如何通过分析“活跃数据”，优化业务增长策略？

用户活跃数据是运营每天必看的数据之一，当用户被引进来，如何提升用户活跃是运营必须思考和解决的一个问题。对用户的活跃数据进行分析，也有益于优化业务增长策略，提高产品业务线的整体盈利能力。

“用户活跃数据”是常见的数据指标，更是很多产品业务线的核心指标。当用户“引流”效果稳定的情况下，就需要考虑“截流”的问题，用户多久活跃一次，用户第一次使用体验如何，如何提升用户活跃，怎么让用户留下来（重复使用）等等。

而分析活跃数据，不是为了让用户每天来走个过场，挣点广告费的，而是获悉产品业务线的健康程度，提升付费转化率、老客户转介绍等提供稳定的数据支持，实现对优质用户进行分层运营，重点维护，且不断优化以及调整业务增长策略。

然而，从本质上看，所谓的互联网产品讲用户活跃，就像线下门店让新老顾客到店一样。所以，“用户活跃数据”的影响因素太多，必须抓大放小，聚焦执行策略，更不能空谈活跃，不重视转化，促活和留存相辅相成的。通过内容、品牌、活动等各个方面的运营策略，将用户活跃数据提升，从而提高产品业务线的整体盈利能力。

01

那么，首先来看一下“活跃”的定义。（以互联网产品为例）

下载量、新增注册用户等指标有很明确的指向以及定义，但“活跃用户”可针对不同目标、不同产品生命周期、不同业务，有不同定义。比如：

• 在某个阶段时间内凡有访问行为的用户就算为活跃用户；
• 登录后用户每日多次访问、发帖、发视频、点赞等相关行为的就算为活跃用户；
• 如短视频类产品可为“ 1天内浏览 5个视频的新注册用户”才算为活跃用户；
• 如资讯类产品可为浏览文章大于 3 篇的用户才算为活跃用户；
• 如电商类产品可为“ 30 天内下单女性用户”才算为活跃用户；
• 还可以老用户打开app就算为活跃用户。

……

而“活跃”合适定义标准则需要我们深刻理解用户和业务场景，根据自身产品业务线的特征及目标、发展阶段、产品生命周期、产品属性等作为参考，不断调研迭代、校准数据。

02

接下来，来看一下“活跃数据”都有哪些分析维度呢？

首先，来拆解一下“活跃用户”。

活跃用户=新增用户+老用户留存+回流用户－流失用户

新增用户以及回流用户的数量要大于流失用户的增加量，才能保持活跃用户持续上升。如下图，好比一个大水池，我们会不停的往里灌水，但水池也会漏水，如果漏水速度太大，那么水池就干了。当新用户下降可能因为市场竞争激烈、产品功能改版、投放费用减少等导致拉新乏力，流失用户加大可能因运营策略调整、产品功能下线等因素。

然后，还需要我们继续思考：

• 每天有多少活跃用户变得不活跃？
• 有多少忠诚用户变得不活跃？
• 调研分析忠诚用户，挖掘有什么共同特征，为什么爱用我们产品？
• 回访流失用户，了解有什么共同特征，为什么流失，是需求不符，还是价格等原因？
• 某一段时间回流用户增加，是电话召回，产品更新，市场推广，还是活动营销？
• 忠诚或流失用户是否在推广渠道上有显著差异？（需要结合新增留存数据）

