對一家互聯網公司來說，如果沒有設置單獨的數據運營崗，那麼用戶運營是和數據最貼近，也必須是最瞭解用戶的。
用戶運營核心的方法論就三個：拉新，促活和留存。拉新可以作爲渠道推廣單獨討論，而促活和留存則相輔相成。
非運營崗，或者其他類型的運營，通常只會注重一個活躍數據的果，而不會注意活躍數據的因。我們在這裏就抽絲剝繭，教大家比較快速地瞭解活躍體系。
互聯網公司對活躍用戶的定義大同小異，主要以用戶打開APP一次記爲一個活躍用戶。
按此基礎可以在時間維度引申出周活躍用戶，月活躍用戶。即在一個自然周內打開一次APP，則本週爲周活躍用戶。月活躍用戶同理。
我們假設有一款新產品，這是它四個月內的活躍數據。嗯，看來不錯。
產品專注的市場領域不同，活躍用戶數天差地別。一款小衆的垂直領域產品和泛社交類產品，單純看活躍用戶數，你很難界定它們好壞。
好的數據指標，都應該是比例或比率。
我們設定一個新指標，活躍率：某一時間段內活躍用戶在總用戶量的佔比。
按照時間維度引申，有日活躍率DAU，周活躍率WAU，月活躍率等MAU。
例：月活躍，本月活躍用戶在截止月末的總註冊用戶中佔比。
一般而言：活躍用戶數，看的是產品的市場體量。活躍率，看的是產品的健康度。
實際得承認，不同產品，用戶需求（高頻或低頻）不同，活躍率也有差異。用戶運營更多的職責是監控活躍率的變化，並且提升它。
看，我們的活躍用戶數上升，活躍率下降，這對新產品來說很正常。你不能要求每一個用戶都使用我們產品不是？
別急，我還沒補刀呢。
我們統計了註冊用戶數，那麼我們也可以統計出本月新增用戶數，很簡單，兩個月相減。
是不是看出來什麼了？
要知道，按照活躍的定義，新註冊的用戶肯定是打開APP的用戶，他也一定是活躍的用戶。
所以，我們拿每月的註冊總用戶數減去新增用戶數，計算老用戶數。並且將新老用戶的活躍率獨立出來。
指標拆分後，我們發現老用戶的活躍率比預期低。
實際在產品早期、渠道投入資源推廣、或一次成功的病毒營銷後，因爲新增用戶數量的暴漲，總是會帶動活躍數的上升。
A產品打算在五月份做大投入，在APP上進行活動，希望用戶大力參與，同時在B渠道進行推廣。在常規的統計指標中，發現活躍數據上升。事後分析發現活躍爲新增活躍，老用戶的活躍數據沒有顯著上升。配合其他活動數據，證實活動效果較差。
C產品獲得投資後，通過大規模的燒錢推廣，獲得一個正向的活躍數據反饋。此時活躍有不小可能是由新增用戶撐起的。產品自身的打磨若不好，老用戶活躍率不會提高，這也是我們常說的留存概念。導致錢白白浪費不少。
產品進入穩定期後，有了一定用戶規模，新增活躍一般對活躍數據就不會有大的影響了。
那麼以新老用戶區分活躍統計就夠了？我們簡單定義三個場景：
-
用戶A下載產品後，把玩了一段時間，發現這是他想要的功能，愛不釋手，成爲發燒用戶；
-
用戶B下載產品後，看了幾眼就不再使用。產品2.0發佈後，覺得有個新特性不錯，於是回來繼續使用，逐漸成爲活躍份子；
-
用戶C從網上看到隨便下載的，用了產品覺得一般，吐槽幾句並且卸載，不再使用；
用戶包含各種類型，反應了不同羣體的特徵和想法。在使用整個產品的週期中，我們應定義更全面的指標：
流失用戶：有一段時間沒有再打開產品，那麼我們就視爲流失用戶，根據產品的屬性，可以按30天，60天，90天等劃分。
不活躍用戶：有一段時間沒有打開產品，爲了和流失區分開來，需要選擇無交集的時間範圍。比如流失用戶是60天以上沒打開產品，那麼不活躍則是0～60天沒打開。
