中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

產品生命周期是一個很大的過程，在這個“大過程”中，又有著一些“小過程”。對此，本文從生命周期的基本概念、數據處理、生命周期主要環節、價值點挖掘四個方面做了分析，希望對你有所幫助。

如果把一款產品比作是一艘郵輪，那么這款產品在應用市場上架的時刻，可以當做是這艘郵輪航程的起點。在這趟航程里，會有無數的乘客（用戶）先后來到和離開這艘郵輪。當這艘郵輪最后一次停泊靠港時，也就是其生命周期已抵達了終點，準備在應用市場下架了。

本文首先厘清了關于生命周期的基本概念，明確了需要發力的方向，進而介紹了幾個數據處理的技巧，處理后的數據相對會更友好。并對生命周期的主要環節（新增/留存/活躍/沉默）逐一展開觀察和分析，最后分享了幾個在生命周期分析里可以挖掘的價值點。

（注：本文所涉及的數據都已做了脫敏處理和量綱轉換）

一、基本概念

1. 生命周期

周期這個概念，可以很玄妙，也可以很具體。往大的層面講，可以從太陽黑子的活動規律講起，進而深入到人類社會的康波周期，人口周期，可以說萬物皆周期，萬物都處在周期的運行過程之中。往小的層面講，一款產品，產品里的用戶，都有一個（或幾個）生命周期。

生命周期是一個從開始到消亡的過程，起點和終點都是確定的，不確定的則是這個過程所持續的時間，所變化的形式。生命周期分析所要做的，便是理解這個過程，優化這個過程。

2. 產品和用戶的生命周期

（1）產品生命周期

每一款產品在投入市場后，大體上都會經歷探索期，成長期，成熟期和衰退期這四個階段。

1. 探索期最重要的是學習，學習到底哪些是目標用戶，為了與這些用戶互相適應，要如何優化這款產品；
2. 到了成長期時，已對用戶有了一定的理解，此時很關鍵的一點是“拉人頭”，先把有效的用戶圈起來，后面一切好說；
3. 成熟期往往是一款產品價值爆發的階段，活躍用戶的氛圍，增值付費的能力，都會達到峰值；
4. 不可避免的，成熟期過去后，每一款產品都會迎來衰退期，只是有些產品一次衰退就掛了，另一些則進入到第二個周期里。

（2）用戶生命周期

與產品生命周期相對應的，這款產品里的每一個用戶也都有自己的生命周期。只是在應用市場里，用戶的數量往往要遠超于產品的數量，所以用戶的生命周期也就呈現出更為豐富，更為多元的形態，有些用戶注冊后“一言不合”就走了，有些則一直留了下來。

總體上來講，用戶會經歷新增，留存，活躍，沉默，流失這幾個過程，只是這幾個過程并不一定連貫，可以交叉穿越。比如從新增直接流失，這是“薅羊毛”的用戶，比較常見于互金，理財類的產品；比如從留存直接流失，其中有一部分是在不同競品間進行比較，當比較完成之后，便也直接流失了。

而那些真正完整經歷了每個過程，并在每個過程的核心指標里表現優異的用戶，便是我們需要關注的頭部用戶，他們往往會貢獻出這款產品里最大的價值。

3. 生命周期分析的意義

通過對產品生命周期的分析，可以更好地打磨每個環節的轉化情況，讓產品和用戶不斷地相互適應，從早期的粗放式經營轉化為一種更為精耕細作的方式。在用戶成長體系的每一個關卡，進行引導和助力，量變會帶來微小的質變。

二、數據處理

常見的數據處理方法，有移動平均，相關分析，數據變換等幾種數據處理的方式。真實業務下的數據，往往都是帶有噪音的，偶爾會有一些“坑坑洼洼”。

如果直接去看最終數據的話，往往是很不友好的，通過一些數據處理的技巧，能讓我們更便捷地觀察業務數據的變化情況，并猜想和驗證這些數據變化背后的深層次原因。

1. 去平均化

設置統計指標的初心，是為了能把握整體業務的變化情況，平均數，中位數等的制定，都是為了觀察業務數據的集中和離散趨勢。

在很多的場景下，這些指標都是有效的，但并不代表它們可以適用于所有場景，當場景不合適時，只看這些指標反而會形成干擾。尤其是在用戶體量很大，數據分布具有嚴重的“左偏”或者“右偏”時，只看平均值可能就不合適了。

