App数据分析，想分析什么？
第一，初始阶段
初期阶段的重点是验证产品的核心价值，或者说验证产品的假设:通过某种产品或服务，可以为特定人群解决某个问题。这个阶段要按照MVP(最小可变产品)的思路，验证用最小成本创业的想法，并根据用户的反馈快速迭代调整解决方案，最后在数据上验证。
案例:
以国外某手机论坛社交应用为例。idea期间(12，13左右)发现论坛用户经常说从手机Wap页面访问论坛速度慢，根本没有移动适配。于是我们提出了设想:做一个app把论坛系统和用户连接起来，让论坛用户在移动端享受流畅的论坛访问体验，并且
于是在早期，整个产品完全围绕看帖和发帖这两个核心场景进行挖掘，并在论坛进行宣传。售价65438美元+08，发现有很多用户付费，这些用户的留存率达到60%+(当然和用户付费有关)，半数用户使用时间超过70分钟。当时一些竞品相继问世(当时最大的论坛系统Vbulletin团队开发了一款手机App解决了同样的问题)，但没过多久就远远落后于我们，只是因为整个团队遵循MVP的思路，根据用户反馈集中打磨反复阅读发帖的流畅体验，获得了非常好的用户口碑，引领了市场，还获得了一家著名硅谷投资机构的投资。
关键数据-目标群体画像
另外，在初始阶段，可以接入一些第三方应用监测SDK，了解初始用户群体的画像，从侧面验证用户群体的特征是否与假设的目标用户群体一致，以及共同的人口统计属性(性别、年龄、学历、地域)。
案例:
今年4月初，我和国内某健身APP的产品经理聊天。起初，这款应用是一款用于跟踪健身和锻炼情况的工具应用。产品前期，新用户留存处于行业平均水平。在观察目标用户群体的画像时，我发现女性用户明显多于男性用户，女性用户的留存也明显高于男性用户。因此决定在产品策略上向女性用户倾斜，重点关注女性健身、减脂美颜等功能和内容推荐。产品整体次日留存率较之前提升近100%。
同样，我最近服务了一个鹅厂的内部客户，他开发了一款针对年轻人的新产品，却发现其用户的年龄分布多为青少年和老年人:
这只是和他们的用户渠道有关。原来他们有一款针对青少年和老年人的产品。为了给产品带来第一批用户，他们直接从老产品中引流用户，结果发现他们并不是产品的目标用户。
关键数据保留率
当当前用户符合目标受众特征时，核心关注这些用户的留存率、使用时长/频率、用户粘性等指标。这里扩大了留存率。
留存率有很多维度(7天，两周，30天等等。)，要根据产品特点来选择。如果产品本身满足了小众的低频需求，留存率应该是双周甚至30天。高留存率意味着用户认可并依赖产品价值。一般来说，假设是可以被验证的，留存率低于20%通常是一个危险的信号。
介绍了一种数据驱动的领先指标模型，通过寻找领先指标来指导产品设计，从而提高留存率。我们先来看先行指标的定义。先例指数是指新用户在使用产品初期的一种产品行为。这个指数和用户留存率指数有非常高的线性相关性，可以预测用户是否会留在产品中。
用自己总结的公式描述一下，大致如下:
正面预测的可能性(%):表示用户执行该行为，然后可以预测用户保持活跃的可能性。
负预测可能性(%):表示如果用户不执行该行为，它可以预测用户不再保持活跃的可能性。
最后，先行指标的可信度=正面预测的可能性x负面预测的可能性。我们直接看案例。
情况
以之前的论坛社交App为假设，假设“用户在注册前10天内添加了7个以上好友”为领先指标，那么我们计算出一组数据:
其中，如果用户前10天添加好友超过7个，30日入住的可能性为99%；如果添加的好友数量少于7个，30天内不留(输)的概率为95%，综合指标可信度为0.9405。
同样，计算以下两个领先指标的可信度:
最后，我们得到一个比较:
以上数据只是假设。其实我们需要对比十几个甚至二十几个行为指标，才能找出前因可信度最高的行为。
该模式第一条是“新用户注册后10天内添加7个以上好友”，这是脸书经典的“啊哈时刻”。所谓“啊哈时刻”，就是用户意识到产品核心价值的时刻，也就是我们的“领先指标”。
(脸书，Instagram推荐好友截图)
此外，领先指标应满足以下条件:
第二，快速增长期
经过产品打磨初期，产品留存率较好，此时产品开始进入自发增长期。在自发成长期的产品阶段，仍然需要关注用户留存、用户时长、用户画像变化等数据。，但我们可以专注于用户全生命周期的管理，包括新用户的增长、激活、触发到产品稳定活跃用户的全漏斗分析。
