App数据分析到底要分析什么-精品文档资料整理.docx

《App数据分析到底要分析什么-精品文档资料整理.docx》由会员分享，可在线阅读，更多相关《App数据分析到底要分析什么-精品文档资料整理.docx（7页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、App数据分析到底要分析什么 DAU、MAU、留存率、频率、时长.到底产品经理要分析什么数据 笔者结合海外挪动端产品的数据分析理论 带你从产品初创到成熟不同阶段 看数据分析怎样应用于产品设计以及产品运营。 按群众化的分法 产品的生命周期 PLC, Product Lifetime Cycle 分为初创期、成长期、成熟期、衰退期 在产品的每个阶段 数据分析的工作权重以及分析重点有所区别 下面按阶段结合案例来聊聊。 一、初创期 初创期的重点在于验证产品的核心价值 或讲验证产品的假设 通过某种产品或者效劳可以为特定的人群解决某个问题。这个阶段应当遵循MVP(Minimum Variable Prod

2、uct) 的思想 以最小的本钱来验证创业的想法 并根据用户的反应快速迭代以调整解决方案 最终在数据上得到验证。 解析更多关于MVP的知识 请点击 产品鹅讲 | 你真的理解“小步快跑、敏捷迭代吗 案例 拿之前做的某款国外挪动端论坛社交应用为例 产品在idea时期(12,13年度左右)发现了论坛用户经常在吐槽从挪动端Wap页访问论坛速度慢、广告多、完全没有挪动端适配 于是我们提出假设 做一个App 连接论坛系统与用户 让论坛用户在挪动端也能享受流畅的论坛访问体验 并且用户愿意为了这种体验付费。 于是在初期 整个产品完全围绕看帖、发帖两个核心场景进展挖掘 在论坛里进展宣传 售价$18 发现有许多用户

3、为之付费 且这些用户的留存率到达60% 当然与用户付费了有关 有一半的用户使用时长都超过了70分钟。当时没太多久陆续出来了一些竞品 (Vbulletin团队 当时最大的论坛系统 开发了一个挪动端的App 意图解决同样的问题 但是没太多久都远远落在了我们后面 就是因为整个团队遵循MVP的思想 按用户反应专心反复打磨看帖、发帖的流畅体验 获得了非常好的用户口碑并领先市场 也获得了某著名硅谷投资机构的投资。 关键数据目的人群画像 除此之外 初创期可以通过接入一些第三方的应用监测SDK来解析初期用户群体的画像 从侧面验证用户群体与假设的目的用户群体特征是否一致 常见的是人口学属性(性别、年度龄、学历、

4、地域)。 案例 今年度4月初在以及国内某健身类的APP的产品经理聊到 该APP最初是一款健身、运动记步的工具App 在产品前期新用户的次日留存处于业内平均程度 在其观察到目的用户群体的画像时 发现女性用户明显比男性用户要多 且女性用户留存明显比男性用户要高。于是决定在产品策略上向女性用户倾斜 主攻女性健身、减脂、美容方向的功能和内容推荐 产品整体次日留存率相比之前增长近100%。 同样 最近效劳了一个鹅厂内部客户 他们开发了一款新产品 意在面向年度轻人群体 结果却发现其用户年度龄分布以青少年度以及老年度人居多 这正好与他们的用户渠道相关 原来他们有一款面向青少年度以及老年度人的产品 为了给产品

5、带来第一批用户 他们直接从老的产品将用户引流过来 结果发现他们并非产品的目的用户。 关键数据留存率 在当前用户符合目的受众特征时 核心关注这些用户的留存率、使用时长/频率、用户的黏性等指标 这里就留存率展开来讲。 留存率的维度分很多种 7日 双周 30日等 根据产品特征来选择 假设产品本身知足的是小众低频需求 留存率那么宜选择双周甚至是30日 留存率高 代表用户对产品价值认可并产生依赖 一般来讲 假设便能得到验证 通常低于20%的留存会是一个比拟危险的信号。 介绍一个以数据为驱动的先行指标模型 可以通过找到先行性指标指导产品设计 进而提升留存率。先看下先行性指标的定义 先行性指标是指新用户在使

6、用产品早期的一种产品行为 这个指标与用户的留存率指标之间存在着非常高的线性相关关系 可以预测用户是否会在产品中留存下来。 用自己总结的公式来描绘 大致如下 积极预测可能性(%) 表示用户执行了该行为 即可预测该用户留存活泼的可能性 消极预测可能性(%) 表示用户假如不执行该行为 即可预测该用户不留存活泼的可能性 最终 先行性指标的可信度 积极预测可能性 X 消极预测可能性 我们直接看案例。 案例 拿之前的论坛社交App为假设 假设“用户在注册前10天内添加好友超过7个为先行性指标 那么我们计算一组数据 其中 用户前10天内添加好友超过7个 那么其30日留存下来可能性为99% 假设添加好友小于7

7、个 那么其30日不留存下来 流失 可能性为95% 综合指标可信度为0.9405。 同理 计算以下两个先行性指标可信度 最终 我们得到比照 以上只是假设的数据 实际上 我们需要比照十几个甚至是二十几个行为指标才能找出先行性可信度最高的行为。 这个模型中第一条“新用户在注册后的10天内添加好友超过7个 也就是Facebook一个经典的“aha moments 所谓 aha moments 即当用户意识到产品的核心价值的时刻 也就是我们的“先行指标。 Facebook Instagram推荐好友截图 除此之外 先行性指标应当知足以下条件 二、快速成长期 经过了产品打磨的初始阶段 产品有了较好的留存率