去平均化，或者說是用戶分組，便是應對這種情況的一種處理方式。其實就是在整體平均值發生變化時，通過對用戶進行分組，觀察用戶內部的結構變化，可能會得到不一樣的結論。整體平均值的增長，是否對應每一個用戶組的增長？不同組是否會有不一樣的變化趨勢？

不同用戶分組的留存趨勢

當整體業務在以某種趨勢變化時，不要用戶分組的變化可能不是協同的。方向一致時，彼此的變化速度不一樣，可能會在某個時間點形成交叉，并且之后又以不同的速度反向翻轉。通過去平均化的方式，可以更好地理解用戶內部的結構差異。

通過什么方式對用戶進行分組更為合理？這個問題類似于在做機器學習的特征時，如何對連續屬性的字段進行分箱，雖然分箱方法有很多，但等頻和等距仍然是其中經典而常用的兩種方式。應用到用戶分組這里，等頻就是按照數據量來分割，等距就是按照屬性值來分割。

2. 留存矩陣

在生命周期分析的工作中，會有很多的場景都會涉及留存的統計，比如注冊之后的留存，活躍之后的留存等，同時因為時間的推移，不同時期用戶的留存情況可以形成一個留存矩陣。這個矩陣的設計，可以有不同的方式，能表達出所關注的用戶群的留存趨勢變化即可。

先分析得出不同形式的留存矩陣。得到留存矩陣后，從不同的視角出發，可以做不同角度的觀察和分析。在每一個月份新增的用戶群體，可以得到其在三個月/六個月/九個月之后留存比例的趨勢變化情況。

不同距離月的留存趨勢變化

3. 因子分析

對生命周期的分析過程中，不可避免地會要做一些因子分析，比如在具體環節下，對某項具體的指標（留存率，活躍頻次，未來是否付費），是否存在一些較為有效的因子，能與其具備良好的相關性。

因子分析的結果，雖然不如深度的模型結果來的精準，但處理過程卻相當簡潔，在不同場景下總能找到一些有效的因子，是一種性價比相對良好的統計方式。

針對不同的產品，從不同的關注點出發，可以搭建起最適合自己的因子體系。其實不需要像金融市場的101因子等做得那么全面而深入，選擇一些自己最關心的，同時與核心指標相關的一些因子，就可以做出一個有效的因子體系。此后有需求時，直接從中取數即可。

因子體系的結構

4. 一階差分

做機器學習的特征選擇時，有時會應用到一階差分，通過觀察其收斂的轉折區域，從而篩選出更為有效的特征。這個方法也可以用在生命周期的場景里，因為這個場景涉及大量的長尾分布，由于頭部和尾部的用戶量級差異較大，所以其內部的變化速度很難直接觀測出來。

尾部用戶雖然量級較小，但往往是對產品貢獻最大的那群人，所以其內部變化是值得關注的。

如圖1所示，即是一個經典的長尾分布，但在這個分布里面，越是尾部的用戶，越是我們需要關注的高活躍用戶。通過圖2，可以看出在這個長尾分布里面，不同區域的用戶數量變化速度，頭部和尾部的變化速度都是較大的，中部區域的用戶變化則相對平穩。

圖1：某個長尾分布

圖2：某長尾分布的一階差分

三、生命周期主要環節

1. 新增

如果把注冊用戶當做一個半封閉的系統的話，那么每月新增用戶就是這個系統唯一的外界能量輸入。新增用戶的持續輸入，會影響原有的用戶池的結構，與此同時，新增用戶本身在不同時期也可能出現不同的特征。所以，對新增用戶的觀察，就是一件有意義的事情。

（1）新增用戶簡況

對新增用戶的觀察，首先是每月新增用戶數的觀察，這個指標可以細分到地區和市場，從而了解每月新增用戶在絕對量上的變化趨勢；同時可以觀察當月新增用戶對原有用戶池的影響，這里就涉及累積用戶數和環比增速這兩個指標，用于評估用戶池的變化。

（2）新增用戶質量

在對新增用戶的數量有了一定了解后，可以對其“質量”進行評估，從中可以觀察到來自不同時期，不同渠道的用戶差異。如何評估新增用戶的質量，可以基于所分析的產品的側重點去思考，比如活躍，留存，或者互動的情況。

新增用戶的質量變化，雖然會有階段性的波動，但大體上還是會在時間里呈現出一個明確的趨勢，只是趨勢變化程度不同。

（3）新增用戶因子分析

到了新增用戶因子分析，就已經切換了視角，不再關心產品角度，或者不同時間段的用戶群角度，而更多是從微觀的視角出發，通過對用戶的狀態、行為等因子分析，從而分析出一些有價值的業務點。

