數據運營：如何對APP進行數據分析？ | 成都傳媒

有一個朋友跟我說，他之前呆過的一家互聯網公司，抗風險能力很弱，整個運營部門all in 在新增上，完全不考慮留存和活躍等指標。

2017年的日新增用戶數單從應用市場靠ASO來的都能做到日均3W，還沒有算上其他渠道。但是留存特別低，7日活躍留存率只能維持在10%左右。

后來，公司新來了一個產品經理，這個產品經理看到公司的問題，他逐步完善整個公司的數據體系。后來，運營數據指標體系慢慢清晰了，公司的用戶增長也步入健康的增長狀態，比當時all in新增的利潤要可持續得多。

他感嘆說，數據分析好的話，完全能夠實現可持續性的利潤增長，深感數據分析的重要性。

我也是完全認同他的觀點，數據分析的價值潛力很大。

今天，結合我多年的APP數據分析經驗，給大家講解一些APP數據分析的思路。記住，只聊思路，不聊實操，希望對一些對APP數據分析感興趣的伙伴有所幫助。

日常數據運營指標的監控

日常數據運營指標，如下載用戶數、新增用戶數、活躍用戶數、付費用戶數等，這些數據都是運營中最基礎最基本的數據，是大Boss們最關注的核心指標。

這些指標對數據的準確性和及時性要求都比較高，所以你一旦進入一個新公司，或者接手一個新項目，第一任務就是要把這些數據梳理好。

另外，運營指標體系中的眾多指標是基于這些基礎指標衍生出來的，假如這些基礎指標的數據質量不過關，其他衍生指標也會出現偏差，而且偏差結果因多個基礎指標誤差的疊加導致比基礎指標更大。

如何保證基礎指標的數據質量？

用戶ID邏輯的設計很關鍵。對于用戶數的統計，用戶ID的設計邏輯好與壞直接決定數據的質量。

因此，當你獲取到這些基礎數據時，你要對背后統計的ID邏輯了解清楚。對于電商和社交類的APP，因為這種類型的APP有強大的會員系統，對于精準識別一個用戶來說它會起到很好的補充作用。

渠道分析

對于一個上升期或者衰退期的APP，運營團隊會盡可能尋找大量的渠道來引流，吸引新用戶的關注。

互聯網的渠道很多，通常有競價渠道（百度、搜狗、應用商店）、SEO渠道（百度、搜狗）、新媒體渠道（微信公眾號、微博、抖音）、網盟廣告渠道（百度網盟、阿里媽媽）、移動端付費渠道（今日頭條、騰訊廣點通）、免費渠道（QQ群、微信群、貼吧、問答平臺、應用商店）、直播平臺（虎牙直播、映客）等。

渠道之多，因此做好渠道效果的監控和分析，對于降低獲客成本，提高渠道推廣的ROI，十分有幫助。

渠道分析，無非就是監測各個渠道的好壞、哪個效果更好、哪個單價更便宜。當然，我們還需要監控每個不同渠道用戶的后續表現，給每個渠道的用戶打分，我們要清楚的讓BOSS知道哪些渠道值得投、哪些渠道是垃圾；哪些渠道需要加大投資力度，哪些渠道應該選擇放棄。

假如運營團隊資源充足，還可以對不同手機機型、不同操作系統、不同地區之間的用戶質量進行對比分析。總之，就是在不同的維度上對新用戶進行切片，來監測不同維度上的用戶表現。

當然，渠道分析中，還有兩個重要問題是需要市場人員和數據分析人員引起迫切關注的，那就是渠道作弊和渠道歸因。關于渠道作弊和渠道歸因，都是很復雜的研究課題，后期我會單獨針對這兩塊內容來寫點東西，這里就不展開詳細敘述。

活躍用戶分析

一個產品不可能滿足所有用戶，魚和熊掌不可兼得，用戶之所以成為了活躍用戶，必然是你的產品已經滿足了一定的用戶需求。研究好活躍用戶有助于我們提升最核心的功能點，因此，這部分人的行為更值得研究。

