向日葵视频用户数据分析，先统一统计周期、用户去重方式和有效播放标准，再按“用户数、播放转化、观看时长、完播与回访”计算。下面用一组演示数据说明公式、单位和解读方法；示例数字及作品情节均为虚构，不代表向日葵视频公布的真实后台数据。

先定统计口径：用户、访问和播放不是一回事

用户数通常按统计周期内去重后的账号或设备计算；访问次数记录进入次数，同一用户多次进入会重复计数；播放次数则记录符合条件的播放行为，同一用户观看多集也会产生多次播放。因此，不能把访问次数或播放次数直接当作用户人数。

演示中将“有效播放”定义为连续播放达到10秒，将“完播”定义为播放进度达到视频时长的90%。这只是为了让算例有统一口径，实际统计时应在报表中明确采用的规则。若更换有效播放门槛、按账号还是设备去重，计算结果就可能不同。

不同统计来源也不宜直接相加。站内业务后台可以依据账号和播放记录统计行为；外部站长统计工具可能依据浏览器标识、访问脚本和自身过滤规则计算访客。两者的时间范围、跨设备识别、机器人过滤方式若不一致，用户数出现差异并不等于某一方的数据可以简单替代另一方。对比前应先统一时区、日期边界、去重口径和无效流量规则。

怎么算：常用公式、单位与适用条件

指标	计算公式	单位与口径
播放转化率	发生有效播放的去重用户数 ÷ 访问去重用户数 × 100%	百分比；分子、分母须采用同一统计周期和去重规则。
平均单次观看时长	有效播放累计观看分钟数 ÷ 有效播放次数	分钟/次；适合比较内容吸引观看的能力，不能直接解释为用户停留时长。
完播率	达到完播条件的播放次数 ÷ 有效播放次数 × 100%	百分比；须固定完播门槛，例如本例采用播放进度达到90%。
回访率	观察期内再次访问的新增用户数 ÷ 同一批新增用户数 × 100%	百分比；应按同一新增用户 cohort 观察完整回访窗口，不能将不同日期的新用户混算。
设备占比	某设备类型的去重用户数 ÷ 全部设备去重用户数 × 100%	百分比；如果同一用户跨设备访问，需说明是否按账号合并。

以一周为例，假设有10,000名访问用户，其中8,000名发生有效播放，累计有效播放18,000次、观看时长270,000分钟，达到完播条件的有9,720次。那么播放转化率为8,000÷10,000＝80%；平均单次观看时长为270,000÷18,000＝15分钟；完播率为9,720÷18,000＝54%。如果手机端去重用户为5,200人、电视端600人、网页端4,200人，三类合计10,000人，则手机端用户占比为52%。

回访率要另行锁定一批用户。例如，选取同一天首次访问的2,400名新增用户，观察此后7天，其中720人再次访问，7日回访率就是720÷2,400＝30%。如果观察期尚未结束，就不能把尚未出现回访机会的用户当作“未回访”，否则结果会被低估。

示例拆解：作品情节与用户指标怎样对应

仍以一周18,000次有效播放作演示：虚构作品《晴日来信》有7,200次有效播放，完播率为62%；虚构作品《山海旧约》有5,400次有效播放，完播率为48%；其余作品合计5,400次。两部作品的播放次数合计12,600次，占总有效播放的70%。这些数字只用于展示计算方式，不是平台实际作品排行。

在示例设定中，《晴日来信》讲述林舟与许晴在旧邮局重逢，前两集交代两人过去的关系，第三集揭开误会。若这部作品的前两集观看衔接较好、完播率也高，可以进一步检查第三集前后的退出情况，判断观众是否被情节转折留住；仅凭62%的整部完播率，还不能断定具体是哪一集起作用。

《山海旧约》则设定为阿洛与祁山寻找古地图的奇幻冒险故事，第三集集中交代地图来历。若该剧完播率低于《晴日来信》，应把逐集有效播放数和观看时长与剧情节点对照，查看观众是否在背景交代段落流失。这样的分析能把“哪部作品数据不同”进一步落到“哪些情节位置值得观察”，但不能仅凭相关变化证明剧情就是流失原因。

按时间线看变化：区分流量增长与观看质量

对同一周的数据，还可以比较前3天和后4天。假设前3天有4,200名访问用户、7,200次有效播放、累计观看100,800分钟；后4天有5,800名访问用户、10,800次有效播放、累计观看169,200分钟。两段合计仍为10,000名访问用户、18,000次有效播放和270,000分钟观看时长，与前述周汇总数据一致。

按天折算，前3天平均每天有1,400名访问用户、2,400次有效播放；后4天平均每天有1,450名访问用户、2,700次有效播放。后段每日有效播放增加约12.5%，而每日访问用户仅增加约3.6%，说明变化更集中在访问后的播放行为。此时应继续核对作品播放转化率和观看时长，而不是只用总访问量上升来概括用户兴趣增强。

实际汇报时，可按“日期变化—指标变化—对应作品或情节—可能影响”组织结论，并同时标注周期、单位和统计口径。这样既能看出用户规模的变化，也能区分是访问人数增加、播放意愿增强，还是单次观看更深入。