网站分析常用的指标之内容指标(一下：用户流失，该怎么进行数据分析？（附归类如下图）)

　　网站分析常用的指标之内容指标(一下：用户流失，该怎么进行数据分析？（附归类如下图）)

　　上一篇【用户流失，如何进行数据分析？】以后有同学强烈呼吁写用户要活跃。由于与用户相关的话题较多，为了方便大家阅读，这里将各种话题进行分类如下图所示，方便大家一目了然。今天我们就系统地分享一下：用户活跃度的话题。

　　

　　关于活跃用户的常见问题

　　▌一、 活跃是什么意思？口径不统一。

　　用户注册和支付是非常明确的行为，一般不会认错，但对于什么是“主动”，往往众说纷纭，比如：

　　● 即使你登录成功，你也会活跃吗？

　　●登录后有多少点击活动？

　　●登录完成特殊动作？

　　当然，不同的目标和不同的业务可以有不同的定义。但使用这些定义的前提是口径一致。各部门要达成共识：有XXX行为者视为主动。最常见的问题是，不仅缺乏统一的口径，而且不断发明新的术语，使得历史数据不一致。最后，我们开了个会，和鸭子聊了聊。

　　▌二、 陷入细节，纠结日常波动。

　　看过活跃度和活跃人数的同学都知道，这东西每天波动太大了。几乎大事小事都会对活动率产生影响。有的时候活动率下降的分析报告还没交，雅自己就已经回升了。结果，我一直在为“为什么它再次高/低 1%！”而苦苦挣扎！我太累了，我还没有找到根本原因。

　　▌三、 孤立地看问题，花钱变主动。

　　虽然不总是清楚活动率下降到什么程度，但是如何使活动率下降，套路太清楚了。登录7天签到领福利，30天签到领福利，登录抽奖最高888、20天种树送一袋奇异果...所以往往没有找到原因，提高指标的短期措施已经上调。NS。

　　结果，按下葫芦使勺子漂浮。活动率上升了，转化率下降了，转化率上升了，费用被烧光了……

　　注册、活跃度、付费等指标永远不能分开看，就像我们评论者的身体一样，是一起报道的。否则，你想要一个36D的女朋友。你想推荐一个 36-48-52 的身材吗？不仅必须得，而且必须要快乐。

　　用户主动分析核心问题

　　陈老师总是举例。不了解业务的人会造成各种问题。然而，在用户活动分析中，正是那些做业务的人不了解数据，才造成了上述混乱。运营没有深入思考活跃指标的含义，也没有分析活跃指标与注册、支付、转化的关系。正是因为“这是我的KPI”，“KPI指数下跌综合症”才应运而生。等不及分析清楚了，又忍不住了。

　　如果你想打破这个游戏，首先要解决一个核心问题：积极对我们意味着什么？除了阴阳师和DOTA传奇这样的非常涂装的游戏，其他大量的互联网应用真的需要用户每天留在这里吗？除了微信这样的超级APP，真的还有一款用户每天看都无法替代的APP吗？（如下所示）

　　

　　本质上，互联网应用说用户是活跃的，就像传统公司说顾客光顾商店一样。

　　● 积极是一切的基础，必须注意

　　●没有转换就不能激活，你必须联合起来才能看到

　　●影响因素太多，抓大放小，重在行动

　　在谈到用户流失分析时，我们说过：流失分析的目的不是消除流失率，而是将流失率控制在可控范围内。在用户活跃度分析的情况下，原理类似：做活跃度分析不是强迫用户每天戳，而是为支付和推荐提供稳定的支持。

　　用户主动分析的基本思路

　　1、 制定标准：当前业务需要什么样的新的、主动的、支付结构

　　2、找到一个模式：一个有规律的活跃趋势应该是什么样的？

　　3、检查异常：区分正常变化和异常变化

　　4、追踪原因：跟踪分析异常变化

　　5、 制定计划：根据问题的优先级制定响应

　　最重要的当然是制定标准。作为业务方，你需要进行心理判断：我需要多少活跃用户，我需要多少活跃率。而且我们不能单独看一个指标，一定要注意AARRR的整体形态。

　　

　　▌制定标准的常用方法

　　制定标准主要有以下三个参考：

　　1、业务特点：不同的业务需要不同的活跃用户数和活跃率。

　　2、发展阶段：一般新品发布往往是人多聚集（DAU大），只做一定程度的付费转化。

　　3、竞争策略：不同的策略意味着对活动和支付的不同要求。

　　比如三个最基本的策略（如下图所示）：

　　

　　请注意，竞争战略是制定标准的核心。例如，传统观点认为金融服务是低频服务。可以使用金融类APP，就可以将财经新闻、财经教育、当地饮食指南、电影资讯等消费相关的东西融入进来，把低频应用变成高频应用。

