图片
一、用户活跃常见问题
到底啥叫活跃，口径不统一。
用户注册、付费是很明确的动作，一般不会认错，但“活跃”到底是个啥，往往众说纷纭，比如：
● 登录成功就算活跃？
● 登录了点击几下算活跃？
● 登录完成一个特殊动作？
当然，针对不同目标、不同业务，可以有不同定义。但使用这些定义的前提是口径统一。各个部门得达成共识：有XXX行为的就算活跃了。而最常见的问题，就是：不但没统一口径，而且还不断发明新名词，搞得历史数据前后对不上。最后开起会来鸡同鸭讲。
陷入细节，纠结每一天波动。
看过活跃率、活跃人数指标的同学都知道，这玩意日常波动太多了。几乎大事小事都会对活跃率产生影响。有时候分析活跃率下跌的报告还没交，丫自己就涨回来了。结果每天纠结于“为啥又高了/低了1%！”累死自己，还没找到病根。
孤立看问题，砸钱搞活跃。
虽然活跃率为啥跌不一定清楚，但是怎么搞活跃率，那套路可太清楚了。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……于是，往往还没找到病因，短期拉指标的措施已经怼上去了。
结果按下葫芦浮起瓢。活跃率做高了，转化率跌了，转化率做起来了，费用烧干了……
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。
二、用户活跃分析核心问题
陈老师总是举例，做数据的不懂业务会导致各种问题。可在用户活跃分析中，恰恰是做业务的不懂数据，才导致上述乱象。运营没有深入思考过活跃指标的含义，也没有分析过活跃指标与注册、付费、转化的关联。只是单纯因为“这是我的KPI”，就产生：“KPI指标下跌综合症”，不等分析清楚就急不可耐地下手了，最后总是治标不治本，还折腾人。
想破局，先解决一个核心问题：到底活跃对我们意味着什么？除了类似阴阳师、DOTA传奇这种很肝的游戏以外，其他的大量互联网应用，真的需要用户天天守在这？除了微信这种超级应用，真的有另一个应用是用户无可替代每天一看的？（如下图所示）
图片
从本质上看，互联网应用讲用户活跃，就像传统企业讲顾客到店一样。
● 活跃是一切的基础，必须关注
● 不能空活跃不转化，得联起来看
● 影响因素太多，必须抓大放小，聚焦行动
在讲用户流失分析的时候，我们说过：流失分析的目的不是消灭流失率，而是把流失控制在可控范围内。在用户活跃分析的时候，道理类似：做活跃分析，不是为了逼用户天天来戳一下，而是为付费、转介绍提供稳定的支持。
三、用户活跃分析基本思路
定标准：目前业务需要什么样新增、活跃、付费结构
找规律：常规的活跃走势，该是什么样
查异常：区分常规变化、异常变化
追原因：对异常变化进行追踪，分析
定计划：根据问题轻重缓急，制定应对
最重要的当然是定标准。作为业务方，心理要有判断：我需要多少活跃用户，需要多少活跃率。并且不能割裂看一个指标，要关注AARRR的整体形态。
图片
定标准的常用办法
定标准主要参考三点：
业务特征：不同业务，本身需要的活跃用户数和活跃率就不一样。
发展阶段：一般新上线更倾向于聚集人（做大DAU），到一定程度才做付费转化。
竞争策略：策略不同，意味着对活跃、付费的要求不同。
比如最基础的三大策略（如下图所示）：
图片
请注意，竞争策略才是定标准的核心。比如传统观点认为金融服务是低频业务，可做金融APP时，完全可以把财经新闻、理财教育、本地吃喝攻略、电影信息这些和消费有关的东西做进去，把一个低频应用做成高频应用。
因此，一般同类业务特征和发展阶段只是参考。更重要的，是业务内心的声音：“我们要做成一款XXX的应用，相比之市场上的产品，我的目标是XXX”。
这就要求，运营需要有自身业务判断能力，能对自己的方向有清晰的认识。数据分析师只是辅助作用，提供比如业务特征、发展阶段、竞品数据以作参考。
这也是为什么陈老师会吐槽，活跃问题是“乱自上做”，确实有很多公司的运营没啥想法，就知道机械完成KPI，只要数据达标就行。数据不达标，就试图把锅甩给数据分析师没洞察、对手刷量了、我们费用不够。这样标准都不清晰，更没法谈后边的分析了。
找规律的常用办法
规律包含三类
政策规律。政策发布以后，产生的巨大反响。
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）
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。
图片
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
遭遇异常，要关注：
幅度：单日波动是否足够大
持续性：是否有持续增大、持续回落的走势
规律性：是否是有规律的、计划内的波动
关联性：关联的注册、付费指标是否同样波动
图片
注意，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。
图片
追原因的常用办法
确认是异常波动，常见的形态有三种
事件型：一次性的，大幅度下跌
持续型：从某一节点开始，持续下跌
系统型：自身波动小，但始终比竞品差
图片
先判断是哪一型的问题再追原因。追原因的难度是：事件型》系统型》持续型的。一次发生的事件最容易查到源头。系统型差异，可以通过竞品分析得到答案。持续性问题反而最纠结，有可能过着过着自己没了，有可能是一次重大事件的余波，也有可能是深层次的问题。
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）
图片
定计划的常用办法
然而并没有这一部分，这一部分是运营的范畴，是一个业务动作，不在本篇的讨论范畴。定计划主要看运营的业务能力。作为数据分析，可以提供的支持是：
判断问题轻重缓急
对紧急重要的问题，提示问题源头
对过往改善问题的方法，提供ROI分析结果支持
等着运营提想法，做临时性支持
最后再强调一句：好方法是设计出来的，不是算出来的。靠数据分析只能评估过往的方法好坏，最多再预测下用户对XX产品响应率，不能再多了。真正做好落地，还是得靠运营自己多练内功才行。
从头看完，我们会发现：数据分析方法一点不神秘，更多的是：
大量地、细致的、地收集事件
用数据描述、评估、总结事件
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。
