数据分析和用户增长的思维导图

文章开始，先给大家抛出几个问题

•  如何快速的了解一个App产品，以及它的生存现状？
•  如何快速的弄明白一个App产品当前存在的问题，如何优化解决这些问题？
•  如何通过快速版本迭代优化用户体验？
•  如何进行精细化的运营？

这几个问题，应该是我们经常遇到的问题。没有一个系统的数据分析思维，很难去回答清楚它们。接下来，这篇文章将试图介绍如何建立一套系统的数据分析思维，以及如何使用这个思维来解决我们遇到的问题。

一 思维决定能力

数据分析思维，是数据分析的利器。

没有一个完整的数据思维，遇到问题时，只能管中窥豹。我们可能都遇到过类似的情况，业务部门提出了需求，要我们分析如何改进某个功能。听到这个需求描述后，是否会懵逼一阵子？是否会四处查询调研解决办法？到最后，是否会对于自己输出的方案没有信心呢？如果有这种情况存在，那非常有必要理解一下数据思维能帮助我们如何解决问题。

拥有一个良好的数据思维，就能将问题映射到具体的业务模块，确定问题的紧急程度，然后，使用各种分析技巧寻找根本原因，制定解决方案和规划，最后执行计划解决问题。是否具备一个完整的数据分析思维，决定了我们能否有章可循的解决问题。

二 思维是一种模式

我们试图找到一个通用的数据分析模式去分析所有的App，是否存在这样一个通用的分析模式呢？

答案是肯定的！下面我们讨论一下所有App的共性点，有共性点，就可能会有通用的分析模式。

2.1 了解App的宏观指标和行业知识

刚接触一款App时，了解它的宏观概况和行业知识，能帮助我们快速的了解：

•  App所在行业的特点以及功能要求
•  App在该行业领域的地位
•  App的用户群体的特征和生命周期
•  App所处的生命周期
•  App的健康度

App的健康度，可以通过当前App的用户活跃度，留存率等宏观指标来观察出来。宏观指标对比行业数据指标，

App所处的生命周期需要重点分析，一般，早期的App处于扩张期，用户量出现急剧的增长，DAU／WAU／MAU的增长能掩盖很多问题，即使偶尔意识到一些小问题，也可能没有足够的人手和精力去解决它；当App度过了疯狂扩张的窗口期，各种细节问题成了优化的关键点，这个时候这些App对于数据分析和用户增长需求开始增加。App在不同的生命周期有不同的用户和业务增长方法，弄清楚这些大背景，我们才能分析每个问题在当前阶段的紧急程度。

要想深入了解一款App并进行数据分析，第一步便是归纳总结它的宏观数据和行业知识。

用户模型是进行数据分析和用户增长分析的重中之重！只有了解了我们的用户才有可能对问题进行深入的洞察和分析。

首先，我要了解我的用户有多少，以什么方式在增长，用户都是一些什么样的人，他们在我们的App内发生了什么；然后，分析那些新增的用户在App内做什么，是什么样的人，哪些的留存高、活跃度高、消费高；再然后，找到那些本身就留存高、活跃度高、消费高的用户，看看他们在做什么，是什么样的人。通过这些用户的分组对比分析，我们才能了解用户对于我们App的真正需求，从而面向用户去观察问题，并基于重度使用用户的行为去分析问题，然后迭代尝试，去解决问题。

对用户的认知，是我们进行一切数据分析的基础。在后面的文章中可以看到，我们在分析任何问题时，都需要观察用户的行为，基于用户参与度对用户进行分组，然后对比分析行为差异，得出猜测。

2.2 建立App核心指标体系

App的问题排查和优化的前提是：建立一套核心指标体系。这样做有以下几个意义：

1.  建立全方位的App监控指标，随时观察App健康度；
2.  用来判断每个工作的重要程度。

很显然，每个App都需要建立一套核心指标体系。

如何建立核心指标体系是一项严谨的工作，它的内容将直接影响未来的工作重点。这项指标体系要满足以下特点：

•  包含App所有的重点指标
•  每个指标要细化，要深入到根本，能反映真实的用户变化
•  每个指标要是可度量的

建议按照用户在App内的生命周期来设计指标体系。互联网的[AARRR]模型（Acquisition：获取，Activation：激活，Retention：留存，Revenue：付费，Referral：传播）将用户的生命周期划分为5个步骤。这是依据用户行为的漏斗模型划分的用户生命周期。

图1. 对用户生命周期划分的AARRR模型

2.2.1 获取阶段的核心指标

获取用户的指标，重点是通过这些指标对比不同渠道的价值。

App的下载量绝不是一个好的指标。单纯的看下载量，我们永远不知道有多少用户看了我们的漫画，有多少用户完成了关注和注册等行为。想要对比渠道的好坏时，依赖下载量也绝不是一个可靠办法。我们需要根据每个渠道中真正使用了我们App的用户来对比渠道的价值。

