app数据:如何对APP进行数据分析

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。