怎么分析用户活跃、指标波动

相关文章：
用户画像：3种标签类型、8大系统模块
知道用户画像标签有哪些维度、应用场景体系？是种什么样的体验
用户运营
用户分析、店铺数据分析、小程序数据分析（思维导图）
数据分析全知识,思维导图
Xmind思维导图 常用快捷键使用

参考作者：（本文仅作学习分享，侵删。）
接地气的陈老师：https://www.yymiao.cn/yunying/user/55993.html

在讲用户活跃之前，先讲讲什么是用户运营？（在上一篇文章中讲过）
用户运营:
https://blog.csdn.net/weixin_44404350/article/details/116522112

用户活跃、指标波动：

我们先来看看，用户生命周期状态：

用户分析体系：

用户活跃常见问题：
可参考：用户注册、付费。
不唯一标准：活跃率、活跃人数指标，因为日常波动太多，影响因素有多种。但提升活跃率的方法，无非就是加点活动，给点福利，比如：登录7天签到送福利、30天连续签到送福利、登录就抽奖最高888、种树20天送一袋猕猴桃等等。

总之，注册、活跃、付费这些指标从来都不能割裂开看，就像我们评论人的身材，是三围一起报。要不然，你想要一个36D的女朋友，推荐个36-48-52身材的你要不要？不但得要，还得幸福哦。

当然用户活跃程度，不同领域的也是不一样的：

本质来说，互联网应用的用户活跃和传统企业讲顾客到店一样
同时活跃是一方面，转化又是另一方面。

用户活跃分析基本思路：
1、定标准：目前业务需要什么样新增、活跃、付费结构
2、找规律：常规的活跃走势，该是什么样
3、查异常：区分常规变化、异常变化
4、追原因：对异常变化进行追踪，分析
5、定计划：根据问题轻重缓急，制定应对

日常APP用户活跃情况：

找规律的常用办法：

1、政策规律。政策发布以后，产生的巨大反响。
2、自然规律。全年1-12月，本身就包含了很多影响活跃的因素（如下图所示）
3、运营规律。常见的运营事故（商品缺货、系统宕机、宣传误导……）运营措施（抽奖、签到、互动游戏）都能引发活跃数据变化。

这些具体的政策、事件、运营动作，才是指标变化的本质原因。因此在分析之前，应该先大量收集内外部事件，拿着事件思考问题。而不是就数论数，说“因为过去三天涨，所以今天涨”“因为之前周五涨、所以这个周五涨”之类毫无逻辑的话。

找到一些明显的规律后，可以用来做定性预测，根据未来要发生的时间，预计指标波动变化。也可以用来做解释。比如发生指标波动的时候，如果有对应事件发生+对应波动形态，那八成就是规律性变化。这样做，可以节省大量分析时间，而不是做了一堆分析，还被吐槽为：“我早知道了”“它就是这样的呀”。

查异常的常用办法

1、幅度：单日波动是否足够大
2、持续性：是否有持续增大、持续回落的走势
3、规律性：是否是有规律的、计划内的波动
4、关联性：关联的注册、付费指标是否同样波动

不是所有的波动都值得追击，大幅度、持续性、非规律、波及其他指标的优先处理。偶尔地波动一下很正常，但是要记录发生时间，观察走势，当问题出现恶化时容易溯源。这样做，不用让数据分析师陷入无休无止的纠结里，更容易找到真正的异常问题。

追原因的常用办法

1、事件型：一次性的，大幅度下跌
2、持续型：从某一节点开始，持续下跌
3、系统型：自身波动小，但始终比竞品差

需要注意，我们常说DAU=DNU+DOU（日活跃用户=每日新用户+每日活跃老用户，一般新注册用户都直接计入活跃），往往系统型问题会影响DNU，在用户注册后T+1，T+2…T+N的时间内没有做好引导，导致用户不活跃甚至流失。

DOU往往与事件有关，比如季节性促销，沉默用户唤醒，新品上市等等。因此在追踪原因时，可以分头观察。对新人关注注册到首次付费流程，对老人打标签，关注老人对活动的响应（如下图所示）

从头看完，我们会发现：数据分析方法一点不神秘，更多的是：

1.大量地、细致的、地收集事件
2.用数据描述、评估、总结事件
3.用逻辑推演事件的影响，用数据验证假设。

这是个很枯燥的体力活，却是出成绩的关键。脱离了这些细节，任何“思维方法”“底层逻辑”“核心法则”都没法起效。只有算命大师才是摇摇铜钱天知地知，做数据分析的人，其实和搬砖工没啥区别。

导图和内容来源于网络，本文仅作学习分享，侵删。
参考
接地气的陈老师：https://www.yymiao.cn/yunying/user/55993.html