数据挖掘之用户活跃分析Word文档格式.docx
《数据挖掘之用户活跃分析Word文档格式.docx》由会员分享，可在线阅读，更多相关《数据挖掘之用户活跃分析Word文档格式.docx（7页珍藏版）》请在冰豆网上搜索。
最后开起会来鸡同鸭讲。
二、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。
三、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。
02用户活跃分析核心问题
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）
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。
03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
一、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。
二、定标准的常用办法
定标准主要参考三点：
1、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。
2、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。
3、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）：
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。
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。
三、找规律的常用办法
规律包含三类
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”。
四、查异常的常用办法
遭遇异常，要关注：
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
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。
五、追原因的常用办法
确认是异常波动，常见的形态有三种
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
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）
六、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：
1、判断问题轻重缓急
2、对紧急重要的问题，提示问题源头
3、对过往改善问题的方法，提供ROI分析结果支持
4、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。
升级会员 