将HelloWorld在Windows、Mac、iOS与Android的销售数据放在同一度量体系下比较：先统一口径（时间范围、币种、归因规则）、再做基数标准化（按活跃设备或安装量）、拆解转化与留存差异、用统计检验判断显著性，最后结合生命周期价值与渠道成本做综合排序与决策，并分层化执行优化策略持续调整。
一、先说结论式的思路（用费曼法则先把事情讲清楚）
要比较各平台销售表现，最好的方式不是简单把收入相加比大小，而是把数据“放到同一台秤上”来称。换句话说，你得先回答三个基础问题：数据口径是什么？用哪个基数来归一？要看的是即时转化还是长期价值？解决这三点后，再用漏斗、留存与统计检验去拆解差异的原因，最后把成本（像获客成本）和生命周期价值（LTV）放到一起比较。
二、准备工作：统一口径与数据来源
比较之前，先把基础工作做足，这一步很容易被忽略，但决定了后续结论的可信度。
1. 时间口径要一致
- 相同时间窗口：比如都用过去30天、7天或首次付费后60天等，千万不要Windows用本月、iOS用过去7天那样混着比。
- 对促销周期敏感：如果某个平台刚好有折扣活动，应该把活动期单独标记或剔除，或者在分析中加入控制变量。
2. 货币与计费口径
收入要统一货币，并明确是毛收入还是净收入（扣平台抽成后的数）。例如App Store会抽成、Windows商店/第三方分发有不同收费结构，这会直接影响净收入的可比性。
3. 归因与渠道规则
不同平台常有不同的归因逻辑（安装来源、首次来源、归因窗口）。务必统一归因规则或至少说明差异。例如按首次接触归因还是按最后点击归因？
4. 数据质量检查
- 检测重复订单、退款、异常交易。
- 核对安装数与活跃设备数，检查采样率或埋点缺失。
- 确认时间戳时区一致（UTC或本地）。
三、核心指标与计算方法（你需要哪些度量）
把复杂问题拆成简单指标是费曼方法的核心。下面列出常用指标并给出计算公式，便于照着做。
- 安装数（Installs）：自然量，直接反映覆盖。
- 活跃用户（DAU/MAU）：衡量使用频率和基数。
- 收入（Gross Revenue / Net Revenue）：总收入与扣除平台分成后的净收入。
- ARPU（每用户平均收入）：ARPU = 收入 / 活跃用户数（或ARPPU只算付费用户）。
- 转化率（Conversion Rate）：如安装→注册、注册→付费等漏斗阶段的比例。
- 留存（Retention）：常用D1、D7、D30留存率。
- LTV（生命周期价值）：特定窗口内的累计净收益，常见30/90/365天LTV。
- CAC（获客成本）：各渠道的人均获客成本，和LTV比较决定可持续性。
几个常用公式
- ARPU = 净收入 / 活跃用户数。
- 付费率 = 付费用户数 / 安装数。
- LTV（30天） = 平均每用户在30天内贡献的净收入。
- 归一化收入（按1,000安装） = 净收入 / 安装数 * 1000。
四、示例表格：用虚拟数据演示如何比较
用表格把指标并列，直观判断差异。下面的数字是举例说明，真实分析要用你们的原始数据。
| Windows | Mac | iOS | Android | |
| 安装数（30天） | 50,000 | 15,000 | 120,000 | 200,000 |
| 活跃用户（MAU） | 20,000 | 7,000 | 60,000 | 110,000 |
| 净收入（30天，人民币） | ¥600,000 | ¥180,000 | ¥1,800,000 | ¥1,000,000 |
| ARPU（30天） | ¥30.00 | ¥25.71 | ¥30.00 | ¥9.09 |
| 付费率 | 3.0% | 3.3% | 5.0% | 2.0% |
| D7留存 | 22% | 24% | 28% | 18% |
| LTV（90天）估算 | ¥70 | ¥65 | ¥120 | ¥25 |
从表里你可以看到：iOS虽然安装量不一定是最高（在此例是第二高），但单用户价值与留存更好；Android安装量大但ARPU与LTV偏低；Windows用户群有不错的ARPU但规模有限；Mac用户表现介于Windows与iOS之间。重要的是要理解这些“表面”差异背后的原因。
五、如何做标准化（让不同平台可比）
标准化常用的方法：
- 按安装量归一：把收入换算成每千安装收入（Revenue per 1k Installs），适合比较市场推广效率。
- 按活跃用户归一：用ARPU或LTV/DAU比较用户质量。
- 按用户分层：把用户分为新用户/回流用户/高价值用户，分别比较。