　　因此，同类业务的一般特点和发展阶段仅供参考。更重要的是，是企业内心的声音：“我们要做一个XXX应用，和市面上的产品相比，我的目标是XXX”。

　　这就要求运营需要有自己的业务判断能力，对自己的方向有清晰的认识。数据分析师只是一个辅助角色，提供业务特征、发展阶段、竞品等数据供参考。

　　这也是陈先生抱怨的原因。积极的问题是“自上而下”。确实有很多企业对运营一窍不通，知道KPI是机械完成的，只要数据符合标准。如果数据不达标，我们试图把锅扔给没有洞察力的数据分析师，对手刷了金额，我们的费用还不够。这样标准就不清楚了，后面的分析也无从谈起。

　　▌ 寻找规律的常用方法

　　有以下三种类型的法律：

　　1、政策规则。政策出台后，反响强烈。

　　2、自然法则。全年的1-12月，本身就收录了很多影响活动的因素（如下图）

　　3、操作规律。常见的操作事故（产品缺货、系统停机、误导性宣传...）操作措施（抽奖、签到、互动游戏）可以触发主动数据变化。

　　

　　这些具体的政策、事件和操作行为是指标变化的根本原因。因此，在分析之前，应该采集大量的内部和外部事件，并考虑这些事件。而不是用数字，说“因为前三天涨了，所以今天涨了”，“因为上周五涨了，所以这周五涨了”等等都是不合逻辑的话。

　　找到一些明显的规律后，就可以用来做定性预测了。根据未来发生的时间，预测指标的波动。它也可以用于解释。例如，当一个指标出现波动时，如果有相应的事件+相应的波动模式，那么八项成就就是有规律的变化。这样做可以节省大量的分析时间，而不是做了大量的分析，还被抱怨：“我知道了”“就是这样”。

　　▌常见的异常检查方法

　　如果遇到异常，请注意：

　　1、振幅：单日波动是否足够大

　　2、 可持续性：是否有持续上升和持续下降的趋势？

　　3、规律性：是规律性和计划性波动吗

　　4、 相关性：关联的注册和支付指标是否波动相同

　　

　　注意并不是所有的波动都值得追求，优先考虑大的、连续的、不规则的等指标。偶尔波动是正常的，但需要记录发生的时间，观察趋势，当问题恶化时很容易追根溯源。这样，数据分析师就不需要陷入无休止的纠缠中，更容易发现真正的异常问题。

　　

　　▌常见的原因追查方法

　　确认是异常波动，常见的有3种形态

　　1、事件类型：一次性，急剧下降

　　2、Continuous：从某个节点开始，继续下降

　　3、系统类型：自身波动小，但总比竞品差

　　

　　首先判断是哪种类型的问题，然后追查原因。追查原因的难点在于：事件类型“系统类型”连续类型。事件的来源是最容易找到的。系统性差异可以通过竞争产品分析来回答。相反，坚持的问题是最纠结的。有可能过自己的生活，可能是大事的余波，也可能是深层次的问题。

　　需要注意的是，我们常说的DAU=DNU+DOU（日活跃用户=日新用户+日活跃老用户，一般新注册用户直接算活跃），往往系统性问题会影响DNU，用户注册后失败在 T+1、T+2...T+N 时间内引导用户导致用户不活跃或流失。

　　DOU 通常与事件有关，例如季节性促销、无声用户唤醒、新产品发布等。所以在追查原因的时候，可以单独观察。跟随新人注册到第一次支付流程，标记老人，关注老人对活动的反应（如下图）

　　

　　▌常见的规划方式

　　但是，没有这样的部分。这部分是经营范围和业务行为，超出了本文的范围。计划的计划主要取决于运营的业务能力。作为数据分析，可以提供的支持是：

　　1、确定问题的优先级

　　2、对于紧急重要的问题，建议问题的根源

　　3、提供ROI分析结果支持过去方法改进问题

　　4、等待运营提出想法并提供临时支持

　　最后一句话：好方法是设计出来的，不是计算出来的。依靠数据分析只能评估过去方法的质量，最多只能预测用户对XX产品的响应率，再无其他。要想真正做好落地，还是要靠操作多练内功。

　　从头开始阅读，我们会发现数据分析的方法一点都不神秘，而是更多：

　　大量、精心、

　　使用数据来描述、评估和总结事件

　　用逻辑推断事件的影响，用数据验证假设。

　　这是一项非常枯燥的体力劳动，但却是取得成果的关键。没有这些细节，任何“思维方法”、“底层逻辑”和“核心法则”都行不通。只有算命高手是无所不知的，做数据分析的人其实和瓦工没什么两样。

　　结尾-