新用户的增长和激活
其中，增加和激活新用户一般有两种方式。第一种方式是构建产品的病毒传播系数，使产品自发生长。《精益运营数据分析》一书中提到的用户病毒传播分类很有意思:
原生病毒，即通过App本身的邀请好友功能传播吸引的新用户的方式；
口碑病毒，即通过口碑传播，用户通过搜索引擎主动成为新用户；
人工病毒，即通过人工干预，如有奖邀请等激励方式鼓励用户邀请行为。
这里关注的一个指标叫做“病毒传播系数”，有兴趣的同学可以自己详细了解。
新用户下载-& gt；激活-& gt；啊哈时刻'-& gt；产品稳定且活跃。
产品开始自发成长后，需要关注用户从新用户到活跃用户(留存后)再到核心用户的生命周期，对每个过程的关键指标进行细化和细化。
情况
以之前的论坛社交APP为例。当新用户进入产品时，他们会看到一个欢迎页面(如左下方所示)。注册登录后，他们会看到产品的主页(如右下方所示)。大多数应用程序都有类似的流程:
从一个新用户进入App的欢迎页面到成为核心用户的过程大概是这样的:新用户(探索发现产品价值)-& gt；围观(逐渐认可产品价值并有一定参与感)-& gt；生产者(认同产品价值并积极参与):
按照流行的方法，产品生命周期(PLC)分为初创期、成长期、成熟期和衰退期。在产品的每个阶段，数据分析的工作权重和分析重点是不同的。下面结合案例分阶段来说一下:
至此，每个阶段的用户行为都分解成了指标:
新用户&；探索发现者:
欢迎页面跳出率
新用户注册率
新用户指导流程的转化率
初始种子馈送页面跳出率
搜索结果转化率
推送许可打开率
围观者(路人):
每个用户的平均注意牌数量
每个用户关注的其他用户的平均数量。
每个活跃用户的平均赞数/分享数
显示的进料卡数量
Feed card上的点击次数
订阅内容推送点击率
内容制作者:
每个活跃用户的平均帖子数量
每个活跃用户发送的照片和视频的平均数量。
每个用户在论坛中花费的平均时间。
论坛中活跃用户的行为分布
在用户生命周期的初、中期对行为指标的精细拆分，有助于产品在快速成长期不断打磨细节，从新到核心不断提升用户体验。同时，在各个节点的数据完善稳定后，产品运营的同学们开始进行各种推广宣传，扩大盘子，占领市场。
第三，成熟
随着用户的快速增长和产品的不断完善，数据运营的重心开始从用户生命周期的前半段(吸引、激活、留存)转移到产品进入成熟期前后的后半段(流失、回归)。
在这里，我们分享了一个名为“每日净变化”的数据模板(来自约翰·埃根@Pinterest ),它专注于增长和成熟。不同于只关注DAU和MAU数据，只关注活跃用户数的增减。这个模型可以帮助直观地观察用户成长的因素或者用户盘子的变化，通过一张图展示产品的添加、返回和留存。
其中净变化=新用户+回归用户-流失用户。
新用户是指当天有多少新用户加入。
返回用户，也就是有多少老用户连续28天没用，今天又开始用了。
用户流失是指28天前有多少现有用户刚刚最后一次使用该应用。
损失和回流
在关注流失和回流的过程中，数据会揭示当前用户板块的一个变化，具体分析流失原因可以参考以下流程:
核心思想是通过定性回访和数据验证，确定流失原因，改变产品运营策略，防止用户流失或拉回，从而促进回归。
另外，对于一些稳定的投放渠道，普通的改善方法可能转化有限。此时，可以进行更精确的渠道分析，以优化和提高投资回报率:
案例:
提高投资回报率
第四，衰退时期
最后，当产品进入衰退期时，在进入衰退期之前一般有两种方式可以采取:
1，刻度
经常出现在零售行业。比如你开一家按摩养生店，在一定范围内获得好评，等产品成熟了，就可以启动加盟连锁模式，通过快速广泛的拓展市场，形成品牌效应，形成壁垒。此时抵御衰退风险。
2.生态学
当产品成长或接近完善时，单一产品很容易出现需求过于垂直，用户无法形成依赖的问题。我们可以开发具有协同能力的新产品，构建完整的产品生态，让对当前产品无法满足或失去兴趣的用户引流到新产品上，成为新产品的新用户。同时，新产品的用户也可以引流回老产品，形成产品之间相互依存的链条，终端用户可以有效流动，形成生态。
本文转载自搜狐，作者:上筑科技，链接:/A/217398072 _ 501610。