洞察用戶生命力的核心在于通過顆粒度更細的數據，將產品內部的化學反應呈現出來。讓我們能夠進行分析，能夠更精準的對問題進行定位。

洞察用戶生命力是制定產品數據增長策略的基礎條件，或許你已經閱讀過數據增長相關的書籍，但仍然很難做好數據增長。

并不是書籍上的內容有所偏薄，真實的原因是因為我們缺少對用戶生命力的洞察能力，這導致我們沒辦法正確的將這些方法付諸實踐，并不是方法錯誤，而是我們沒能發揮方法的價值。

完整的數據增長策略應該是合適的時間做了合適的事情，只是知道“事情”是遠遠不夠的，我們還要有“時間”的概念，更需要知曉聯系時間與事情之間的“合適”是何種含義。

當你具備對用戶生命力的洞察能力時，數據增長策略就不再神秘和難以下手了。

如果我們能夠在用戶心情愉悅時，誘導他付費升級，在用戶迫切需要的地方，誘導用戶分享轉發，那么我們的付費率，我們的分享率便會極大的提高。

困難的地方并不在于如何讓用戶愉悅，也不在于如何讓用戶迫切需要，而是我們如何去洞察，什么時候用戶愉悅了，什么時候用戶需要了。

這不是拍腦袋的直覺，我們需要更客觀的數據進行分析佐證。

洞察用戶生命力的核心在于通過顆粒度更細的數據，將產品內部的化學反應呈現出來。讓我們能夠進行分析，能夠更精準的對問題進行定位。

在上一節的案例里，我們補充幾個數據信息，你會發現問題發生了極大的變化，你的策略或許在投入市場之前就可以被判定無效。

經過一段時間的數據觀察，我們發現新用戶的留存數據非常良好，次日留存率甚至遠高于市場平均數據，達到了驚人的70%，7日留存率也在60%，30日留存率則是50%。也就是說每天新增10000用戶，在第30天時，至少有15萬至20萬用戶是會計入日活數據的。但日活數據依然是100萬，并沒有因此提升。

這表示，新用戶的留存并沒有太大的問題，他們確實留存在產品里了，日活數據沒有提升是由于其他原因導致。因為問題定位偏差，你準備的若干方案都變得沒有了意義。這樣的事情每天都在我們的工作中上演，一旦問題定位偏差，你的任何解決方案都沒有了意義，如果已經投入到開發階段，勢必會導致資源的耗損，時間的耗損。

更重要的是，你會一次一次的透支團隊對你的信任度，你的壓力將會伴隨每一次的實施結果而倍增。盡管我們可以通過良好的溝通能力，出色的領導力去調動大家的積極性，但這并不能堅持很長時間。

任何措施都只能在表面維持友好的現象，任何偽裝都無法掩蓋你的信任度面臨余額不足的問題。

猶如我對此的形容：這是一個困境，而你深陷其中，在極大壓力的背景下，你極有可能繼續作出錯誤的決策，也許你會將毒蛇視為能夠助你脫離困境的繩索。

難以避免的，你將會越陷越深，最后的結局也許是產品下架，項目組解散，甚至公司解散。而這一切的罪魁禍首，導致你作出錯誤決策的根本原因在于我們缺少對用戶生命力的洞察。

因為缺少洞察力，致使我們沒辦法準確的定位問題，直接導致我們做出了錯誤的決策。如果你能準確的對問題進行定位，結局將會截然不同。

依然是相同的案例，經過更深層次的數據分析，你已經發現日活數據不再增長的原因并不是新用戶留存，為此，你需要顆粒度更細的數據分析模型，來幫助你找出真正的問題所在。

通過對最近7天日活用戶的詳細分析，你得到了日活用戶的生命力分布如下：

在每天登錄的100萬用戶里，0%的用戶擁有150天以上的注冊時間；5%的用戶擁有120天的注冊時間，；10%的用戶擁有100天的注冊時間；35%的用戶擁有80天的注冊時間；25%的用戶擁有60天的注冊時間；15%的用戶擁有30天的注冊時間。

數據表明，真正的問題并不是新用戶的留存，而是老用戶的存續。

在100萬用戶里，僅僅只有10萬用戶擁有100天以上的注冊時間。這表示今日新增的10000用戶，在100天后將僅剩1000用戶，而在150天的時間內，這部分新增用戶將會流失殆盡。

