微信小程序官方提供了一系列的指标，和传统的 PC 端分析类比分析下，可以解读如下：常规指标1、打开次数：打开小程序总次数，用户从打开小程序到主动关闭小程序或超时退出计为一次； ...
微信小程序官方提供了一系列的指标，和传统的 PC 端分析类比分析下，可以解读如下：
常规指标
1、打开次数：打开小程序总次数，用户从打开小程序到主动关闭小程序或超时退出计为一次；
该指标代表了用户对小程序的使用频率。他开始是以扫描二维码进入，以主动关闭小程序或者小程序进入到后台因超时而自动退出为一次打开的结束。
问：前后台切换算作新一次打开么？
答：不算。
2、访问次数：访问小程序内所有页面的总次数，多个页面之间跳转、同一页面的重复访问计为多次访问；
该指标说白了就是页面浏览量。
3、访问人数：访问小程序内所有页面的总用户数，同一用户多次访问不重复计；
按照用户去重的人数。不过需要注意的是这里的用户是指按照微信 OpenID 计算的唯一用户数。
问：什么是微信OpenID？
答：微信 OpenID 是微信分配的只单个小程序或者公众号唯一的用户ID，同一用户使用不同小程序得到的OpenID不同。
4、新访问用户数：首次访问小程序页面的用户数，同一用户多次访问不重复计；
该指标为第一次打开小程序的用户数。
5、人均停留时长：平均每个用户停留在小程序页面的总时长，即小程序停留总时长 / 访问人数；
这个指标本身就不适用于小程序，或者说该指标和小程序的效率提升理念有所冲突，会引导分析师走向另外一个误区。我们需要时刻谨记小程序的目标不是为了提高用户的停留时长，而只是为了提高用户的效率。所以应该关心的是用户有哪些互动，这些互动是否达成了目标？而不是关心所谓的停留时长，因为你的小程序本不是用来给用户播放视频的，所以这个指标必定不能作为一个衡量小程序效果的 KPI。
6、次均停留时长：平均每次打开小程序停留在小程序页面的总时长，即小程序停留总时长 / 打开次数；
一样不适用，解读同上条。
7、累计访问用户数：历史累计访问小程序的用户数，同一用户多次访问不重复计；
选择时间范围内所有使用小程序的用户总数，依旧按照微信的OpenID 去重。
8、入口页：用户进入小程序访问的第一个页面，例如用户从页面A进入小程序，后跳转到页面B。即A为入口页，B不是；
小程序的打开页，由于小程序的每个页面均可被设置为打开页，所以该页面代表了小程序的入口。
9、受访页：用户进入小程序访问的所有页面，例如用户从页面A进入小程序，后跳转到页面B，A,B均为受访页；
小程序被用户访问过的每一个页面均为受访页。
特殊指标
1、分享次数：分享小程序的总次数；
由于小程序的分享指的是分享小程序页，所以该指标应该按照小程序页来看，而不应该只看一个概览结果，以明确具体哪个页面的分享效果最好，从而可针对性优化；
该指标应该被细化到分享到了哪里(朋友/群)，分享页面是什么。
2、分享人数：分享小程序的总人数，同一用户多次分享不重复计。
分享小程序的人数，依旧是按照微信的 OpenID计算人数；
基于以上指标可以看出，可分析的维度非常受限，只提供了天、入口页、受访页的统计，甚至无法提供分地域、操作系统、设备型号、联网方式、小程序版本、用户性别和来源等用户属性维度的分析。因此该统计只能当做一个基础统计，不足以支持我们进行分析和运营。
即时分析和历史统计
微信小程序后台提供了两套分析结果：概览和即时分析。
概览：提供小程序历史数据的统计（昨日以前）；
即时分析：提供小程序实时数据的统计（延迟 15 分钟）；
即时分析能够给运营人员带来的是实时的洞察和优化。比如通过实时数据发现某一地域的用户有暴增的趋势，那么我们就应该考虑该地域的服务稳定性问题，有没有必要干预。而官方的15分钟延迟，很可能就会使我们错失调整的机会。
