作產品一般都離不開用戶活躍度分析，但是這個“度”我們應該如何把握呢？它是單純的一串數據或者數字嗎？我們該怎么去拆解它？

因為用戶相關的話題很多，為了便于大家閱讀，這里把各種話題做一個歸類如下圖，這樣看著清楚一些。今天我們來系統的分享一下：用戶活躍這個話題。

01 用戶活躍常見問題

1. 到底啥叫活躍，口徑不統一

用戶注冊、付費是很明確的動作，一般不會認錯，但“活躍”到底是個啥，往往眾說紛紜，比如：

• 登錄成功就算活躍？
• 登錄了點擊幾下算活躍？
• 登錄完成一個特殊動作？

當然，針對不同目標、不同業務，可以有不同定義。但使用這些定義的前提是口徑統一，各個部門得達成共識：有XXX行為的就算活躍了。

而最常見的問題，就是不但沒統一口徑，而且還不斷發明新名詞，搞得歷史數據前后對不上。最后開起會來雞同鴨講。

2. 陷入細節，糾結每一天波動

看過活躍率、活躍人數指標的同學都知道，這玩意日常波動太多了，幾乎大事小事都會對活躍率產生影響。

有時間分析活躍率下跌的報告還沒交，丫自己就漲回來了。結果每天糾結于“為啥又高了/低了1%！”累死自己，還沒找到病根。

3. 孤立看問題，砸錢搞活躍

雖然活躍率為啥跌不一定清楚，但是怎么搞活躍率，那套路可太清楚了。登錄7天簽到送福利、30天連續簽到送福利、登錄就抽獎最高888、種樹20天送一袋獼猴桃……

于是，往往還沒找到病因，短期拉指標的措施已經懟上去了。

結果按下葫蘆浮起瓢。活躍率做高了，轉化率跌了，轉化率做起來了，費用燒干了……

注冊、活躍、付費這些指標從來都不能割裂開看，就像我們評論人的身材，是三圍一起報。要不然，你想要一個36D的女朋友，推薦個36-48-52身材的你要不要？不但得要，還得幸福哦。

02 用戶活躍分析核心問題

陳老師總是舉例，做數據的不懂業務會導致各種問題。可在用戶活躍分析中，恰恰是做業務的不懂數據，才導致上述亂象。

運營沒有深入思考過活躍指標的含義，也沒有分析過活躍指標與注冊、付費、轉化關聯。只是單純因為“這是我的KPI”，就產生：“KPI指標下跌綜合癥”：不等分析清楚就急不可耐的下手了，最后總是治標不治本，還折騰人。

想破局，先解決一個核心問題：到底活躍對我們意味著什么？

除了類似陰陽師、DOTA傳奇這種很肝的游戲以外，其他的大量互聯網應用，真的需要用戶天天守在這？除了微信這種超級應用，真的有另一個應用是用戶無可替代每天一看的？（如下圖所示）

從本質上看，互聯網應用講用戶活躍，就像傳統企業講顧客到店一樣。

• 活躍是一切的基礎，必須關注；
• 不能空活躍不轉化，得聯起來看；
• 影響因素太多，必須抓大放小，聚焦行動

在講用戶流失分析的時候，我們說過：流失分析的目的不是消滅流失率，而是把流失控制在可控范圍內。在用戶活躍分析的時候，道理類似：做活躍分析，不是為了逼用戶天天來戳一下，而是為付費、轉介紹提供穩定的支持。

03 用戶活躍分析基本思路

1. 定標準：目前業務需要什么樣新增、活躍、付費結構
2. 找規律：常規的活躍走勢，該是什么樣
3. 查異常：區分常規變化、異常變化
4. 追原因：對異常變化進行追蹤，分析
5. 定計劃：根據問題輕重緩急，制定應對

最重要的當然是定標準。作為業務方，心理要有判斷：我需要多少活躍用戶，需要多少活躍率；并且不能割裂看一個指標，要關注AARRR的整體形態。

1. 定標準的常用辦法

定標準主要參考三點：

1. 業務特征：不同業務，本身需要的活躍用戶數和活躍率就不一樣。
2. 發展階段：一般新上線更傾向于聚集人（做大DAU），到一定程度才做付費轉化。
3. 競爭策略：策略不同，意味著對活躍、付費的要求不同。

比如最基礎的三大策略（如下圖所示）：

請注意，競爭策略才是定標準的核心。比如傳統觀點認為金融服務是低頻業務，可做金融APP時，完全可以把財經新聞、理財教育、本地吃喝攻略、電影信息這些和消費有關的東西做進去，把一個低頻應用做成高頻應用。

