数据分析之上是用户分析，应该通过定量 + 定性结合的方法，用数据搭成的框架去了解用户，了解整个产品运转的情况，才能更好地做增长。

一开始大家眼里的数据分析，就是一些数据和一些率，增长率或者变化率……我后来慢慢发现，分析这些规整的数据没什么意义。我把研究转移到单个的用户上。相同行为的用户会放被在一起，组成一个用户群。不同特征的用户群会有什么用法，会做什么转化，这些比单纯的数据分析，要有价值多。

作为最早把数据分析应用到互联网产品的数据分析师之一，张弦认为数据分析之上是用户分析，应该通过定量 + 定性结合的方法，用数据搭成的框架去了解用户，了解整个产品运转的情况，才能更好地做增长。

在分享会上，张弦结合实际案例，围绕「用户分析和内生增长」两个话题，分享活跃用户增长、用户与产品的关系、用户迁移、留存优化方面的独家经验。

用活跃用户池来控制流失

增长有很多种方式，比如说增加渠道的投放去获取用户。但张弦主张「如何让用户不那么快走」比渠道投放更重要，因为：

产品上线的第一天，流失就开始发生了。

我把 30 天以内的所有用户想象成一个池子，这一天新来用户都会进入这个池子。如果用户后来没有使用我们的产品，他们就会一层层蒸发，30 天以后他们就从池子里蒸发走了。

「活跃用户池」模型，按照用户下载 App 后的使用情况，分级为每日活跃、近期活跃、沉默。右上角的数字代表上次使用距离今天的日期。0 代表用户今天使用过 App。

活跃用户池的概念就像是一个水与大气的生态圈。最底下的一层是每日活跃用户，而中间层就是近期活跃用户。用户有两个方向，不活跃的往上走，蒸发流失；活跃的用户往下走，变成黏性用户。活跃用户的面积和走势，可以很好反应一个产品的受欢迎程度。而如果一个产品优化做得好，那么正在蒸发的用户可能会变成「雨」，又回到到了下层。用「池子」的概念，就把用户活跃管理起来了。

所谓的增长，是一件「开源节流」的事情。现在获客成本已经非常高，应该把注意力放在控制用户流失上。这件事对活跃用户池的增益就是阻止池子里的用户往上走，让用户不断往下翻滚、轮转，形成对产品的依赖。用户对产品的依赖程度不同，生命周期长度也不同。一个月或者几小时，都是有可能的。用户超过 30 天没有来，我们就定义为「流失」。

已经流失的用户就没有意义了么？

我会观察这些用户的特征，都走过哪些路径，有哪些痛点还未解决，跟 PM 一起讨论目前产品可以改进的点。对于流失，还有一个重要场景，找到 30天用户最后一次使用的行为，看他最后一个 session 都干了什么事情，我称它为死亡现场，这个场景会给 PM 提供一个直观的认识。这些是我的控制流失的方法，哪些地方需要维护，都一目了然。

如何做不花钱的内生增长？

内生增长是不花钱的，靠的是自身的资源和传播。

如何怎样刺激用户去做主动的传播呢？

缩短决策时间。张弦举例说 Keep 在每次用户完成训练以后的打卡界面都设置了分享，用户不需要在决策的时候花费时间，这就增加用户自发传播的可能性。

找到合适的出口。也就用户为什么要做分享。以 Keep 为例，用户的分享出口可能是由于工具（训练的成就感、自我激励、表明态度），内容（分享快乐、传递知识、收藏），社交（陪伴、自我实现）这几个特性，在不同的使用场景下都为用户设计了快捷的分享出口。

提升运转效率。张弦给运转效率定义了一个公式。其中，sr 代表分享率，ar 代表激活率。后面的累乘就是优化的目标，也就是要不然每次优化的效果足够好使 △sr 和△ar 值变大，或者相等时间内做更多次优化累乘后更大。

用户在使用产品是付出的是时间或者金钱，而产品需要持续给用户提供价值，同时为自己积累 Credit。Credit 可以用来消费，比如日后增加了可能产生伤害用户体验的行为时，比如说广告、改版，Credit 高的产品对应用户的留存率会更高。

观察高留存用户或者路径是无意义

用户分析体系由属性 （Profile），偏好 （Tag），用法 （Preference) 和生命周期四个维度组成。属性包括人口学特征（性别、年龄等）、通过机器记录下来的东西，例如渠道、机型等。偏好则是在用户使用产品之后表现出来的特性。用法要比前两层更深入一些，是用户使用产品足够长后产生的数据，比如是喜欢训练、喜欢看视频。生命周期则是更长远的问题，是用户从激活到流失的整个过程的特征，要关注用户在生命周期中产生的价值与获客成本之间的关系。

全景漏斗是更好观察用户体系的方式，把产品的核心用法进行梳理，建立每个核心用法的转化率漏斗。全景漏斗有两个维度，横向是各类用法平行分布，用户在用法之间迁移。用户要有两次来访才能被定义为真正使用某个「用法」，通过这样清洗一些脏数据。纵向是各类用法核心流程的转化。每一个用法都有自己的漏斗，漏斗里面每一步都是可以执行的。

观察用法迁移时，需要选定观察周期，一般是周。在同一个观察周期内，我们研究用户在各用法的重合度。在两个观察周期间，我们研究各用法的迁移情况。

单找高留存的用户或者是他们的路径是没意义的，这是回答不了如何让产品留存率高的问题。找出留存优化空间才更重要。

每个产品中都会存在一些「Ranger」。这些 Ranger 不存在于任何用法中，只具备「属性」和「偏好」两种特质，甚至甚至连「偏好」都没有。这样的用户比例有多大呢？张弦的经验数字是 20-30%。这些用户虽然是活跃的，但他们没有真正在用产品。就是所谓的来访游客。「Ranger 的生命周期都很短，我们要做的优化就是避免用户迁移到 Ranger上去。」

留存优化的空间在哪？

关于留存的优化空间，张弦给出了三个方向：

1.解决掉阻现有阻碍

例如 Keep 关于运动能力测试的调整，本来想希望通过引导新用户进行体能测试，快速找到练习课程，但其实很多用户首次注册启动后并不具备这样的测试环境，但又比较难找到关闭的「入口」，导致新用户流失，调整之后留存率有明显上升。

2.场景化和个性化（推送、推荐、模块），提高留存率

例如根据用户的网络环境情况来做不同的 Push，Keep 对新用户的首周推送套餐。

3.引导和激励，把用户激活

做留存优化的第一步要关注正确的指标。张弦认为选择的关注指标与留存率的关系应该是两步以内的。影响留存率的因素会有很多，所以留存率是可以往下拆的。与留存率直接相关的显然对留存影响更大。

下一步是做 A/B 测试。A/B 测试是有顺序的。A/B 测试需要去研究转化漏斗，从上游和下游的关系去想。开始要先对上游的指标去做测试，因为上游的指标被优化后，下游的指标也会改变。

A/B 测试最容易遇到的坑就是误差被低估。在做 A/B 测试时很重要的点在于控制唯一的变量，其他的变量上的变化应该是均匀的。这一步的变量检验一定不能忽略，实现的手段可以是逐步分组。另外一个容易犯的错是，同时分析多个因素对某个指标的影响。这样的测试是没有意义的，因为测试结果不能表明是由什么因素造成的。

作者：张弦，曾负责豆瓣所有产品线的数据分析工作，2016 年加入移动健身类应用 Keep，担任数据团队负责人。

来源：http://36kr.com/p/5063894.html

版权：人人都是产品经理遵循行业规范，任何转载的稿件都会明确标注作者和来源，若标注有误，请联系主编QQ：419297645