上一篇【用戶流失，該怎么進行數據分析？】以后，有同學強烈呼吁寫用戶活躍。因為用戶相關的話題很多，為了便于大家閱讀，這里把各種話題做一個歸類如下圖，這樣看著清楚一些。今天我們來系統的分享一下：用戶活躍這個話題。

用戶活躍常見問題

▌一、到底啥叫活躍，口徑不統一。

用戶注冊、付費是很明確的動作，一般不會認錯，但“活躍”到底是個啥，往往眾說紛紜，比如：

當然，針對不同目標、不同業務，可以有不同定義。但使用這些定義的前提是口徑統一。各個部門得達成共識：有XXX行為的就算活躍了。而最常見的問題，就是：不但沒統一口徑，而且還不斷發明新名詞，搞得歷史數據前后對不上。最后開起會來雞同鴨講。

▌二、陷入細節，糾結每一天波動。

看過活躍率、活躍人數指標的同學都知道，這玩意日常波動太多了。幾乎大事小事都會對活躍率產生影響。有時候分析活躍率下跌的報告還沒交，丫自己就漲回來了。結果每天糾結于“為啥又高了/低了1%！”累死自己，還沒找到病根。

▌三、孤立看問題，砸錢搞活躍。

雖然活躍率為啥跌不一定清楚，但是怎么搞活躍率，那套路可太清楚了。登錄7天簽到送福利、30天連續簽到送福利、登錄就抽獎最高888、種樹20天送一袋獼猴桃……于是，往往還沒找到病因，短期拉指標的措施已經懟上去了。

結果按下葫蘆浮起瓢。活躍率做高了，轉化率跌了，轉化率做起來了，費用燒干了……

注冊、活躍、付費這些指標從來都不能割裂開看，就像我們評論人的身材，是三圍一起報。要不然，你想要一個36D的女朋友，推薦個36-48-52身材的你要不要？不但得要，還得幸福哦。

用戶活躍分析核心問題

陳老師總是舉例，做數據的不懂業務會導致各種問題。可在用戶活躍分析中，恰恰是做業務的不懂數據，才導致上述亂象。運營沒有深入思考過活躍指標的含義，也沒有分析過活躍指標與注冊、付費、轉化的關聯。只是單純因為“這是我的KPI”，就產生：“KPI指標下跌綜合癥”，不等分析清楚就急不可耐地下手了，最后總是治標不治本，還折騰人。

想破局，先解決一個核心問題：到底活躍對我們意味著什么？除了類似陰陽師、DOTA傳奇這種很肝的游戲以外，其他的大量互聯網應用，真的需要用戶天天守在這？除了微信這種超級應用，真的有另一個應用是用戶無可替代每天一看的？（如下圖所示）

從本質上看，互聯網應用講用戶活躍，就像傳統企業講顧客到店一樣。

在講用戶流失分析的時候，我們說過：流失分析的目的不是消滅流失率，而是把流失控制在可控范圍內。在用戶活躍分析的時候，道理類似：做活躍分析，不是為了逼用戶天天來戳一下，而是為付費、轉介紹提供穩定的支持。

?用戶活躍分析基本思路

最重要的當然是定標準。作為業務方，心理要有判斷：我需要多少活躍用戶，需要多少活躍率。并且不能割裂看一個指標，要關注AARRR的整體形態。

▌定標準的常用辦法

比如最基礎的三大策略（如下圖所示）：

請注意，競爭策略才是定標準的核心。比如傳統觀點認為金融服務是低頻業務，可做金融APP時，完全可以把財經新聞、理財教育、本地吃喝攻略、電影信息這些和消費有關的東西做進去，把一個低頻應用做成高頻應用。

因此，一般同類業務特征和發展階段只是參考。更重要的，是業務內心的聲音：“我們要做成一款XXX的應用，相比之市場上的產品，我的目標是XXX”。

這就要求，運營需要有自身業務判斷能力，能對自己的方向有清晰的認識。數據分析師只是輔助作用，提供比如業務特征、發展階段、競品數據以作參考。

這也是為什么陳老師會吐槽，活躍問題是“亂自上做”，確實有很多公司的運營沒啥想法，就知道機械完成KPI，只要數據達標就行。數據不達標，就試圖把鍋甩給數據分析師沒洞察、對手刷量了、我們費用不夠。這樣標準都不清晰，更沒法談后邊的分析了。

▌找規律的常用辦法

這些具體的政策、事件、運營動作，才是指標變化的本質原因。因此在分析之前，應該先大量收集內外部事件，拿著事件思考問題。而不是就數論數，說“因為過去三天漲，所以今天漲”“因為之前周五漲、所以這個周五漲”之類毫無邏輯的話。

找到一些明顯的規律后，可以用來做定性預測，根據未來要發生的時間，預計指標波動變化。也可以用來做解釋。比如發生指標波動的時候，如果有對應事件發生+對應波動形態，那八成就是規律性變化。這樣做，可以節省大量分析時間，而不是做了一堆分析，還被吐槽為：“我早知道了”“它就是這樣的呀”。

▌查異常的常用辦法

注意，不是所有的波動都值得追擊，大幅度、持續性、非規律、波及其他指標的優先處理。偶爾地波動一下很正常，但是要記錄發生時間，觀察走勢，當問題出現惡化時容易溯源。這樣做，不用讓數據分析師陷入無休無止的糾結里，更容易找到真正的異常問題。

▌追原因的常用辦法

先判斷是哪一型的問題再追原因。追原因的難度是：事件型》系統型》持續型的。一次發生的事件最容易查到源頭。系統型差異，可以通過競品分析得到答案。持續性問題反而最糾結，有可能過著過著自己沒了，有可能是一次重大事件的余波，也有可能是深層次的問題。

需要注意，我們常說DAU=DNU+DOU（日活躍用戶=每日新用戶+每日活躍老用戶，一般新注冊用戶都直接計入活躍），往往系統型問題會影響DNU，在用戶注冊后T+1，T+2…T+N的時間內沒有做好引導，導致用戶不活躍甚至流失。

DOU往往與事件有關，比如季節性促銷，沉默用戶喚醒，新品上市等等。因此在追蹤原因時，可以分頭觀察。對新人關注注冊到首次付費流程，對老人打標簽，關注老人對活動的響應（如下圖所示）

▌定計劃的常用辦法

然而并沒有這一部分，這一部分是運營的范疇，是一個業務動作，不在本篇的討論范疇。定計劃主要看運營的業務能力。作為數據分析，可以提供的支持是：

最后再強調一句：好方法是設計出來的，不是算出來的。靠數據分析只能評估過往的方法好壞，最多再預測下用戶對XX產品響應率，不能再多了。真正做好落地，還是得靠運營自己多練內功才行。

這是個很枯燥的體力活，卻是出成績的關鍵。脫離了這些細節，任何“思維方法”“底層邏輯”“核心法則”都沒法起效。只有算命大師才是搖搖銅錢天知地知，做數據分析的人，其實和搬磚工沒啥區別。