8、了 这个时候产品开场进入自发增长期。自发增长期的产品阶段 仍需要关注用户留存、用户时长、用户画像的变化等数据 但可以将侧重点关注在用户的整个生命周期的管理 其中以新用户的增长、激活、触发“aha moments到产品稳定活泼用户的整个漏斗分析为主。 新用户的增长以及激活 其中新用户的增长以及激活一般有两种方式 第一种是构建产品的病毒性传播系数, 让产品自发增长 ?精益运营数据分析?书中有提到的几个用户病毒式传播分类很有趣 原生病毒性 即通过App本身的邀请好友功能而传播吸引的新用户的方式 口碑病毒性 即通过口碑传播 用户主动通过搜索引擎成为的新用户 人工病毒性 即通过人工干预 如有奖邀请等鼓励

9、措施来鼓励用户进展邀请行为。 这里关注的一个指标称之为“病毒式传播系数 感兴趣的同学可以自行深化解析。 新用户下载- 激活- Aha Moments- 产品稳定活泼 产品开场进入自发增长期后 需要关注用户从新用户到活泼用户 留存后 、到核心用户的生命周期 并将每个经过的关键指标提炼并精细化。 案例 以之前的论坛社交APP为例 新用户进入产品会看到一个欢送页 如左下列图 经过注册、登录后会看到产品的首页 如右下列图的Feed流页面 多数App都有类似的流程 一个新用户从进入App欢送页到最终成为核心用户大概是以下流程 新用户 探究发现产品价值中 - 旁观者 逐渐认知产品价值并有一定的介入感 -

10、消费者 认同产品价值并积极介入 按群众化的分法 产品的生命周期 PLC, Product Lifetime Cycle 分为初创期、成长期、成熟期、衰退期 在产品的每个阶段 数据分析的工作权重以及分析重点有所区别 下面按阶段结合案例来聊聊 此时 对各个阶段的用户行为进展指标分解 新用户 探究发现者 欢送页跳出率 新用户注册率 新用户引导流程转化率 初始看到Feed页跳出率 搜索结果转化率 推送权限开通率 旁观者 路过者 平均每个用户关注板块数 平均每个用户关注其他用户数 平均每个活泼用户赞/共享数 Feed卡片展示数 Feed卡片点击数 订阅内容推送点击率 内容消费者 平均每个活泼用户发帖数

11、平均每个活泼用户发照片、视频数 平均每个用户在论坛内使用时长 活泼用户在论坛内行为分布 精细化的拆分用户生命周期前中期的行为指标 在产品快速增长期帮助了产品不断打磨细节 将用户从新进到成为核心用户体验不断完善。与此同时 在各节点数据提升并稳定后 产品运营的同学那么开场进展各种推广、投放的宣传以扩大盘子、占领市场。 三、成熟期 随着用户快速增长 产品不断完善 产品在进入成熟期前后 数据运营关注的重心开场从用户生命周期的前半段 吸引、激活、留存 往后半段 流失、回流 开场偏移。 这里共享一个在增长期以及成熟期关注的数据模板 Daily Net Change 应用自John Egan Pintere

12、st 区别于只关注DAU、MAU数据 只关注活泼用户数的增减很多时候都是取悦自己 而这个模型能帮助直观地观察到用户增长的因子是什么 或用户盘子变化的情况 通过一张图展示了产品的新增、回流以及留存情况。 其中Net Change 新增用户 回流用户 - 流失用户。 新增用户即当天有多少新用户参加 回流用户即多少老用户连续28天没有使用 今天又开场使用 流失用户即有多少已有用户刚好最后一次使用应用是在28天前 流失与回流 在关注流失回流的经过中 数据会提醒当前用户盘子的一个变化情况 详细分析流失原因那么可以参考下方流程 核心思路即 通过回访定性 数据验证为主要手段 确定流失原因 改变产品运营策略以

13、预防用户流失或者拉回用户 促进回流。 除此之外 对于一些稳定的投放渠道 普通的改善方法可能提升转化有限 此时可以进展更精细化的渠道分析来优化提升ROI 案例 提升ROI 四、衰退期 最终 产品进入衰退期 一般在进入衰退期前可以采取两种方式 1、规模化 常出如今零售业中 如开一家按摩养生店 在一定范围内收获好评 那产品成熟的时候那么可以开启连锁加盟形式 通过迅速而广泛的扩大市场形成品牌效应 以形成壁垒 此时衰退的风险那么被抵御。 2、生态化 在产品增长或者接近完善时 单一的产品很容易存在需求过于垂直、用户无法形成依赖的问题 可以开发具有协同才能的新产品以搭建完好的产品生态 使得在当前产品上无法被得到知足或者失去兴趣的用户被引流到新产品 作为新产品的新用户 同时新产品的用户也能在新产品上被引流回老产品 产品之间形成相互依赖的链条 最终用户有效流转 形成生态。 假如大众祈望获得数据分析方面的咨询 可以接入腾讯挪动分析MTA: :/mta.qq 我们有专业的数据分析团队为您效劳。 本文转载自公众号“腾讯大学 腾讯技术工程