通過用戶在首周，首月里的活躍天數，活躍次數，具體產品功能的使用情況，找到其后期行為表現的依據。這些行為規律往往更具有穩定性。

用戶增長與環比增速

新增用戶在距離1個月的留存率變化趨勢

2. 留存

當用戶通過注冊進入到產品用戶池時，此后的結局只有兩種，沉默和活躍，只是根據沉默和活躍的程度不同，又可以細分出更多的用戶群體。對于留存用戶的觀察，可以更清晰地看到其內部不同用戶群體的結構變化，從而對不同群體采用不同策略進行管理。

（1）整體留存簡況

對留存簡況的評估，可以通過用戶注冊總量了解用戶規模，同時可以選定一個時間周期（比如每月），通過對該周期內留存用戶的不同表現，從而了解其內部的結構差異，比如每月不同活躍天數的用戶數量變化趨勢，或者分組之后不同組的變化趨勢等。

（2）留存壽命

基于固定時間周期，和基于固定流失條件，都可以對用戶留存壽命進行觀察和分析。

基于固定時間周期，比如注冊后500日內，觀察用戶的留存壽命差異；基于固定流失條件，比如沉默30天后，認為已經流失，該次生命周期已經結束，此后再激活時，則當做是新一輪生命周期的開始。基于這種角度，也可以對用戶的留存壽命差異進行統計。

（3）留存行為模式

• 從產品的角度出發，可以觀察不同時間段進入的用戶的留存行為模式，有趣的是，有些產品從投入市場后，每月新增用戶的留存曲線，會逐漸地收斂，最后穩定到一個固定的趨勢曲線上；
• 從用戶的角度出發，則可以梳理出一些典型的留存行為模式，他們的生命周期長度不同，從激活到抵達活躍峰值的速度不同，此后從衰減到沉默的過程也不同。

產品不同時期的用戶留存趨勢-A

產品不同時期的用戶留存趨勢-B

留存用戶分組后的結構變化

3. 活躍

活躍和付費，往往是一款產品價值間接和直接的兌現過程，所以也是產品分析中的一個重點。日常運營過程中，很多監測指標其實都可以歸類到這兩個范疇。

（1）整體活躍簡況

相對于新增和留存階段，活躍階段需要關注的指標相對多一些，活躍人數用來觀察用戶規模，活躍頻次用來觀察用戶氛圍，活躍時長則可以表達這場party的可持續性。這些指標看似相似，描述同一個內容，但在發生變化時，有一個明顯的傳導關系。

（2）整體付費簡況

付費數據的處理，相對要復雜一些，涉及到付費渠道，付費金額的單位，以及不同幣種之間的匯率結算。同時因為一些自動續費的付費場景，付費數據在短期的時間趨勢上可能并不好看，波動程度較大。

但一些常規的統計指標還是適用的，比如每日付費人數，每日付費總額，人均付費金額，次均付費金額，以及不同產品下的付費占比等。

（3）核心指標分組觀察

以活躍指標為例子，對核心指標的分組，即按照一定的方法，將用戶群分為不同的組別單獨觀察。筆者在試驗過程中，采用等距切分的方式，對活躍的UV、PV、Time分為了五個組別。當整體活躍指標發生變化時，可以觀察到不同組別漸次變化的現象。

（4）活躍因子分析

在活躍的場景下，可以挖掘的活躍因子是比較多的，比如VIP對活躍的影響，購買VIP前后，用戶的行為變化特征，以及VIP本身對活躍指標的影響；比如活躍時長和活躍頻次之間的相關關系，兩者并非完全相關，存在著不同相關形式的用戶群，對這些用戶群的挖掘是有意義的。

活躍因子分析中，可以側重于對時間節點的把握，比如購買之前幾天用戶會開始訪問VIP商城，購買之后多長時間，對活躍的影響開始有了減弱。

活躍核心指標觀察

活躍時長和活躍頻次的相關關系

活躍人數分組觀察

4. 沉默

在已注冊的用戶池中，有很大一部分用戶是處于沉默狀態的，這是大部分產品都要面對的問題，尤其是工具類型的產品。當用戶的沉默達到了一定時長時，可以近似認為其已經流失。

（1）整體沉默簡況

整體的沉默簡況，可以將每天作為一個時間粒度，通過統計用戶上次活躍距今時長，統計當前不同程度的沉默用戶，從而盤點出一個整體的沉默簡況。

（2）沉默程度細化

沉默和回流往往是相對應的，沉默的程度越低，回流的概率越大，沉默的程度越高，回流的程度則越小，這兩者的負相關性是確定的，但在不同階段的變化卻有很大的差異。對于不同的產品，其回流率的變化曲線也是不同的，可以對此進行細分統計分析。

