App數據分析到底要分析什么
按大眾化的分法，產品的生命周期(PLC, Product Lifetime Cycle)分為初創期、成長期、成熟期、衰退期，在產品的每個階段，數據分析的工作權重和分析重點有所區別，下面按階段結合案例來聊聊。
一、初創期
初創期的重點在于驗證產品的核心價值，或者說驗證產品的假設：通過某種產品或服務可以為特定的人群解決某個問題。這個階段應當遵循MVP(Minimum Variable Product) 的思想，以最小的成本來驗證創業的想法，并根據用戶的反饋快速迭代以調整解決方案，最終在數據上得到驗證。
案例：
拿之前做的某款國外移動端論壇社交應用為例，產品在idea時期(12,13年左右)發現了論壇用戶經常在吐槽從移動端Wap頁訪問論壇速度慢、廣告多、完全沒有移動端適配，于是我們提出假設：做一個App，連接論壇系統與用戶，讓論壇用戶在移動端也能享受流暢的論壇訪問體驗，并且用戶愿意為了這種體驗付費。
于是在初期，整個產品完全圍繞看帖、發帖兩個核心場景進行挖掘，在論壇里進行宣傳，售價$18，發現有許多用戶為之付費，且這些用戶的留存率達到60%+(當然與用戶付費了有關)，有一半的用戶使用時長都超過了70分鐘。當時沒過多久陸續出來了一些競品 (Vbulletin團隊，當時最大的論壇系統，開發了一個移動端的App，意圖解決同樣的問題)，但是沒過多久都遠遠落在了我們后面，就是因為整個團隊遵循MVP的思想，按用戶反饋專心反復打磨看帖、發帖的流暢體驗，獲得了非常好的用戶口碑并領先市場，也獲得了某著名硅谷投資機構的投資。
關鍵數據——目標人群畫像
除此之外，初創期可以通過接入一些第三方的應用監測SDK來了解初期用戶群體的畫像，從側面驗證用戶群體與假設的目標用戶群體特征是否一致，常見的是人口學屬性(性別、年齡、學歷、地域)。
案例：
今年4月初在和國內某健身類的APP的產品經理聊到， 該APP最初是一款健身、運動記步的工具App，在產品前期新用戶的次日留存處于業內平均水平，在其觀察到目標用戶群體的畫像時，發現女性用戶明顯比男性用戶要多，且女性用戶留存明顯比男性用戶要高。于是決定在產品策略上向女性用戶傾斜，主攻女性健身、減脂、美容方向的功能以及內容推薦，產品整體次日留存率相比之前增長近100%。
同樣，最近服務了一個鵝廠內部客戶，他們開發了一款新產品，意在面向年輕人群體，結果卻發現其用戶年齡分布以青少年和老年人居多：
這正好與他們的用戶渠道相關，原來他們有一款面向青少年和老年人的產品，為了給產品帶來第一批用戶，他們直接從老的產品將用戶引流過來，結果發現他們并非產品的目標用戶。
關鍵數據——留存率
在當前用戶符合目標受眾特征時，核心關注這些用戶的留存率、使用時長/頻率、用戶的黏性等指標，這里就留存率展開來講。
留存率的維度分很多種(7日，雙周，30日等)，依據產品特征來選擇，若產品本身滿足的是小眾低頻需求，留存率則宜選擇雙周甚至是30日;留存率高，代表用戶對產品價值認可并產生依賴，一般來說，假設便能得到驗證，通常低于20%的留存會是一個比較危險的信號。
介紹一個以數據為驅動的先行指標模型，可以通過找到先行性指標指導產品設計，從而提升留存率。先看下先行性指標的定義，先行性指標是指新用戶在使用產品早期的一種產品行為，這個指標與用戶的留存率指標之間存在著非常高的線性相關關系，可以預測用戶是否會在產品中留存下來。
用自己總結的公式來描述，大致如下：
- 積極預測可能性(%)：表示用戶執行了該行為，即可預測該用戶留存活躍的可能性
- 消極預測可能性(%) ：表示用戶如果不執行該行為，即可預測該用戶不留存活躍的可能性
最終，先行性指標的可信度=積極預測可能性 X 消極預測可能性 ，我們直接看案例。
案例
拿之前的論壇社交App為假設，假設“用戶在注冊前10天內添加好友超過7個”為先行性指標，那么我們計算一組數據：
其中，用戶前10天內添加好友超過7個，則其30日留存下來可能性為99%;若添加好友小于7個，則其30日不留存下來(流失)可能性為95%，綜合指標可信度為0.9405。
同理，計算以下兩個先行性指標可信度：
最終，我們得到對比：
以上只是假設的數據，實際上，我們需要對比十幾個甚至是二十幾個行為指標才能找出先行性可信度最高的行為。
這個模型中第一條“新用戶在注冊后的10天內添加好友超過7個”，也就是Facebook一個經典的“aha moments”，所謂”aha moments”即當用戶意識到產品的核心價值的時刻，也就是我們的“先行指標”。
(Facebook，Instagram推薦好友截圖)
除此之外，先行性指標應當滿足以下條件：
二、快速成長期
