问题：1、要统计哪些数据？2、该怎么统计？

---

要统计哪些数据？

想要回答这个问题，就需要想一下数据在哪些工作环节会起到作用。在这里，我将数据的作用分为几方面：

1、运营报表

既然是导购类app，自然少不了各种导购商品的推荐，每个导购位置是对用户的浏览购买起着积极的作用，推荐的东西是否合乎用户的胃口，需要数据去佐证；又比如小明和小红都是运营人员，但小明的月工资比小红多一千，

小红不服去找主管：“为啥做着一样的事儿，我还天天加班，但小红拿的比我多呢？”，

主管淡定地打开后台：“小红上个月运营商品的销售额比你多2万，服了么？”。

对于运营数据来说，主要是要表达清楚一件事：安排在软件内部和外部的那些推荐位，各自产生了多少收入。即“推荐位”和“收入”之间的关系。

2、行为数据

几乎所有的app都要统计行为数据，这个数据是主要提供给app的设计人员看的。在导购类app中，行为数据可以这样举个栗子：

产品汪：“我们这版优化了搜索界面的体验”，

老板：“优化后有效果吗？”，

产品汪：“有啊！”，

老板：“怎么看效果？”，

产品汪：“用户在搜索页面产生购买的次数 / 用户进入搜索页面的次数 的值变大了！”，

老板：“说人话！”，

产品汪：“就是用户搜索后购买的概率变大了！”，

老板：“干得漂亮，年终奖给你多发一张彩票”。

对于行为数据来说，要表现的是设计的功能、布局、流程是否能提升了用户新增、留存、点击率、购买量，最终实质还是“功能设计”与“收入”之间的关系。

3、推荐数据支持

这是内容类app特有的一种数据统计需求。在旧社会，人们通过报纸来获取新闻信息，由于时代的限制每天发生的新闻数量、不同媒体竞争的压力远不如现在，哪个年代每个人看着同样的报纸、同样的版面的同样的新闻，人们不觉得有什么不好，主要也没有其他的什么选择，只能看报纸。

在信息化如此发达的时代，传统的那一套显然不够用了，大家每天都很忙的！那么多新闻看都看不完，就需要我们通过“智能处理”，帮助用户去筛选新闻，这个用户到底是关系楼下猪肉是否涨价了，还是关心NASA发射的航天飞机是否爆炸了？需要提供数据，再通过算法智能分析，去了解每个用户喜欢什么。

推荐是把内容（例如商品）推荐给人，所以推荐数据是要表达“人”和“商品”之间的关系。

---

该怎么统计数据？

不同作用的数据统计的方式有所不同，所以针对具体需求具体分析。

1、运营报表的统计思路

对于运营数据来说，app内部有很多推荐位和推荐方式，甚至可以将内容分享到微信等社交网络，同样会产生点击等数据。也就是说，用户可以从很多我们无法预知的地方点击、浏览、购买。

所以，我们无法依赖“推荐位”本身给我们提供统计的帮助。

虽然推荐位有不确定性，但既然用户能浏览到内容、看到商品，那商品本身一定是确定存在的，所以我们可以在商品信息中添加额外的信息来表示这条商品信息“是从哪来的”。

运营在创建推广的位置后，需要给这个位置配置推广的商品内容，这些商品是指上是按照服务端提供的商品查询、搜索接口查到的，只需在向服务端提交查询请求时，带上推荐位的标识和运营人员身份的标识等字段，服务端就可以把推荐位和运营身份的信息放入到商品信息中，返回给APP或推广位。之后用户点击、购买了该商品，就能知道是什么推荐位购买的了，也可以知道哪个运营人员安排了这个推荐位。

大繁至简，以不变应万变，通过这个思路，哪怕用户将这些内容分享到社交平台，同样可以统计到点击和购买来自于哪里。

2、行为数据的统计思路

上面说到，行为数据主要是反映“功能设计”和“收入”之间的关系，然后影响收入的因素有很多方面，例如用户在购买的过程中操作是否流畅、给用户推荐的东西用户是否喜欢、设计的某项功能是否带动了用户间的传播进而提升了新增，这些都会影响收入。

这些的思路和方式都略有不同，不过中心思想是清晰的：根据每项功能设定特有的统计方式，并且数据是简单可靠的，目的是明确的，不贪大求全，追求一项统计反应很多功能的情况。

在这里，统计哪些行为数据要比怎么统计它 重要一些。

3、推荐数据支持的统计

推荐主要是说人和商品内容之间的关系，这里不关心用户是从哪找到这个商品的，是搜索到的还是好友介绍的，都没关系，只关心这个用户“有多喜欢”这个商品，“多喜欢”在程序中是用数值来表达的，例如极度喜欢用100来表示，完全不care用0来表示，0-100之间的数字就是喜欢的程度。作为统计来说，就是要给推荐系统搜集这样的数据标本，以供系统分析。点击查看，喜欢的数值是20，收藏的数值50，购买是100。把这些数据交给推荐系统，至于商品和商品之间的关系、人和人之间的关系的计算，那是推荐系统的事儿，统计部分不需要理会这些。

由于这是第一次做推荐数据支持，目前的想法可能有些简单，如果后面有新的体会再补上。