……

最后，还要考虑分析以下维度：

• DAU （日活）峰值。即某段时间内的日活的峰值，值得注意的是，日活未必是反应业务的增长，未排除时间、市场等因素，若认为是运营策略带来的增长不太准确的。
• DAU（日活） 同比。同比是消除时间上的影响，对比去年 10月和今年 10月的数据，反应整个产品今年的表现，如果今年10 月的 DAU 同比去年降低了，则产品可能已经再下坡路了，或者今年整体市场行情不好，具体情况具体分析，一般情况下需要看下几个月的年同比趋势如何。
• DAU （日活）环比。环比一般是和上周对比或者上月对比，本周与上一周DAU 数值差异，时间段越接近外界和时间影响因素差异一般不是很大，可反映本周的运营策略对 DAU 的影响。
• DAU （日活）占比。需要筛选出满足条件的用户数量，而满足条件用户在整体用户中的占比，观察到不同活跃层的变化。如新老用户占比，发现活跃用户构成情况、连续1日、2日、3日…活跃用户占比，对于那些连续活跃用户可发展为忠诚用户，需要重点维护。
• DAU（日活） 趋势。看趋势是为了看各项指标几段连续时间内的表现是否一致，了解用户活跃趋势情况，如年同比是否一致在上周，趋势是否一致还是中间出现断层，是否存在自然的周期性，是否存在异常等，去分析涨和跌在哪里，聚焦更多精力到怎么去应用在运营和业务上。

04

现在，我们来梳理一下如何分析“活跃数据”，优化业务增长策略？

1. 了解产品业务线的整体活跃数据的走势情况

通过活跃数据的走势情况，了解到活跃用户的规律。市场政策的变化，节假日、电商节等节日，常见的运营策略调整都能引发活跃数据变化。找到一些明显的规律后，根据未来要发生的时间，预计指标波动情况，及时调整运营策略。

如下图，可看出活跃用户数在周末以及十一节假日呈阶梯式下降，有对应事件发生以及对应波动形态，可见具有周期性规律，在周末时可调整营销活动等运营策略，使增长趋势平稳，但要综合考虑产品属性和用户属性。

注：为某考勤类APP十月份活跃数据趋势图，已做数据脱敏处理。

2. 通过DUA同比/环比/占比观察，区分活跃数据的异常变化情况

通过DUA同比/环比/占比观察，出现阶梯式、持续性、非规律性等活跃波动为异常。但不是所有的异常波动都值得排查，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。这就是为什么要建立数据监控体系。

如下图，可看出活跃用户数在10月22日到10月24日红框区域出现活跃异常波动，首先要了解日活究竟跌了多少，其次通过通过DUA同比/环比/占比观察，跌幅是否在合理的范围，最后确定为非规律性异常。

注：为某考勤类APP十月份活跃数据趋势图，已做数据脱敏处理。

3. 挖掘异常变化的原因。

一般情况下，活跃数据的异常往往与事件有关，比如季节性促销，沉默用户唤醒以及影响活动，新功能上线等等。因此在挖掘异常原因时，可以分别对新老用户进行观察。对新用户的行为路径的各个环节的转化进行梳理，对老用户标签化管理，实现不同触达，发现问题，进而可刺激老用户转介绍。

4. 根据问题严重程度，优化业务增长策略

通过判断问题轻重缓急，对紧急重要的问题，找到问题的源头，及时调整业务增长的活动以及运营策略，以提升活跃数据，预防用户大规模流失。

优化完善用户成长体系（会员体系），提升用户活跃度，使用户有归属感，不断的优化用户激励体系，让用户想用我们的产品，提升活跃度。

优化产品功能以及流程，比如注册流优化，减少一个环节，可能提升5%以上的转化率。可利用AB测试来做验证，不断的优化产品功能等方面。

04

借用朋友所说的话：“从活跃用户数据出发，制定增长策略，要注意活跃用户内的新增、老用户留存、回流、流失，各个部分的比重，比重较大的部分适当的倾斜资源，比重较小的部分视成本决定取舍。”

总体来讲，活跃用户数据是业务增长形成转介绍以及裂变的基础，从活跃用户数据中，针对不同用户制定不同的营销、推送等增长策略，实现用户分层管理，且不断的优化业务增长策略 。

另外值得注意的是，朋友如是说“要结合产品生命周期的特性，来制定活跃提升策略，例如产品生命周期较短的产品，活跃策略应侧重减少流失，反之，则应侧重提高留存率。”

作者：木兮，数据运营小白；公众号：木木自由

本文素材来自互联网