用戶生命周期短暫，只能聚集150天存續用戶的合集，超過150天的用戶則會靜默死亡。

這個問題才是月新增30萬用戶，但日活數據沒有提升的根源所在。

對應的解決方法是延長老用戶的壽命，讓更多的存續80天的用戶，能夠存續100天，更多的用戶能夠存續120天甚至更長的時間。

在顆粒度更細的數據分析里，累計用戶從來不是由始至終的持續累積，而是用戶壽命范圍內的累計。

這需要你準確定義出在產品內大部分的用戶壽命有多長，并以此為區間值，統計該區間范圍內的新增用戶數量作為有效累計用戶。

在案例里，有效的累計用戶，便是150天的累計新增用戶，按照每天新增10000用戶的背景計算，也就是150萬的有效累計用戶，而不是持續累積下來的1000萬用戶或者2000萬用戶。對于已經徹底死亡的用戶而言，除了能讓數據看上去比較好看以外，不具備任何分析價值。

不僅如此，實際上這部分數據往往是我們在分析過程中的障礙，常常讓我們錯誤的預估了形式，錯誤的定位了問題，最終提出了錯誤的解決方案。

數據分析的顆粒度過大，導致我們難以準確的定位問題，同時也影響了我們對用戶生命力的洞察。

在案例當中，如果我們可以提高用戶的生命力讓更多的用戶從80天的使用時長進入100天的使用時長，也就是在日活用戶當中提高老用戶的占比，便可有效提升日活數據。而提升新用戶的占比，則意義并不會太大。

在案例的數據模型當中，注冊時間在80天以前是一個存續累積的過程，日活占比越來越高，而在注冊時間80天以后，用戶開始大規模流失，日活占比越來越低。

提升80天以前的用戶留存，是一種事倍功半的策略，即使我們讓更多的用戶存續80天，但在80天以后依然會產生大規模流失。

提升80天以后的用戶留存，則是一種事半功倍的做法，是一種延續用戶生命力的策略。

通過將更多的用戶從80天的生命周期延長至100天，最終表現形式是提升存續100天以上的用戶占比。即使我們沒有額外的新增用戶，因為老用戶的存續累計作用，也能極大提升日活數據，甚至有部分用戶的生命力能延長至150天以上。

我想你已經發現了，日活數據里，老用戶占比越高，產品的日活用戶越多，越能呈現一個正面發展的趨勢，反之，如果日活用戶當中，新用戶占比越高，則表示產品進入了一個瓶頸期。

此時，我們去提升更多的新用戶留存便是事倍功半，你需要花費更多的精力和成本，但效果卻并不如人意。而延長老用戶的生命周期則是一種巧勁，能夠帶來根本上的改善。

洞察用戶的生命力，是產品進行數據增長策略時的基礎條件，其核心在于更深度的窺視產品內部的化學反應，需要借助顆粒度更細致的數據分析方法。

當你掌握這個方法以后，將不再單一的依賴想法或者做法，不再是依賴虛無縹緲的運氣，而是更科學的展開數據增長。

你將知曉產品內部發生了什么問題，我們對問題的定位也不再是寬泛的留存，而是顆粒度更細致的什么樣的用戶留存，是新用戶的留存，又或者是老用戶的留存。

你將知曉，用戶生命力的值（存續天數）對產品的迭代策略具備的極其重要的意義。

你也將知曉，一款成功的產品，一款偉大的產品，將不會離開兩個命題，即延續用戶生命力，以及阻止用戶的死亡。

對于產品而言，我們猶如醫生一樣，將會盡一切辦法，延長用戶的壽命，同時也會用各種可能性去避免用戶的夭折。

要做到這一點的前提便是你能洞察用戶的生命力，你能意識到問題的存在，否則，你將束手無策。

這就如同不知曉癥狀的疾病，沒有辦法診斷的疾病，再優秀的醫生也難以進行治療。

如果我們不能準確的發現用戶的壽命，你便無法知曉起點，你甚至無法知曉需要為什么樣的用戶提供什么樣的服務，畢竟將10天壽命延長至30天所需要的策略，與將100天的壽命延續至150天是截然不同的。

這并不是專屬于運營的落地方法，而是能夠輔助我們進行產品決策，輔助產品經理進行深度問題定位的方法，是我們能夠即學即用的產品落地方法。

他的作用在于能夠讓我們更準確的進行問題定位，從而制定最合適的產品方案，產品策略，最終依靠產品設計的方法提升某項或多項數據指標。

即使不改變運營策略，不依賴外部資源，也可以實現產品自身的數據增長。

思考一下：如果，我們將注冊時間為100天的用戶數占比提升至20%會發生什么樣的變化呢？你能否計算出此時的日活用戶數呢？

#專欄作家#

枯葉，微信公眾號：枯葉咖啡館。人人都是產品經理專欄作家。9年經驗產品經理，3年產品總監經驗。擅長數據增長，商業模式。曾孵化過千萬級用戶規模的創業產品

本文原創發布于人人都是產品經理。未經許可，禁止轉載

題圖來自 Usplash，基于 CC0 協議