經過了產品打磨的初始階段，產品有了較好的留存率了，這個時候產品開始進入自發增長期。自發增長期的產品階段，仍需要關注用戶留存、用戶時長、用戶畫像的變化等數據，但可以將側重點關注在用戶的整個生命周期的管理，其中以新用戶的增長、激活、觸發“aha moments”到產品穩定活躍用戶的整個漏斗分析為主。
新用戶的增長和激活
其中新用戶的增長和激活一般有兩種方式，第一種是構建產品的病毒性傳播系數, 讓產品自發增長，《精益運營數據分析》書中有提到的幾個用戶病毒式傳播分類很有趣：
- 原生病毒性，即通過App本身的邀請好友功能而傳播吸引的新用戶的方式;
- 口碑病毒性，即通過口碑傳播，用戶主動通過搜索引擎成為的新用戶;
- 人工病毒性，即通過人工干預，如有獎邀請等激勵措施來鼓勵用戶進行邀請行為。
這里關注的一個指標稱之為“病毒式傳播系數”，感興趣的同學可以自行深入了解。
新用戶下載->激活->‘Aha Moments’->產品穩定活躍
產品開始進入自發增長期后，需要關注用戶從新用戶到活躍用戶(留存后)、到核心用戶的生命周期，并將每個過程的關鍵指標提煉并精細化。
案例
以之前的論壇社交APP為例，新用戶進入產品會看到一個歡迎頁(如左下圖)，經過注冊、登錄后會看到產品的首頁(如右下圖的Feed流頁面)，多數App都有類似的流程：
一個新用戶從進入App歡迎頁到最終成為核心用戶大概是以下流程：新用戶(探索發現產品價值中)-> 旁觀者(逐漸認知產品價值并有一定的參與感)-> 生產者(認同產品價值并積極參與)：
按大眾化的分法，產品的生命周期(PLC, Product Lifetime Cycle)分為初創期、成長期、成熟期、衰退期，在產品的每個階段，數據分析的工作權重和分析重點有所區別，下面按階段結合案例來聊聊：
此時，對各個階段的用戶行為進行指標分解：
新用戶&探索發現者：
- 歡迎頁跳出率
- 新用戶注冊率
- 新用戶引導流程轉化率
- 初始看到Feed頁跳出率
- 搜索結果轉化率
- 推送權限開通率
旁觀者(路過者)：
- 平均每個用戶關注板塊數
- 平均每個用戶關注其他用戶數
- 平均每個活躍用戶贊/分享數
- Feed卡片展示數
- Feed卡片點擊數
- 訂閱內容推送點擊率
內容生產者：
- 平均每個活躍用戶發帖數
- 平均每個活躍用戶發照片、視頻數
- 平均每個用戶在論壇內使用時長
- 活躍用戶在論壇內行為分布
精細化的拆分用戶生命周期前中期的行為指標，在產品快速增長期幫助了產品不斷打磨細節，將用戶從新進到成為核心用戶體驗不斷完善。與此同時，在各節點數據提升并穩定后，產品運營的同學則開始進行各種推廣、投放的宣傳以擴大盤子、占領市場。
三、成熟期
隨著用戶快速增長，產品不斷完善，產品在進入成熟期前后，數據運營關注的重心開始從用戶生命周期的前半段(吸引、激活、留存)往后半段(流失、回流)開始偏移。
這里分享一個在增長期和成熟期關注的數據模板 Daily Net Change (應用自John Egan@Pinterest)，區別于只關注DAU、MAU數據，只關注活躍用戶數的增減很多時候都是取悅自己，而這個模型能幫助直觀地觀察到用戶增長的因子是什么，或者用戶盤子變化的情況，通過一張圖展示了產品的新增、回流和留存情況。
其中Net Change = 新增用戶 + 回流用戶 – 流失用戶。
新增用戶即當天有多少新用戶加入
回流用戶即多少老用戶連續28天沒有使用，今天又開始使用
流失用戶即有多少已有用戶剛好最后一次使用應用是在28天前
流失與回流
在關注流失回流的過程中，數據會揭示當前用戶盤子的一個變化情況，具體分析流失原因則可以參考下方流程：
核心思路即，通過回訪定性+數據驗證為主要手段，確定流失原因，改變產品運營策略以預防用戶流失或拉回用戶，促進回流。
除此之外，對于一些穩定的投放渠道，普通的改善方法可能提升轉化有限，此時可以進行更精細化的渠道分析來優化提升ROI：
案例：
提升ROI
四、衰退期
最終，產品進入衰退期，一般在進入衰退期前可以采取兩種方式：
1、規模化
常出現在零售業中，如開一家按摩養生店，在一定范圍內收獲好評，那產品成熟的時候則可以開啟連鎖加盟模式，通過迅速而廣泛的擴大市場形成品牌效應，以形成壁壘，此時衰退的風險則被抵御。
2、生態化
在產品增長或接近完善時，單一的產品很容易存在需求過于垂直、用戶無法形成依賴的問題，可以開發具有協同能力的新產品以搭建完整的產品生態，使得在當前產品上無法被得到滿足或失去興趣的用戶被引流到新產品，作為新產品的新用戶;同時新產品的用戶也能在新產品上被引流回老產品，產品之間形成互相依賴的鏈條，最終用戶有效流轉，形成生態。
