用户活动数据是操作人员每天必须看到的数据之一。当用户被引入时，如何改进用户活动是操作必须考虑和解决的问题。分析用户的活动数据也有利于优化业务增长战略和提高产品业务线的整体盈利能力。
“用户活动数据”是一个常见的数据指标，是许多产品业务线的核心指标。当用户的“排水”效果稳定时，需要考虑“拦截”的问题，例如用户多久活跃一次，用户的第一次使用体验是什么，如何增强用户的活动，如何让用户留下(重用)等。
然而，对活跃数据的分析并不是让用户每天走过场，赚取一些广告费用，而是了解产品业务线的健康状况，提高支付转换率，为引入老客户提供稳定的数据支持，从而实现高质量用户的分层运营、重点维护和业务增长策略的持续优化调整。
然而，在本质上，所谓的互联网产品谈论活跃的用户，就像线下商店让新老顾客来店里一样。因此，影响“用户的活动数据”的因素太多了，我们必须把重点放在实施策略上，更不用说“0+谈活动数据”了。我们不重视转换，主动数据的提升和保留是相辅相成的。通过内容、品牌、活动等方面的运营策略，用户的活跃数据将得到改善，从而提高产品业务线的整体盈利能力。
01
然后，让我们先来看看“主动”的定义。(以互联网产品为例)
下载量和新注册用户等指标有明确的方向和定义，但“活跃用户”对不同的目标、不同的产品生命周期和不同的业务有不同的定义。例如:
在特定时间段内有访问行为的用户被视为活动用户。登录后，每天多次访问、发布、发送视频和表扬的用户被视为活跃用户。例如，只有当短视频产品是“在一天内浏览5个视频的新注册用户”时，它们才能被视为活跃用户；例如，只有当信息产品拥有3篇以上的浏览文章时，它们才能被视为活跃用户。例如，只有当电子商务产品是“30天内下订单的女性用户”时，它们才被视为活跃用户；老用户也可以作为活动用户打开应用程序。……
“活动”的适当定义要求我们对用户和业务场景有深刻的理解，并根据我们自己的产品业务线的特征和目标、开发阶段、产品生命周期和产品属性不断地调查、迭代和校准数据。
接下来，让我们看看02中“活动数据”的分析维度。
首先，让我们把“活跃用户”分开。
活动用户=新用户+保留的旧用户+返回用户-丢失的用户
新用户和返回用户的数量应该大于丢失用户的增加，以便保持活动用户的数量不断增加。下图就像一个大水池。我们会不断地往里面注水，但是水池也会漏水。如果泄漏率太高，水池就会干涸。当新用户数量减少时，可能是由于市场竞争激烈、产品功能修改、交付成本降低等原因。，这可能导致招聘乏力，而流失用户数量的增加可能是由于运营策略调整、产品功能离线等因素造成的。
然后，我们需要继续思考:
每天有多少活跃用户变得不活跃？有多少忠实用户变得不活跃？调查和分析忠诚的用户，找出他们有什么共同的特点，为什么他们喜欢使用我们的产品。回访迷失的用户，找出他们有哪些共同的特征，为什么他们会迷失，是因为需求或价格不一致吗？是电话召回、产品更新、市场营销还是事件营销在一定时期内增加了回头客的数量？忠诚用户和流失用户在推广渠道上有显著差异吗？(需要合并新添加和保留的数据)…
最后，考虑分析以下维度:
DAU(日常生活)峰。也就是说，在一段时间内日常活动的峰值。值得注意的是，日常活动不一定是业务增长的反映。不排除时间、市场和其他因素。如果认为经营战略带来的增长是不准确的。DAU(日常生活)年复一年。年复一年是为了消除时间的影响。将去年10月的数据与今年10月的数据相比较，它反映了今年整个产品的表现。如果今年10月的DAU低于去年，产品可能再次走下坡路，或者今年整体市场形势不好。具体情况需要具体分析。一般来说，它需要看到未来几个月的同比趋势。DAU(日常生活)戒指。环比通常与上周或上月进行比较。