举例：如果Android的安装是iOS的2倍，但ARPU只有三分之一，你需要问：增长是低质拉新还是高质用户都不来的问题？标准化能帮你回答。
六、拆解差异：漏斗与留存分析
单看收入无法告诉你“为什么”表现差。漏斗和留存是诊断问题的显微镜。
- 漏斗阶段：曝光→安装→注册→首次付费。分别计算每一步的转化率。
- 留存：观察D1、D7、D30留存，判断用户是否长期粘性好。
- 分渠道/分人群：同一平台内不同渠道可能差异更大，分渠道比较常常比跨平台比较更有价值。
一个简单的SQL示例（思路，不同公司字段名不一样）：
SELECT platform, count(distinct user_id) as installs, sum(revenue) as revenue FROM events WHERE event_date BETWEEN X AND Y GROUP BY platform;
再用漏斗表把每个平台每一步的人数放出来，看哪里流失最多，这一步非常关键。
七、统计检验：差异是真实还是偶然？
当你发现iOS的ARPU比Android高很多时，需要判断差异是否显著。常用方法：
- t检验：比较两个样本均值（例如两平台ARPU）是否有显著差异，要求近似正态分布或样本足够大。
- 卡方检验：比较比例差异（比如付费率）是否显著。
- Bootstrap（重采样）：对非正态或复杂分布更稳健，直接对ARPU或LTV做置信区间估计。
实际工作中，我常常把“显著性”与“效应量”一起看。差异可能统计上显著但业务上不重要（比如ARPU差0.1元），相反较大但样本小的差异要谨慎。
八、把成本和长期价值放一起看（利润视角）
收入高不等于利润高，特别是不同平台的分发成本、渠道投放成本、退费率都不同。所以最终比较建议按净利或LTV-CAC来排序：
- 计算各平台的净收入（扣除平台抽成、退款）
- 扣除对应的用户获取成本（广告投放、分发费用）
- 对比LTV（比如90天）与CAC的比值，看看能不能达到可持续水平（常见目标LTV/CAC > 3）
九、可视化建议（让复杂数据一目了然）
好的图能大幅提升沟通效率。推荐几种视图：
- 并排柱状图：比较四个平台的核心KPI（安装、净收入、ARPU）。
- 归一化柱图（per 1k installs）：方便看市场推广效率。
- 漏斗图：展示各平台关键转化步骤。
- 留存热力图（cohort heatmap）：观察不同平台用户的留存趋势。
- 误差条或置信区间：在比较均值时加上置信区间，避免误导。
十、常见误区（别踩这些坑）
- 只看毛收入：忽略平台分成和退款，会高估某个平台的价值。
- 时间口径混乱：把促销期与常态期混合比较会产生偏差。
- 样本偏小就下结论：小样本容易被少数高付费用户拉高平均值。
- 忽视渠道内差异：同平台不同渠道（如自然下载 vs 广告）表现差异往往更大。
十一、落地操作清单（执行步骤）
给你一个可复制的步骤清单，照着做就行：
- 确认比较目标与业务问题（增长、变现、留存或可持续性）。
- 统一时间窗口和货币口径，明确净收入定义。
- 抽取原始数据：安装、活跃、付费、退款、渠道归属、时间戳。
- 做数据清洗：去重复、剔除异常交易、调整时区。
- 计算核心指标（安装、活跃、ARPU、付费率、LTV、CAC）。
- 按基数归一（每1000安装或每1000活跃用户）并绘图对比。
- 做漏斗与留存拆解，找出主要差异点。
- 做统计检验，判断差异显著性并估计置信区间。
- 结合成本与LTV做优先级排序，形成可执行建议。
- 将结果做成可复现的报表或仪表盘，设置定期复查。
十二、实战小建议（那些容易被忽略但有用的细节）
- 分设备版本：桌面端（Windows/Mac）用户行为和手机用户差异大，别把桌面和移动的核心指标直接混合。
- 考虑付费模型差异：订阅制、一次性付费、内购道具的用户行为不同，拆开看更清楚。
- 地域拉平：如果不同平台用户分布在不同国家，货币购买力、价格策略需做地域矫正。
- 长期视角：短期促收与长期可持续常常冲突，要把季度和年度视角都看一遍。
如果你现在只想快速得到一个可操作的结论：先做“每千安装净收入”和“90天LTV/CAC”两个归一化指标，把四个平台排个序，然后用留存与转化漏斗去解释排名靠前或靠后的原因；再把统计显著性和样本量检查一下，别被噪声误导。
十三、最后一点话（边想边写的感觉）
做平台间销售对比，核心其实是两件小事：把口径统一，把问题拆成可衡量的小块。其它的，大多是数据实现和沟通细节。你会发现，做完一次标准化的对比，后续复盘、A/B、价格实验都会变得顺手多了。就像我自己每次对比完，总会在表里多留一列“备注”，记录那次促销、那次上架延迟、那次退款多的原因——这些短小的注释，后来往往比一堆图表更有用。