如何通过拆解日活，找到产品运营增长抓手？-k8凯发版官网

　　导读：在互联网产品运营中，日活数据是天天都要看的，怎么和用户行为相结合帮助业务增长？日活上涨了或下降了，怎么快速定位日活异常波动的原因？这些都是每天需要观察思考和全方位分析的，尤其是在日活下降的时候，往往需要花很长的时间去定位。

　　本文作者详细介绍了一种快速定位日活波动的做法，供大家一同参考和学习。希望能帮助大家快速定位日活波动原因，抓住当前业务的主要问题针对性去迭代提高。

　　新增和活跃用户是大家常见的一种区分日活用户的方式，主要是衡量新增用户和整体日活的数据表现。因为活跃用户里面包含新增用户，所以在日活出现波动时还会为哪部分用户群体出现问题而头疼。

　　从2019年到2020年实际日活整体呈平稳下降的趋势，业务增长进入瓶颈期，而我们理想日活应该是在跌宕中平滑上涨，所以这里面一定是发生了什么需要我们逐层找出来(这里不考虑数据服务、数据上报、数据统计上的bug)。

　　如图，我们将日活做了三级拆解，第一级按照用户的生命周期进行了首次拆解，分别为新增用户、新客留存、老客留存和流失回流用户；第二级需要考虑对每一个生命周期阶段细拆的话我们应该首先关注什么；第三级要和用户的核心行为相关联，核心价值相关的指标才能真正反馈用户活跃度和用户需求的满足度。

　　第一级如果我们要精准定位到到底是哪部分的用户群体影响了日活的波动，我们需要保证这四个层级完全独立互不干预，这就涉及了这四部分用户群的定义。

　　新增用户：当日新增的用户数

　　新客留存：昨天新增的用户次日还启动的用户数

　　老客留存：昨天活跃的老用户次日还启动的用户数

　　流失回流：昨天不活跃今天活跃的用户

　　用户群体拆分好并自动化实现后，我们就能在每天的日活波动中，定位到是新增、新增留存、老客留存还是流失回流用户的问题，进而快速分解到负责新增或者老客运营的同学手中。

　　第一步定位到了是谁的问题，第二步要解决怎么做的问题。

　　（1）新增用户和新客留存

　　贴合运营侧新增推广、新增运营的策略，从渠道层面对新增做二次拆解，定位到哪个推广渠道出现了问题，以及各个渠道的次日留存率表现。

　　这里面有一个容易忽略且重要的问题，新增次日留存做好了，对产品的老客的影响很大。

　　用户的留存率曲线遵循幂函数的规律，次日留存率越高以后的留存越高。最容易切入且投入产出比最大的是从提升新增用户的留存率开始，新增用户留存率提高了后续活跃老用户的次日留存率自然提高。

　　（2）老客留存

　　因为是以天为级别划分的用户，所以这里面的老客就有用户新鲜度的问题，我们可以将老客分为活跃老客、沉默老客、流失老客。

　　活跃老客：过去7天内打开过app的用户

　　沉默老客：过去7天内未打开app的用户(7天 < 最近一次活跃时间 < 30天)

　　流失老客：过去30天内未打开过app的用户

　　活跃老客的次日留存如何关系到用户的持续活跃能力，沉默和流失的老客回来后，后续的留存能力如何，这些都决定了后续的周人天和月人天的变化。对老客提频是对老客运营的最重要的目的，所以建议按照用户新鲜度建立同期群分析，观察各类用户群体后续的次日、3日、7日、15日、30日留存表现。

　　（3）流失回流用户

　　流失回流用户以天为维度进行拆分的话，在日活构成中是占比最高的一部分用户群体，也是最需要精细化运营的一部分群体，按照用户回流周期可以再分为活跃回流、沉默回流和流失回流。

　　如上流失回流用户的每部分的次日留存率和老客留存相辅相成，影响周人天、月人天等活跃频次，内容运营侧要密切关注数据变化趋势，策略紧跟其上。观察每一次的策略变动用户的活跃留存数据是否变好，还是只是注入了一针强心剂临时起效。

　　另外用户的回流方式也反映了用户回来的真实意图，是真有需求自主打开了，还是通过个性化push亦或自动化push手段回流回来，或者还有其它三方合作外部唤起的，都需要我们区别对待。

　　第三层回到了产品提供给用户的最核心的用户行为上，日活其实是一个虚荣指标，核心价值相关的指标才是真正能够反馈用户活跃度的，核心行为变好了，日活的增长自然不用愁。重点提高使用核心行为的用户占比，提高核心行为用户参与度，密切关注核心功能高、中、低频用户以及无核心行为用户的变化趋势。

　　这里注意一点，我们可以将某一个核心功能按照用户的使用频次分为高、中、低、无，这样我们能更好的量化用户核心功能使用的变化，因为一个产品可能不止一个核心功能，用户使用也不可能只用一个核心功能，会出现交叉，交叉后就不能单纯的从数据上将影响波动的具体数值量化出来，所以需要按照用户使用核心行为的频次做出拆分。

　　综上，日活提升需要在增加新用户、新用户留存提升、老用户促活和流失用户召回四个方面同时发力才能促增长。

　　确认数据准确性后，拉长时间范围观察日活波动变化趋势，观察数据是否真的存在异常情况，排除日常周期性波动。脱离日常周期性波动趋势出现陡降或陡升或有持续下降的趋势（这里可以结合异常告警策略同步实施），这些节点都需要密切关注排查具体原因。

　　此时需要一个量化指标来量化某种因素对日活波动的影响程度，可通过影响系数这个指标进行计算：

　　影响系数=（今日量-昨日量）/（今日总量-昨日总量）

　　结果越大代表该因素对日活波动的影响越大，需要首先关注并优化。

　　流失回流量持续减少，且在5月17日有一个大幅的降幅，继续往下看~

　　沉默、活跃、流失用户群体都在下降，但是沉默用户的下降幅度最大，沉默回流用户中是自主打开app的用户量减少了，还是push、外部唤起呢？不同的回流方式揭示了不同的问题，就像剥洋葱一样，层层剥下去就好了…

　　将上述各层日活波动的数据拉长时间范围去观察趋势变化，看产品是往好的方向还是坏的方向发展了~

　　限于篇幅的限制，这里就不过多赘述了，后续可能会把点打细，各位敬请期待吧~

　　作者：北极星，神策数据分析师，知乎专栏：数据分析方法与实践，致力于通过数据分析实现产品优化和精细化运营。

　　本文由?@北极星 原创发布于人人都是产品经理。未经许可，禁止转载

　　题图来自 unsplash ，基于 cc0 协议

　　给作者打赏，鼓励ta抓紧创作！