（3）沉默因子分析

對于沉默因子的挖掘，可能最后仍然會回到一些核心指標的變化上來。也就是說，如果用戶在未來會陷入沉默，逐漸走向流失，那么在此之前可以較為明顯地觀察到其核心行為指標的變化。沉默因子分析的結果，可以用于流失前的預警，流失后的干預等場景。

不同沉默時長的用戶群變化趨勢

四、價值點挖掘

生命周期的分析，除了對產品/用戶的周期過程有更清晰的認知和理解外，還應在數據之中挖掘出一些價值點，用于制定實際的業務運營策略。它們圍繞著生命周期的主要環節，可以是復雜的模型輸出，也可以是一些簡單的統計Tips，用于實現對目標用戶群的精細化運營。

1. 新增用戶首月行為

新增用戶的首月行為模式，在較大程度上已經可以預示其之后的行為模式，這種現象類似于《圣經》里說的“七歲見大”。比如首月活躍天數，看似是一個簡單的指標，但以此進行分組的話，不同組別在此后的行為表現是迥異的，界限清晰的，是一個用戶分組的良好指標。

如下圖所示，從整體來看，這四個分組在此后的行為表現是界限分明的。雖然高活躍組和低活躍組在第一個月結束時，曲線出現了一個缺口，但對整體趨勢的影響并不是很大。也就是說，當運營資源有限時，可以往首月行為較好的用戶群傾斜，可能會有更好的效果。

根據首月活躍天數分組后的長期留存趨勢

2. 注冊用戶環比增速

隨著注冊用戶規模的基本盤變大，每月新增用戶的數量逐漸平緩或者走低時，雖然偶有波動，但從長期來看，注冊用戶環比增速的降低是必然的。

只是環比增速在不同檔位時，其實也是產品處于不同的發展階段，高增長，穩增長，或者已經趨近于飽和階段。通過對整體的或者不同地區細分的環比增速的觀察，可以相對應地改變不同運營策略的權重值。

不同時期的注冊用戶環比增速

3. 用戶行為基本模式

• 通過產品角度去觀察用戶行為的基本模式，可以看出不同時間階段下用戶的行為變化，比如從投入市場后，此后不同時期的留存率曲線會逐漸收斂到一個穩定的水平；
• 通過微觀的用戶角度，則可以用活躍周期長短，活躍峰值高低等，去梳理和總結出具體產品下一些基本的行為模式，針對行為模式的差異，也可以對不同類型的用戶進行分群和運營。

4. 核心指標分組觀察

當產品在發生變化時，核心指標本身的變化是具有傳導性的，比如活躍時長的影響最早，最深，進而先后傳導到活躍頻次，活躍人數的變化上來。而對核心指標的分組觀察，則是進一步地進行細分，觀察在這個指標變化的過程中，不同用戶群體先后產生的不同程度的變化。

核心指標分組觀察

五、總結

?1. 基本概念

本文首先厘清了關于生命周期的幾個基本概念，每一款產品，每一個用戶，都具有自己的一個或者幾個生命周期。

其中用戶的生命周期具有新增，留存，活躍，沉默等基本環節，但并非每一個用戶都會經歷完整的生命周期，基本環節之間是可以交叉穿越的。

2. 數據處理

生命周期分析中涉及一些數據處理的工作，除了此前介紹的移動平均，相關系數之外，本文接著介紹了去平均化，留存矩陣，因子分析，一階差分等數據處理和分析方法。

3. 基本環節

基于產品和用戶的角度，對生命周期的新增，留存，活躍和沉默這四個基本環節逐一做了梳理，提出了一些可以思考和分析的點，以及分析過程中碰到的有意思的現象。

但許多內容只是一個大體的思路，并沒有細致地展開去講，可以在實踐過程中深入去做。

4. 價值點

生命周期的分析，除了對其過程需要有清晰的認知和理解外，還應該從數據中挖掘出一些有價值的點，并應用到實際的業務場景之中。

文中分享了新增用戶首月行為，注冊用戶環比增速，用戶行為基本模式，核心指標分組觀察這四個點，但這些肯定是遠遠不夠的，更多是起到一個拋磚引玉的作用，提供給讀者作為一個參考。