因此，我们得出一个核心指标：不同渠道下载到激活，再到用户阅读／注册的转化率。

现在我们有工作要做了，不断的去优化这个核心指标：

• 快速频繁迭代你的启动页与注册流程以提升整体激活，阅读／注册转化率。这没有固定的成功公式，就像一句话说的：「做大量的测试和 A/B 测试，做大量的猜测并快速的迭代」；
• 持续不断的检查你的转化率，当你发现迭代优化的收益变小的时候，就先暂停一下；
• 加倍投入那些低成本、高转化率的渠道。

这并不意味着你要完全放弃那些低质量的渠道，因为广告也有收益递减：你花费20,000也可能得不到与之前花费5,000相同的结果。但只要保持对转化率的关注，你就可以把产品推进到正确的方向上，不用过多的担心。

把尽可能多的用户带到你真正的产品里面，这就是在AARRR 模块中的获取部分我们要做的所有努力。没错，阅读和注册的提升并不能完全表示我们的产品会变得更好，但是它们仍然是一个非常重要的市场指标。正确的使用，它们可以让你引领尽可能多的用户进入激活阶段。

2.2.2 激活阶段的核心指标

首先，要明确一个概念，激活不应该只是限定为首次打开App。这个只能代表用户在尝试你的产品，而只有当用户在发现并认可了产品的价值，并决定继续使用的时候，才代表这个用户激活了。

所以对于我们来说真正重要的是，有大量用户没有深入使用我们产品的问题是什么？

首先需要弄明白的核心问题是：

• 有多少用户没有正确的激活；
• 正常用户的比例是多少，是否有作弊用户；
• 正常用户在哪些地方迷路了；
• 哪些流程是需要去改善的；

要想弄明白这些情况，可以使用漏斗和用户细分的技巧。

从首次打开App到深入使用产品的过程像是一次冒险，用户会在其中流失掉，而且他们可能永远不会再回来了。解决激活问题的最好的方式是创建一个包含这个过程中每一个步骤的漏斗，跟踪每一步转化率，然后当你看到用户在哪个地方流失的时候进一步的深入进去。反作弊用户需要和渠道获取用户阶段结合分析，建议在获取用户阶段制定严格指标把作弊渠道和作弊用户控制好。

使用漏斗和用户细分，找到用户流失最大的步骤，以及影响用户深入使用的关键功能和步骤，就有了一个基本清晰的、数据驱动的途径去把产品真正的做的更好。

激活阶段的核心指标不是固定不变的，当解决了一个问题之后，可能会发现另一个亟待优化的点又暴露出来，这时候，我们就需要制定新的转化率指标。

2.2.3 留存阶段的核心指标

新增用户和活跃用户的留存率，是我们应该关注的指标，它们可以反映当前用户和产品的留存率的宏观状况。但是这些指标又带有一定的“虚荣性”，因为我们无法通过这几个数字确认，影响用户留存的原因是什么。

这一阶段的核心指标是：通过用户分群分析，归纳总结出哪些重要行为影响了用户，决定了用户的留存率，然后使用发生这些行为的用户在总用户中的比例作为核心指标。这个核心指标的目的是

向我们展示着人们如何使用产品，是什么让他们离开，是什么让他们留下来，是什么让他们转化为我们的忠实用户。我们在该阶段的目标就是提升这个重要指标。

同样的，留存阶段的核心指标也不应该是固定不变的，我们需要使用用户分群作出分析，制定出最能反映用户情况的核心指标。

2.3 掌握产品分析优化闭环流程

解决一般问题的流程和技巧是：

1.  认识问题，只有真正认识了根本问题，以及需求方对于这个问题的潜在期望，才能真正确保我们解决问题的方向是正确的；
2.  分析问题，弄明白影响问题的根本因素，确定多个待解决因素的优先级；
3.  思考解决这几个决定因素办法，充分提高自己认知的高度，广度，深度，以求思考出最优解决方案；
4.  制定方案的实施规划；
5.  严格执行规划，即使反馈和改进规划；
6.  确认方案的效果，确认问题的解决。

在我们的数据分析工作中，一个重要的工作就是对App中存在的问题进行解决和优化。依据上面的一般流程，我们可以按照如下步骤来进行分析优化工作：

1.  寻找待优化指标，在2.2介绍的核心指标中寻找可以优化的指标；
2.  分析问题，思考决定问题的因素，以及这些因素的关键指标；
3.  针对每个因素，思考出优化策略；
4.  基于AB测试，快速迭代尝试可行的优化策略；
5.  观测结果，收集数据，统计指标，归纳总结；

这是个分析优化的闭环流程。基于此流程，我们可以快速的尝试，归纳总结，提升核心指标。

2.4 掌握常用的数据分析技巧

2.5 掌握常见的用户增长策略

三 思维需要灵活多变

每个App都有独特的行业，用户群体，宏观情况的数据等等。这也就决定了我们不可能得出一套放之四海而皆准的核心指标，每个App的核心指标，必须是基于对特定App的深入理解和剖析，而得出的最适合该App的指标。这要求我们的数据思维能够灵活的去适应每个App，基于App独特的行业，用户群体，宏观情况的数据等情况，思考出当前阶段最需要的指标体系；

