结合作者多年的APP数据分析经验，给大家讲解一些APP数据分析的思路。记住，只聊思路，不聊实操，希望对一些对APP数据分析感兴趣的伙伴有所帮助。

有一个朋友跟我说，他之前呆过的一家互联网公司，抗风险能力很弱，整个运营部门all in 在新增上，完全不考虑留存和活跃等指标。

2017年的日新增用户数单从应用市场靠ASO来的都能做到日均3W，还没有算上其他渠道。但是留存特别低，7日活跃留存率只能维持在10%左右。

后来，公司新来了一个产品经理，这个产品经理看到公司的问题，他逐步完善整个公司的数据体系。后来，运营数据指标体系慢慢清晰了，公司的用户增长也步入健康的增长状态，比当时all in新增的利润要可持续得多。

他感叹说，数据分析好的话，完全能够实现可持续性的利润增长，深感数据分析的重要性。

我也是完全认同他的观点，数据分析的价值潜力很大。

今天，结合我多年的APP数据分析经验，给大家讲解一些APP数据分析的思路。记住，只聊思路，不聊实操，希望对一些对APP数据分析感兴趣的伙伴有所帮助。

日常数据运营指标，如下载用户数、新增用户数、活跃用户数、付费用户数等，这些数据都是运营中最基础最基本的数据，是大Boss们最关注的核心指标。

这些指标对数据的准确性和及时性要求都比较高，所以你一旦进入一个新公司，或者接手一个新项目，第一任务就是要把这些数据梳理好。

另外，运营指标体系中的众多指标是基于这些基础指标衍生出来的，假如这些基础指标的数据质量不过关，其他衍生指标也会出现偏差，而且偏差结果因多个基础指标误差的叠加导致比基础指标更大。

如何保证基础指标的数据质量？

用户ID逻辑的设计很关键。对于用户数的统计，用户ID的设计逻辑好与坏直接决定数据的质量。

因此，当你获取到这些基础数据时，你要对背后统计的ID逻辑了解清楚。对于电商和社交类的APP，因为这种类型的APP有强大的会员系统，对于精准识别一个用户来说它会起到很好的补充作用。

对于一个上升期或者衰退期的APP，运营团队会尽可能寻找大量的渠道来引流，吸引新用户的关注。

互联网的渠道很多，通常有竞价渠道（百度、搜狗、应用商店）、SEO渠道（百度、搜狗）、新媒体渠道（微信公众号、微博、抖音）、网盟广告渠道（百度网盟、阿里妈妈）、移动端付费渠道（今日头条、腾讯广点通）、免费渠道（QQ群、微信群、贴吧、问答平台、应用商店）、直播平台（虎牙直播、映客）等。

渠道之多，因此做好渠道效果的监控和分析，对于降低获客成本，提高渠道推广的ROI，十分有帮助。

渠道分析，无非就是监测各个渠道的好坏、哪个效果更好、哪个单价更便宜。当然，我们还需要监控每个不同渠道用户的后续表现，给每个渠道的用户打分，我们要清楚的让BOSS知道哪些渠道值得投、哪些渠道是垃圾；哪些渠道需要加大投资力度，哪些渠道应该选择放弃。

假如运营团队资源充足，还可以对不同手机机型、不同操作系统、不同地区之间的用户质量进行对比分析。总之，就是在不同的维度上对新用户进行切片，来监测不同维度上的用户表现。

当然，渠道分析中，还有两个重要问题是需要市场人员和数据分析人员引起迫切关注的，那就是渠道作弊和渠道归因。关于渠道作弊和渠道归因，都是很复杂的研究课题，后期我会单独针对这两块内容来写点东西，这里就不展开详细叙述。

一个产品不可能满足所有用户，鱼和熊掌不可兼得，用户之所以成为了活跃用户，必然是你的产品已经满足了一定的用户需求。研究好活跃用户有助于我们提升最核心的功能点，因此，这部分人的行为更值得研究。

所以说，活跃用户（或者核心用户）是APP最宝贵的资源，我们要密切关注APP活跃用户的动态、倾听他们的声音。

活跃用户分析，我们可以关注DAU，WAU、MAU、启动次数、使用时长、DAU/WAU、DAU/MAU等指标，WAU和MAU反映了活跃用户的总规模，启动次数和使用时长反映了活跃用户的粘性，DAU/WAU和DAU/MAU反映了活跃用户的活性。

活跃用户分析中，反映粘性和活性的指标，都值得细致研究。比如：拿使用时长指标来说，这个指标是用户在某个自然时间段内在APP上使用的时间，这个指标的最大功用就是用来评价用户活跃度和用户粘性的。

如果用户使用时长非常理想，说明用户对APP的认可程度和刚需性高，反之则亦然。

另一方面，想一想你的APP在设计的时候，当初预计一个正常的用户每天会用多少时间，上线后用户真正用的时间是否和你的预计相同？

如果这里面有很大的偏差，就说明用户对APP的认知和你当时设想是有不同的。 这个时候你就需要想想如何来调整你的产品，去迎合用户的认知。

用户画像其实就是用户信息的标签化。如性别、年龄、手机型号、网络型号、职业收入、兴趣偏好等等。用户画像分析的核心工作就是给用户打标签，通过人制定的标签规则，给用户打上标签，使得能够通过标签快速读出其中的信息，最终做标签的提取和聚合，形成用户画像。

用户画像的应用场景主要有两个：用户特征分析和用户分群。

用户特征分析，是对特定的用户群体进行持续深入的用户属性洞察，使得该用户群体的画像变得逐渐清晰，帮助企业了解他们是谁？行为特点是什么？偏好是什么？潜在需求和行为喜好是什么？洞察了这些特征以后，为后续的用户群体可以做针对性的分析。