本周与前一周的DAU值差异一般不是很大，因为时间周期更接近外部世界，时间影响因素的差异可以反映本周经营策略对DAU的影响。DAU(日常工作)比例。有必要筛选出符合条件的用户数量，以及符合条件的用户在总用户中所占的比例。观察不同活性层的变化。至于新老用户的比例，则发现活跃用户的构成、连续第1、2、3天活跃用户的比例等。，可以发展成为忠诚的用户，这需要关键的维护。DAU(日常生活)趋势。看趋势就是看各种指标在连续几个时间段的表现是否一致，了解用户的活跃趋势，比如上周的同比是否一致，趋势是否一致或者中间是否有断层，是否有自然周期性，是否有异常等。，以分析涨跌的位置，并将更多精力放在如何将其应用于运营和业务上。04
现在，让我们理清如何分析“活动数据”并优化业务增长战略。
1.了解产品线业务总体活跃数据的趋势
通过活动数据的趋势，我们知道活动用户的规则。市场政策、节假日、电子商务节日和其他节日的变化，以及共同的运营策略调整，都会导致活动数据的变化。在发现一些明显的规律后，根据未来指标的预期波动及时调整经营策略。
如下图所示，活动用户的数量在周末和节假日逐步减少。有相应的事件和相应的波动模式。可以看出，有周期性的规律。在周末，营销活动等经营策略可以调整，以稳定增长趋势，但产品属性和用户属性应综合考虑。
注意:对于考勤类应用的10月活跃数据趋势图，已经进行了数据脱敏。
2.通过DUA同比/逐月/百分比观察来区分活动数据的异常变化
根据DUA的同比/环比/比例观察，存在阶梯型、持续性、不规则性等活跃波动是不正常的。然而，并非所有异常波动都值得调查。但是，有必要记录发生时间并观察趋势，而且当问题恶化时，很容易追踪源头。这就是为什么有必要建立一个数据监测系统。
如下图所示，在红框区域，从10月22日到10月24日，活跃用户数量异常波动。首先，有必要知道日常生活实际下降了多少。其次，通过DUA的同比/逐月/百分比观察，确定下降是否在合理范围内，最终确定为不规则异常。
注意:对于考勤类应用的10月活跃数据趋势图，已经进行了数据脱敏。
3.挖掘异常变化的原因。
一般而言，活动数据中的异常通常与事件有关，例如季节性促销、用户静默唤醒和影响活动、新功能上线等。因此，在挖掘异常原因时，可以分别观察新老用户。梳理出新用户行为路径中各环节的转换，并对老用户进行标签管理，实现不同的到达和发现问题，从而刺激老用户转向介绍。
4.根据问题的严重性优化业务增长战略
通过判断问题的优先级，为紧急和重要的问题找到问题的根源，并及时调整业务增长活动和运营策略，可以改善活动数据，防止大规模用户流失。
优化和完善用户成长系统(会员系统)，提高用户的活跃度，使用户有归属感，不断优化用户激励系统，使用户想用我们的产品，提高活跃度。
优化产品功能和流程，如注册流程优化，减少一个环节，转化率可提高5%以上。AB测试可用于验证和持续优化产品功能。
04
借用朋友的话:“从活跃用户的数据出发，制定成长战略，关注活跃用户中老用户的增加、保留、回归和流失。各部分的比例，比例较大的部分，应适当倾斜，比例较小的部分，应根据成本决定。”
一般来说，活跃的用户数据是业务增长转化为引进和裂变的基础。从活跃的用户数据中，为不同的用户制定不同的增长策略，如营销和推送，实现用户的分级管理，不断优化业务增长策略。
此外，值得注意的是，朋友们说“积极的促销策略应该根据产品生命周期的特点来制定，例如，对于产品生命周期短的产品，积极的策略应该着眼于减少损失，反之，应该着眼于提高保留率。”
作者:穆，数据操作；公共号码:木木自由
这篇文章最初由“牧溪青田”发表，每个人都是产品经理。未经允许禁止复制。
主题图来自Unsplash，基于CC0协议。