历史统计是针对用户行为的深度分析和发掘的过程，以通过对用户行为的分析从而反馈到产品的优化或用户转化的引导。因此历史统计分析需要提供给用户一个更为灵活自如的分析工具，而不是基础的统计结果。
小程序运营分析核心点
第一， 数据源必须是全面的。
统计的数据不仅应当包含页面浏览的行为、打开的行为、而且应该包含分享、扫描二维码、按钮点击、表单提交 等等一系列由用户根据自己场景可以自由监测和定义的内容，这样统计的结果才是切合业务场景的，才能解决掉小程序分析人员的问题。而且要采集一切可以合法采集并利用的内容，如操作系统、用户定义的微信属性(昵称、性别、地域、头像)等，这些都是后续做深度分析的基础。
就拿分享来举例，按照目前的技术完全可以明确分享到了哪里(朋友/群)，分享页面是什么，这个分享是谁发起的、通过分享打开小程序的用户是点击谁的分享而来的而不是简单的呈现分享次数和人数。
第二，数据必须是实时的。
唯有实时方能即刻响应，优化和调整运营方略；任何细微的延迟都可能错失运营良机！就更不必说长达15分钟了。
第三，数据分析必须是多维度的。
这里的多维不是指提供了很多维度，但最终只可以选一种进行单维度的分析。而是指用户可以自由选择多个维度进行组合的多维分析。比如按照城市、设备型号、用户在微信预设的性别的组合分析。只有如此，分析师才可以通过数据发掘价值，若维度单一数据就会变得毫无营养，对运营的价值也就微乎其微。
第四，多维分析必须是及时的。
因为数据分析的过程其实是不断的假设和验证的过程，当我们看到某一个数据后，会提出一个假设，针对这个假设我们会使用分析系统通过多维组合得到相应的结果，在这结果的基础上，需要不断的去提出新的假设，从而进一步得到我们想要的结果，验证我们的结论。因此整个过程是实时组合维度，及时出查询结果。
第五，来源一定是需要被明确的。
目前微信的推广方式有四种：二维码、搜索、分享、自有公众号引荐。就二维码而言，可以被分成 N 多种，每个二维码携带不同参数标识不同的店铺或者广告位。因此分来源的统计可以精准的评估仅有的推广形式下各渠道的推广效果。
第六，以人为中心，明确每一个用户的个体行为轨迹。
通过个体行为可以研究用户行为动机，也可以通过用户行为轨迹映射出产品的问题。同时，在对用户行为进行多维细分之后，必须知道发生这些行为的用户是谁。只有做到这点，我们才有能力去开展漏斗分析和用户自动分组。
这点也是 PC 时代网站分析的一大进阶，大家可以回想，在以前我们分析网站都用 CNZZ 或者百度统计，高端点的话用 GA 。但这些都提供给我们的是统计数据，无法深度研究数据背后的用户以及个体用户行为特征。
而现在，张小龙将小程序页比作 PC 时代的网页，那我们在分析上还能按照传统的统计分析来做么，答案必须是不。目前我们已经有了精益化以人为中心的用户行为分析理念，他带给我们的是更大效率的提升，所以我们必须以事件为起点，以人为核心进行用户的精细化分析和运营。
第七，可以提供漏斗分析。
漏斗是衡量用户转化最直观的方式，可以明确用户在核心转化点的流失和转化情况。如果同时运用多维度分析，可以更加明确在哪些情况下该转化突然变低，从而找出问题优化产品或流程。
第八，用户是需要被分群管理的。
通过以上的多维分析，所有的用户可以被按照既定的规则或者行为特征分为不同的群组进行管理或者分析。比如将用户分为高转化用户组、潜在转化用户组等。
第九，数据整合能力。
微信小程序的数据是独立的，难以和外部的数据实现打通和整合，那么如何更好的利用这部分数据，从而发挥它的最大价值，就在于怎么选择统计分析工具，或者将数据整个回传，自己实现私有的 BI 展示或者对接自有的 CRM 数据。