所以說，活躍用戶（或者核心用戶）是APP最寶貴的資源，我們要密切關注APP活躍用戶的動態、傾聽他們的聲音。

活躍用戶分析，我們可以關注DAU，WAU、MAU、啟動次數、使用時長、DAU/WAU、DAU/MAU等指標，WAU和MAU反映了活躍用戶的總規模，啟動次數和使用時長反映了活躍用戶的粘性，DAU/WAU和DAU/MAU反映了活躍用戶的活性。

活躍用戶分析中，反映粘性和活性的指標，都值得細致研究。比如：拿使用時長指標來說，這個指標是用戶在某個自然時間段內在APP上使用的時間，這個指標的最大功用就是用來評價用戶活躍度和用戶粘性的。

如果用戶使用時長非常理想，說明用戶對APP的認可程度和剛需性高，反之則亦然。

另一方面，想一想你的APP在設計的時候，當初預計一個正常的用戶每天會用多少時間，上線后用戶真正用的時間是否和你的預計相同？

如果這里面有很大的偏差，就說明用戶對APP的認知和你當時設想是有不同的。 這個時候你就需要想想如何來調整你的產品，去迎合用戶的認知。

用戶畫像分析

用戶畫像其實就是用戶信息的標簽化。如性別、年齡、手機型號、網絡型號、職業收入、興趣偏好等等。用戶畫像分析的核心工作就是給用戶打標簽，通過人制定的標簽規則，給用戶打上標簽，使得能夠通過標簽快速讀出其中的信息，最終做標簽的提取和聚合，形成用戶畫像。

用戶畫像的應用場景主要有兩個：用戶特征分析和用戶分群。

用戶特征分析，是對特定的用戶群體進行持續深入的用戶屬性洞察，使得該用戶群體的畫像變得逐漸清晰，幫助企業了解他們是誰？行為特點是什么？偏好是什么？潛在需求和行為喜好是什么？洞察了這些特征以后，為后續的用戶群體可以做針對性的分析。

用戶分群是精細化運營的基礎，已經廣泛應用于各行各業的數據分析過程中。比如，定位營銷目標群體，幫助企業實現精準營銷；為喚醒沉睡用戶或者召回流失用戶，幫助企業實現精準推送；比如電商或者資訊類的APP，幫助企業實現個性化內容推薦等等。

產品核心功能轉化分析

什么是轉化？

當用戶向您業務價值點方向進行了一次操作，就產生了一次轉化。這里的業務價值點包括但不限于完成注冊、下載、購買等行為。在互聯網產品和運營的分析領域中，轉化分析是最為核心和關鍵的場景。

以電商網站購物為例，一次成功的購買行為依次涉及搜索、瀏覽、加入購物車、修改訂單、結算、支付等多個環節，任何一個環節的問題都可能導致用戶最終購買行為的失敗。在精細化運營的背景下，如何做好轉化分析儼然很重要。

所以，當你想要做轉化分析的時候，你就想想你產品的核心功能是什么，然后去監測這個核心功能的轉化率。不同行業都有相應的不同轉化率，比如游戲APP里更加關注付費率，電商APP更加關注購買率。

轉化率分析，你也可以將自己的產品與行業平均水平對比，看看自己的產品在行業所處的位置。另外，也可以通過長期的趨勢監測，可以評估APP不同版本的好與壞。

用戶流失分析

流失用戶召回是運營工作中的重要部分，定義流失用戶是用戶流失分析的起點。流失用戶，通常是指那些曾經使用過產品或者服務，但后來由于某種原因不再使用產品或服務的用戶。

在實際工作中，不同產品或者服務的業務類型，流失用戶的定義要復雜的多。

• 比如電商類產品，根據用戶購買行為定義，用戶多久未再次購買算流失用戶；
• 比如內容類產品，根據用戶訪問行為定義，用戶多久未訪問算流失用戶；
• 比如視頻類產品，根據用戶觀看行為定義，用戶多久未觀看算流失用戶。