因此，一般同類業務特征和發展階段只是參考。更重要的，是業務內心的聲音：“我們要做成一款XXX的應用，相比之市場上的產品，我的目標是XXX”。

這就要求，運營需要有自身業務判斷能力，能對自己的方向有清晰的認識。數據分析師只是輔助作用，提供比如業務特征、發展階段、競品數據以作參考。

這也是為什么陳老師會吐槽，活躍問題是“亂自上做”，確實有很多公司的運營沒啥想法，就知道機械完成KPI，只要數據達標就行。數據不達標，就試圖把鍋甩給數據分析師沒洞察、對手刷量了、我們費用不夠。這樣標準都不清晰，更沒法談后邊的分析了。

2. 找規律的常用辦法

規律包含三類

1. 政策規律。政策發布以后，產生的巨大反響。
2. 自然規律。全年1-12月，本身就包含了很多影響活躍的因素（如下圖所示）
3. 運營規律。常見的運營事故（商品缺貨、系統宕機、宣傳誤導……）運營措施（抽獎、簽到、互動游戲）都能引發活躍數據變化。

這些具體的政策、事件、運營動作，才是指標變化的本質原因。因此在分析之前，應該先大量收集內外部事件，拿著事件思考問題。而不是就數論數，說“因為過去三天漲，所以今天漲”“因為之前周五漲、所以這個周五漲”之類毫無邏輯的話。

找到一些明顯的規律后，可以用來做定性預測，根據未來要發生的時間，預計指標波動變化，也可以用來做解釋。比如發生指標波動的時候，如果有對應事件發生+對應波動形態，那八成就是規律性變化。

這樣做，可以節省大量分析時間，而不是做了一堆分析，還被吐槽為：“我早知道了”“它就是這樣的呀”。

3. 查異常的常用辦法

遭遇異常，要關注：

1. 幅度：單日波動是否足夠大
2. 持續性：是否有持續增大、持續回落的走勢
3. 規律性：是否是有規律的、計劃內的波動
4. 關聯性：關聯的注冊、付費指標是否同樣波動

注意，不是所有的波動都值得追擊，大幅度、持續性、非規律、波及其他指標的優先處理。偶爾的波動一下很正常，但是要記錄發生時間，觀察走勢，當問題出現惡化時容易溯源。這樣做，不用讓數據分析師陷入無休無止的糾結里，更容易找到真正的異常問題。

4. 追原因的常用辦法

確認是異常波動，常見的形態有三種

1. 事件型：一次性的，大幅度下跌
2. 持續型：從某一節點開始，持續下跌
3. 系統型：自身波動小，但始終比競品差

先判斷是哪一型的問題再追原因。追原因的難度是：事件型》系統型》持續型的。一次發生的事件最容易查到源頭。

系統型差異，可以通過競品分析得到答案。持續性問題反而最糾結，有可能過著過著自己沒了，有可能是一次重大事件的余波，也有可能是深層次的問題。

需要注意，我們常說DAU=DNU+DOU（日活躍用戶=每日新用戶+每日活躍老用戶，一般新注冊用戶都直接計入活躍）往往系統型問題會影響DNU，在用戶注冊后T+1，T+2…T+N的時間內沒有做好引導，導致用戶不活躍甚至流失。

DOU往往與事件有關，比如季節性促銷，沉默用戶喚醒，新品上市等等。因此在追蹤原因時，可以分頭觀察。對新人關注注冊到首次付費流程，對老人打標簽，關注老人對活動的響應（如下圖所示）

5. 定計劃的常用辦法

然而并沒有這一部分，這一部分是運營的范疇，是一個業務動作，不在本篇的討論范疇。定計劃主要看運營的業務能力。作為數據分析，可以提供的支持是：

1. 判斷問題輕重緩急
2. 對緊急重要的問題，提示問題源頭
3. 對過往改善問題的方法，提供ROI分析結果支持
4. 等著運營提想法，做臨時性支持

總結

最后再強調一句：好方法是設計出來的，不是算出來的?？繑祿治鲋荒茉u估過往的方法好壞，最多再預測下用戶對XX產品響應率，不能再多了。真正做好落地，還是得靠運營自己多練內功才行。

從頭看完，我們會發現：數據分析方法一點不神秘，更多的是：

• 大量的、細致的收集事件
• 用數據描述、評估、總結事件
• 用邏輯推演事件的影響，用數據驗證假設。

這是個很枯燥的體力活，卻是出成績的關鍵。脫離了這些細節，任何 “思維方法”“底層邏輯”“核心法則”都沒法起效。只有算命大師才是搖搖銅錢天知地知，做數據分析的人，其實和搬磚工沒啥區別。

作者：接地氣的陳老師，微信公眾號：接地氣學堂。十年資歷的數據分析師，擁有多個行業的CRM經驗。

本文由 @接地氣的陳老師 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Unsplash，基于CC0協議