用户分群是精细化运营的基础，已经广泛应用于各行各业的数据分析过程中。比如，定位营销目标群体，帮助企业实现精准营销；为唤醒沉睡用户或者召回流失用户，帮助企业实现精准推送；比如电商或者资讯类的APP，帮助企业实现个性化内容推荐等等。

什么是转化？

当用户向您业务价值点方向进行了一次操作，就产生了一次转化。这里的业务价值点包括但不限于完成注册、下载、购买等行为。在互联网产品和运营的分析领域中，转化分析是最为核心和关键的场景。

以电商网站购物为例，一次成功的购买行为依次涉及搜索、浏览、加入购物车、修改订单、结算、支付等多个环节，任何一个环节的问题都可能导致用户最终购买行为的失败。在精细化运营的背景下，如何做好转化分析俨然很重要。

所以，当你想要做转化分析的时候，你就想想你产品的核心功能是什么，然后去监测这个核心功能的转化率。不同行业都有相应的不同转化率，比如游戏APP里更加关注付费率，电商APP更加关注购买率。

转化率分析，你也可以将自己的产品与行业平均水平对比，看看自己的产品在行业所处的位置。另外，也可以通过长期的趋势监测，可以评估APP不同版本的好与坏。

流失用户召回是运营工作中的重要部分，定义流失用户是用户流失分析的起点。流失用户，通常是指那些曾经使用过产品或者服务，但后来由于某种原因不再使用产品或服务的用户。

在实际工作中，不同产品或者服务的业务类型，流失用户的定义要复杂的多。

• 比如电商类产品，根据用户购买行为定义，用户多久未再次购买算流失用户；
• 比如内容类产品，根据用户访问行为定义，用户多久未访问算流失用户；
• 比如视频类产品，根据用户观看行为定义，用户多久未观看算流失用户。

因此，需要结合产品业务类型，将用户关键性行为进行量化，来定义流失用户。

用户流失是一个过程不是一个节点，流失用户在正式停止使用产品之前会表现出一些异常行为特征：访问频次大幅降低，在线时长大幅下降，交互频率大幅降低等。

因此，我们需要通过规则或者机器学习建模等方式，建立用户流失预警机制，提前预测流失用户的概率，支持运营对高潜在流失用户进行活动干预。

如果有条件的话，可以和行业的平均水平进行对比，让自己更加清楚自己产品的流失率在行业的位置。另外，也可以给流失用户做画像，能够帮助我们更好的了解流失用户特征。流失用户画像越细致，代表性越强，召回成功率就越高。

但是，我们知道流失用户和流失用户的画像还不够，还要找到流失的地方，看看用户在哪些地方流失了，然后有的放矢，进行相应的产品改动。

当我们清楚的定义了流失用户，也了解了流失用户的画像，知道流失用户聚集在哪些渠道，接下来我们就要明确用户召回的路径和策略。

从用户角度出发，给用户一个重新使用产品的理由。流失用户召回后，不是终点，我们要对召回来的流失用户进行维护和二次促活，巩固召回效果。

什么是APP用户的生命周期？

它是指用户从与APP建立关系开始到与APP彻底脱离关系的整个发展过程，在整个生命周期中为APP带来的价值总和，称为生命周期价值。

在APP用户的整个生命周期中，从用户价值贡献的角度可以分为4个不同的时期，分别是考察期、形成期、稳定期和衰退期。每个时期的用户给APP带来不同的价值。

（1）考察期

这个时候的用户主要是对APP产品提供的功能和服务，进行自我需求的验证和考察。一旦用户发现产品不能满足自己的需求，将会快速的流失掉。

所以在产品规划的时候，一定要对目标群和目标用户需求进行精准定位，尽可能避免上线后，就有大量的用户流失。这个时期用户的价值贡献较低。

（2）形成期

当产品的功能和服务能够满足用户的需求，用户将会对产品进行试探性使用，在该过程中产品的用户体验将会起到决定性的作用。尤其是在同质APP较严重的时候，用户将会一边倒的选择体验更优秀的APP。

在该时期用户会真正的选择并决定使用产品，同时用户创造的价值也将会飞速提升。

（3）稳定期

处于这个时期的用户，无论是忠诚度还是活跃度都是最高的。他们会频繁的使用产品，会对产品进行口碑宣传，吸引和推荐更多的用户选择产品，这个时期的用户价值创造将会达到最高，并且保持很长一段时间的稳定。

（4）退化期

引起稳定用户进入退化阶段，因素很多。比如一个母婴类产品，孩子长大了，就放弃该产品的使用。

总之，某些因素影响到用户的满意度，都有可能促使用户进入退化期，进而彻底脱离该产品。用户一旦进入退化期，就应该进行及时的用户维护。这个阶段，用户创造的价值将会迅速递减。

以上总结的APP数据分析思路并不是全部，比如A/B测试、热图分析、表单分析、路径分析等常用的分析思路，均没有包含其中。这么多APP数据分析思路，其实市场上已经有非常成熟的APP数据分析工具，给我们提供强大的分析支持。

比如国内的有友盟、MTA、Talkingdata、神策数据、Growingio、诸葛IO、数极客等，国外的有GA、Mixpannel、Appsee等。每一款APP数据分析工具，除了基本的数据分析维度几乎都一样，各家的产品都有自己独特优势的功能。

所以，大家如果希望选择第三方数据分析工具，要结合自己的分析目的和自身公司的条件来选择适合自己的数据分析工具。

本文由@大雄 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