迴流用戶：有一段時間沒用產品，之後突然回來再次使用，則稱爲迴流用戶。迴流用戶是活躍用戶，且是由流失用戶或不活躍用戶喚回而來。
活躍用戶：一段時間內打開過產品。
忠誠用戶：也可以叫超級活躍用戶，長期持續使用產品，比如連續四周，或者一個月內15天等。
現在我們發現，不論是活躍用戶還是不活躍用戶的維度，都一下子豐富了起來。
通俗的理解一下用戶活躍的變化
上文ABC的三位用戶活躍路徑爲：
A：新增—活躍—忠誠
B：新增－不活躍－迴流－活躍－忠誠
C：新增－不活躍－流失
回到一開始那款產品的數據，我們將分解後的新指標統計出來。（定義忠誠用戶一個月內有15天活躍；流失用戶爲兩個月沒打開過）
（以上數據以月末當天的統計爲準）
你看，指標開始變得複雜了。產品有長期使用的忠實用戶，也有流失用戶。有用戶回來繼續使用，也有用戶不怎麼愛用產品。
數據是爲了方便講解隨手編的。實際的情況可能會更復雜，可以根據情況靈活應對。
用戶活躍可以簡化爲一個最簡單的公式：新增用戶的數量要大於流失用戶的增加量。可以想成一個水池，運營會一直往裏灌水，但是水池也會漏水，如果漏水速度太大，那麼水池就幹了。一款產品可能因爲市場競爭、拉新乏力導致新增用戶數下降，也可能因爲產品改動，運營策略失誤造成後續流失用戶變多。
將數據製作圖表：
(活躍用戶和不活躍用戶可以拆分出來，周活躍同理)
用戶運營們可以按照日、周、月維度維護三張報表，監控活躍數據的變化（建議花更多精力在週報表上）。
如果是一個好的用戶運營，他會繼續思考：每天有多少活躍用戶變得不活躍？有多少忠誠用戶變得不活躍？又有多少流失用戶被我們喚回來等，並且分別是什麼原因引起的。
怎麼樣更詳細的監控活躍數據的變化呢？我們引入桑基（Sankey）圖的概念。
這時，活躍數據比單純的表格清晰多了，而且我們也能夠顯著觀察到不同活躍層的變化。萬千變化，存乎一圖。
有了數據和趨勢，我們應該聚焦更多精力到怎麼去應用在運營和業務上。
觀察忠誠用戶，發現他們有什麼特徵，爲什麼愛用我們產品。同樣的道理，我們也能觀察流失用戶；
忠誠或流失用戶是否在推廣渠道上有顯著差異（配合新增留存數據）；
某一段時間迴流用戶增加，是產品更新，市場推廣，還是活動營銷；
本週，變成不活躍的用戶比以前多，要不要做一次用戶訪談看下原因；
活躍的用戶用Push營銷，流失的用戶用短信營銷，這是不是一個好方法；
以上種種，皆是用戶運營需要考慮，也是要和各部門協同解決，貫徹整個產品一生的運營方向。
活躍類指標有一個顯著特點需要明白，它們都是後見性的指標，也就是事情發生後我們才能觀察到。比如我們發現某一段時間流失數據（假定兩個月沒打開APP爲流失）上升，往前倒推兩個月，發現當時剛好展開一次活動，那麼我們有理由相信活動造成了一批用戶卸載，可惜運營此時已經無能無力。先見性預防比後見性觀察對運營更重要。
根據不同的用戶活躍狀態，依據產品的特性能採取很多運營手段。這是精準化運營的第一步。接下來則是劃分用戶層次等，進行更精準的運營，不過那是另外的話題了。
Tips：
1.以上主要針對移動產品，對網站，或者網站手機端混合，乃至微信端。可能要採用另外一套統計邏輯，這裏不展開了。
2.市面有許多第三方應用或SDK能達到類似的數據統計。不過我建議，若只能統計，不能拿到數據，爲了後續運營還是辛苦點做一套活躍統計系統寫入數據庫吧。
3.下一期，我們可以引申出用戶運營的其他框架，或者怎麼用有趣的桑基圖，做更性感的分析。
本文轉自 秦路 秦路 2016-09-04