上面介绍的产品优化闭环流程，也需要我们灵活的应用到每个App产品中。App要优化的指标不同，产品功能页面不同，和我们合作的产品或者运营同事不同，都可能影响我们的决策和实施。这里也没有一个标准，我们可以本着灵活的原则，快速的迭代尝试，归纳总结。

不同的场景，需要使用不同的数据分析技巧和用户增长策略，要视情况而定。我们要多积累数据分析技巧和用户增长策略，然后多尝试使用，理解不同的分析场景适用的分析技巧。

四 常见的数据分析和用户增长问题

我们在工作中所做的一切努力的本质，都是为了用户增长。然而，我们遇到很多数据分析的问题，有的问题看起来和用户增长的关联性比较大，比如用户注册率，用户留存率等；有的问题则看起来跟用户增长没有太大的关联性，比如某个活动页面的转化率等。

我们常见的数据分析问题有

• 市场问题
• 运营问题
• 用户问题
• 产品问题
• 技术问题

市场问题，我们一般关注：渠道量，转化率以及ROI；

运营问题，我们关注：活动效果，GMV，ROI，和活动留存；

用户问题，我们关注：关键业务流程、关键行为次数、人数、频率、占比；用户的结构（性别、新老、地域等），分层（活跃、非活跃），留存；

产品问题，我们一般关注：功能的使用率，参与度等。

这些问题，都离不开对用户的理解，都可以通过用户趋势，用户结构，用户分层，用户使用深度，以及用户行为分组来进行分析。

所以，这里强调一点：我们遇到的大部分问题，都需要对我们的用户有深入的理解，然后通过用户分组，分组用户的模型和行为洞察来分析。

总结

近两年，有个概念叫“用户增长”，非常火热，它反映出来越来越多的App开发者面临了用户增长的难题，也开始注重用户增长这个问题。

前两年，国内涌现出了第一批“增长黑客”，而且有越来越多的趋势。他们发表了很多关于用户增长的文章，有不少让人受益匪浅。但是，渐渐有种“乱花渐欲迷人眼”的感觉。这些文章中列举了很多的用户增长案例，罗列出很多的概念和技巧。看完后，我们通常会有一个疑问，为何使用这些技巧去解决这些问题呢？这里有没有什么思维的规律？因为这些文章大都没有回答这两个问题，所以，读的文章越多，我们只是了解了更多的数据分析技巧和一些概念，对于用户增长反而更迷惑了，始终无法梳理出一个系统性的用户增长思维。更有甚者，有部分人认为：用户增长，几乎没有规律和必然性可言，现有的用户增长案例，大都是误打误撞的产品改革带来的，然后，将一些用户增长的概念和技巧套用到这些案例上。对于这些极端的观点，一个比较好的回复口径是：大部分的科学结论也都是“误打误撞”的情况下得出的，但是，它们往往都基于系统性的逻辑思维和无数的推理实验。

之前的一段时间，我也有过一段迷惑期，无法得到用户增长的全貌。我经过一段时间的归纳总结，整理出了自己比较习惯的一个分析和用户增长的思维体系。

这个文章中列举的这个思维体系，有几点值得再次强调一下，以免产生理解的偏差：

•  App的数据分析和用户增长，基于对App的充分认知，需要不断的迭代尝试，是一个循序渐进的过程，切不可期望一蹴而就；
•  App的核心数据指标，指明了用户增长的努力方向，不同的App需要的指标不同，理解业务，产品和用户才能制定出最合理的指标；
•  App的数据分析优化闭环流程，需要我们掌握并且能够灵活运用，它是我们做用户增长尝试的指导流程；
•  App的数据分析技巧和用户增长策略，是不断累积的过程，且多多尝试才能运用自如；

这里跟大家分享一个看法：所有人看待用户增长，都有一个统一的目标，但是用户增长的思维和方法论却是因人而异的。我的看法是，研究用户增长，贵在总结出一个适合自己思考习惯的思维体系。

当对一个App进行数据分析和用户增长时，我的实施流程如下：

1. 认知App所处的行业的知识和用户，以及它的宏观数据指标；
2. 根据AARRR模型，制定该App的核心指标，哪些指标偏弱，就是我们未来的优化点；
3. 使用App数据分析优化的闭环流程，不断迭代尝试，归纳总结，实现用户增长和产品优化；

基于这个思维和流程，当新接触一款App时，我们能够快速的认知它，制定出合理的核心指标，而且能凭借自己熟悉的思考体系进行用户增长的尝试，以求对产品和用户增长作出优化。这个过程有逻辑性，严谨而目标明确，抛弃“虚荣指标”，专注核心指标的优化，返璞归真，精益求精；而不是盲人摸象，生搬硬套。

看到这里，你或许对开篇提出的几个问题有了一些想法和冲动了，快去试试吧！

以上的内容，只是个人经验的总结，可能有很多不足之处，欢迎大家一起探讨学习！

最后附上我总结的一个初版的用户增长思维导图，抛砖引玉，希望对大家有用处。

图2. App数据分析思维导图