因此，需要結合產品業務類型，將用戶關鍵性行為進行量化，來定義流失用戶。

用戶流失是一個過程不是一個節點，流失用戶在正式停止使用產品之前會表現出一些異常行為特征：訪問頻次大幅降低，在線時長大幅下降，交互頻率大幅降低等。

因此，我們需要通過規則或者機器學習建模等方式，建立用戶流失預警機制，提前預測流失用戶的概率，支持運營對高潛在流失用戶進行活動干預。

如果有條件的話，可以和行業的平均水平進行對比，讓自己更加清楚自己產品的流失率在行業的位置。另外，也可以給流失用戶做畫像，能夠幫助我們更好的了解流失用戶特征。流失用戶畫像越細致，代表性越強，召回成功率就越高。

但是，我們知道流失用戶和流失用戶的畫像還不夠，還要找到流失的地方，看看用戶在哪些地方流失了，然后有的放矢，進行相應的產品改動。

當我們清楚的定義了流失用戶，也了解了流失用戶的畫像，知道流失用戶聚集在哪些渠道，接下來我們就要明確用戶召回的路徑和策略。

從用戶角度出發，給用戶一個重新使用產品的理由。流失用戶召回后，不是終點，我們要對召回來的流失用戶進行維護和二次促活，鞏固召回效果。

用戶生命周期分析

什么是APP用戶的生命周期？

它是指用戶從與APP建立關系開始到與APP徹底脫離關系的整個發展過程，在整個生命周期中為APP帶來的價值總和，稱為生命周期價值。

在APP用戶的整個生命周期中，從用戶價值貢獻的角度可以分為4個不同的時期，分別是考察期、形成期、穩定期和衰退期。每個時期的用戶給APP帶來不同的價值。

（1）考察期

這個時候的用戶主要是對APP產品提供的功能和服務，進行自我需求的驗證和考察。一旦用戶發現產品不能滿足自己的需求，將會快速的流失掉。

所以在產品規劃的時候，一定要對目標群和目標用戶需求進行精準定位，盡可能避免上線后，就有大量的用戶流失。這個時期用戶的價值貢獻較低。

（2）形成期

當產品的功能和服務能夠滿足用戶的需求，用戶將會對產品進行試探性使用，在該過程中產品的用戶體驗將會起到決定性的作用。尤其是在同質APP較嚴重的時候，用戶將會一邊倒的選擇體驗更優秀的APP。

在該時期用戶會真正的選擇并決定使用產品，同時用戶創造的價值也將會飛速提升。

（3）穩定期

處于這個時期的用戶，無論是忠誠度還是活躍度都是最高的。他們會頻繁的使用產品，會對產品進行口碑宣傳，吸引和推薦更多的用戶選擇產品，這個時期的用戶價值創造將會達到最高，并且保持很長一段時間的穩定。

（4）退化期

引起穩定用戶進入退化階段，因素很多。比如一個母嬰類產品，孩子長大了，就放棄該產品的使用。

總之，某些因素影響到用戶的滿意度，都有可能促使用戶進入退化期，進而徹底脫離該產品。用戶一旦進入退化期，就應該進行及時的用戶維護。這個階段，用戶創造的價值將會迅速遞減。

總結

以上總結的APP數據分析思路并不是全部，比如A/B測試、熱圖分析、表單分析、路徑分析等常用的分析思路，均沒有包含其中。這么多APP數據分析思路，其實市場上已經有非常成熟的APP數據分析工具，給我們提供強大的分析支持。

比如國內的有友盟、MTA、Talkingdata、神策數據、Growingio、諸葛IO、數極客等，國外的有GA、Mixpannel、Appsee等。每一款APP數據分析工具，除了基本的數據分析維度幾乎都一樣，各家的產品都有自己獨特優勢的功能。

所以，大家如果希望選擇第三方數據分析工具，要結合自己的分析目的和自身公司的條件來選擇適合自己的數據分析工具。

作者：大雄

來源：大熊