3張表格告訴你增長黑客怎麼做運營資料分析
發現拉新、促活、留存數字背後的增長契機。
作者：張小壞
來源：鳥哥筆記（ID：niaoge8）
本文為作者授權鳥哥筆記釋出，轉載請聯絡作者並註明出處
拉新、促活、留存，是日常運營工作中的常見指標，通過這些角度的指標可以統計反饋APP的使用者增長情況。但對很多運營人來說，常規指標的資料統計只是停留於數字本身的記錄，而不能發現數字背後的增長契機。
本文將從推廣新增、使用者活躍、使用者留存3個角度幫你建立正確的運營資料分析思路。
01 獲客階段要統計哪些資料？
獲客階段的資料分析要關注哪些內容？
在獲客階段，通過資料分析主要解決3個問題：
1.你的廣告費有沒有帶來真實的轉化
通常我們在統計付費推廣效果時，都會衡量渠道轉化ROI，簡單說就是每個使用者轉化花了多少錢，但是無法看出是否轉化了有效使用者。
因此，在統計維度上除了關注下載量、新增使用者量，還要關注1次訪問使用者，如果1次訪問使用者量過多，說明渠道不精準。
通過各渠道轉化ROI的對比和不同付費方式的轉化ROI對比，找出最具價效比的推廣渠道，同時關注有效ROI，從使用者價值的角度衡量轉化效果。
2.新增使用者量受哪些因素影響？
通過對下載量、新增使用者量等資料的統計，各維度資料需要取平均值，關注該維度資料與平均值的對比、與昨日資料對比，觀察變化因素。
同時，為了找出影響因素，在推廣條件相同（相同渠道推廣花費相同，比如都沒有付費）下，對比不同月份、星期幾以及24小時不同時間的變化情況，分析時間因素對資料的影響。
3.衡量曝光量與下載量之間的關係
曝光代表產品品牌露出，下載代表獲得實際使用者增長，通過對下載轉化率的分析，觀察不同渠道各需要多少次曝光才能帶來一次下載。
同時，對下載轉化率的分析還需要從推廣標題、關鍵詞、詳情描述等內容角度觸發，觀察不同內容對資料的影響，找出最優的推廣文案。
02 活躍使用者資料有哪些統計維度，要如何分析？
活躍使用者的資料分析要關注哪些內容？
針對活躍使用者的資料分析，可以解決4個問題：
1.定義活躍使用者指標
在上表中的“衡量維度”資料是通過訪問時長、會話次數等維度衡量活躍使用者的不同維度，可以分析出各自維度的平均值及高於平均值的使用者數量；
而“收藏指數”是指反饋使用者對產品產生真正使用行為的資料維度，收藏代表使用者對內容的認可，不同產品的“收藏指數”定義不同，如電商產品以“加入購物車”或“瀏覽3個商品詳情頁”作為衡量維度，通過使用者行為來定義“活躍使用者”的標準。
2.通過活躍使用者變化反饋產品健康度
通過日活、3日活躍、7日活躍、30日活躍等不同時間維度的活躍使用者變化情況，反饋階段時間內產品運營策略的正確性以及產品內容、服務的使用者滿意度。
3.統計“迴流”使用者資料變化
不同時間維度分析中都有一個“迴流”資料，即通過分析幾日前不活躍但今日活躍的使用者，觀察3日迴流、7日迴流、30日迴流的使用者變化情況。
4.衡量活動質量與活躍使用者來源
通過分析各渠道、活動轉化使用者中的活躍使用者佔比，衡量渠道效果，同時分析各渠道、活動轉化的活躍使用者在整體使用者中的佔比，分析活躍使用者來源。
03 留存使用者要統計哪些資料？
如何定義留存使用者？
留存使用者是指某個使用者群體在一段時間內對產品有訪問行為，留存使用者的定義有2種方式：
第一種是常規的方式，階段時間內有任意訪問行為的使用者即為留存使用者；
第二種是需要使用者有一定訪問行為，例如瀏覽時間多長、訪問幾次、訪問哪些頁面。
對於留存使用者，建議採取第一種定義方式，階段時間內有任意訪問行為，代表使用者對產品還有印象，就有促活的可能。
留存使用者分析有哪些價值？
留存使用者量的統計在於衡量產品的使用者規模，而精細化運營的留存使用者分析，需要通過留存使用者找出提升使用者留存的方法。留存使用者分析有3個重點方向：
1.發現留存使用者特徵
基於使用者行為特徵，如瀏覽時長、領取過優惠券等群體或特殊行為特徵，分析不同特徵下的留存使用者量，找出高留存特徵與低留存特徵，同時基於一個特徵找出提升留存的值。
如通過使用者使用時長分析留存使用者特徵，日使用10分鐘、15分鐘、20分鐘、30分鐘等不同時間段的留存使用者有哪些區別，觀察出對留存影響較顯著的時間維度，如某日新增使用者中使用15分鐘的使用者留存率較使用10分鐘的使用者留存率顯著提升了20%，那麼應以使用者使用時長15分鐘作為提升使用者留存率的標準。
2.發現渠道轉化使用者留存特徵
通過對不同渠道轉化使用者的留存率分析，發現渠道對使用者留存的影響因素，判斷不同渠道的使用者喜好與對產品的需求。
3.分析會話流失節點
會話流失節點是指使用者在一次訪問過程中的退出頁面，算為一次會話流失。通過分析高流失的頁面，找出使用者流失的產品因素，進而優化相關內容。
04 總結
新增、活躍、留存3個階段的資料統計目的在於通過資料真實反饋APP在使用者使用體驗中的資料化反饋，通過細分每個維度的統計指標，找到新增後行為特徵、活躍使用者活躍特徵、留存使用者的留存特徵，從而提升新增、活躍、留存3個維度的資料表現。
| 延伸閱讀
