无论是产品还是服务都是围绕用户来展开工作的。用户量和用户增长快是每一个App追求的目标方向，也是企业商业变现的基石。
对运营来说，掌握数据分析能力能为运营提供大量支持，但拿到数据后运营到底该怎么看？如何通过数据分析找到用户增长之路？为此我们采访了Top20的运营大佬们，将观点整合为您呈上：
用户数据怎么看？
很多的产品经理看用户数据基本有三个层次：
“看到”第一层：看总量
“看到”第二层：看构成
“看到”第三层：看行为
先说第一个层次，这个是最简单的：
1、“看到”第一层：看总量
众所周知，DAU是每天的活跃用户数。如上图这个例子，“我的App有105,000的DAU，同比增长5%。”这是第一层的看法。
这种看用户的方式是在移动互联网中最普遍的，也是一种最通用的语言。但这有个问题，即：这种看DAU的方式，没办法细分和拆解原因，并没有办法把数据落到实际的工作上。
为什么呢？因为DAU增长、下降都可能有很多原因构成。你看到DAU数据，其实并没有办法来精确地把握：你的用户到底是涨了？做得好了还是不好？
2、“看到”第二层：看构成
其实第二层比第一层更好一点，第二层要看构成。
了解构成的方式，可能还是从DAU出发。我们知道DAU这个“105000”是由一部分新增，还有一部分的流失共同构成的。在这个案例里面，新增是10000，流失是5000，所以比过去的同期增长了5%。
这种方式比上一个方式要好一点，因为它能看到这个流动的构成，即虽然DAU值涨了5%，但其实流失和新增是两个不同环节的要素。所以新增有很多的映射点，当我们看到新增变化的比较大，那可能跟新引入的客户，或者跟用户激活的使用率，都会有一定关系；如果流失比较高，那可能是产品粘性出了问题。
从上面这个案例可以看到，流失的增长比例会更高一些，所以流失就是主要的问题。
我们遇见过绝大部分的产品经理和开发者，基本都会看第一层（总量）和第二层（构成）。做的比较好的会从到（构成）更细致的往下看，比如：用户构成的增长和下降多少？第二层比第一层好在什么地方？
这确实可以找到一些更具体的工作点。至少我们知道是做新增，还是应该做流失。
但这也有问题，是什么呢？比如5000和105000，其实我们都不知道它们是谁。可能今天有5000的流失客户，这已经是一个固定的结果（已经流失掉了）。但想要做应用，我们希望做的是什么？是用户不流失。
其实我们大家都知道，想要这个挽回流失用户是非常困难的。但想要用户不流失，需要怎么做？你需要更早地预知这个用户未来可能会有流失风险。
新增也一样，因为我们是活跃的新增，里面很多问题是说用户的使用频次并不高，可能每个用户每周用一次App，所以我们在看DAU的时候并不好看。而这个行为是用户习惯所导致，所以这种视角来看构成的方法，其实并没办法找到是什么原因来影响了这些事。
接下来我们要说第三层，应该怎么来看用户？
3、“看到”第三层：看行为
第三层，我们就要看行为。这里其实有一个非常明显的概念，大家需要注意：第三层当中，我们本质上并不是在看用户，而是用户怎么看我们，我们需要把每一个用户单独拎出来。
比如上图的这个例子，用户是怎么来看这个App呢？
用户A：每天都在使用，所以对他而言，这就是一个高频次的应用；
用户B：只有在部分的时间里面有所启动；
用户C：几乎都没有启动过。
所以第三层，我们要看行为。从行为方式来识别我们的用户，到底用户是怎么来看这个App应用的。当我们找到这层之后，比前两层的好处是什么样呢？
其实，我们可以真正地找到答案：
第一，到底是谁？A、B还是C，哪一个用户对我们是有更高价值或者更忠诚。
第二，可以根据行为路径做未来预测和预知的。所以，我们可能发现这个客户之前经常使用的应用，后续慢慢不再用了。原来每天都用，后来变成每周用一次，这就是一些流失风险的征兆。
所以第三层要看行为，或者说是看用户怎么看我们的App。只有通过这样的方式才能真正地识别我们的App，从而回答一开头的问题，到底有多少用户？
用户A是我们的用户吗？大家可能觉得是。
用户B是吗？毕竟还启动一次。可能是。
用户C是不是？就不好说了。它可能是流失的，可能只是因为用的频次比较低。
在这里面，我们至少能知道每一个用户到底是什么样子，所以可以看到有高频用户，有普通用户，可能还要流失沉默或者一些准流失的用户。
回归用户，是在后移动互联网时代里面，每一个应用、每一个产品经理或者运营人都需要考虑的问题，即：用户到底怎么来看我们？
所以现在跟大家聊具体的方式，即怎么来找到自己的这个用户增长之路。
如何找到用户增长之路？
其实简单说，就三步：
第一个叫看见；
第二个叫读懂；
第三个叫放大。
接下来我们挨个跟大家说一说，首先是看见：
1、看见：识别用户价值
看见，看的是什么？我们看的是用户价值。如果想看清用户价值，就涉及到两个问题：
问题1 ：怎么来度量用户的价值？
RFM模型是用来度量用户价值的一种比较常见方式。它由三个因素构成：
第一个是最近一次价值行为，当然价值是什么？可能你就要来定。
第二个是价值行为的频率，比如说刚才看的前面一个例子，如果我们认为用户启动对我们来说有很高的价值，那它的启动频率就是我们在评论当中所衡量。
第三个是价值的累积贡献度。如果在刚才的例子里面，就是用户累计启动过你的App多少次。它在这里面，我们中间这条频率标蓝了。为什么？我要跟大家特别强调一点，移动互联网的圈子或者产品，特别重要的就是频率，这也是后移动互联网一种典型的特征。
为什么这么说？我们知道RFM模型在传统行业中也会被用来衡量用户价值的。但后移动互联网的特点是什么？就是用户的耐心很差。我们没有办法通过用户上一次、最近一次启动，或者曾经用过多少次来判断它会不会被别人抢走。
后移动互联网的时代特点，就是你今天可能还很受这个用户的重视，很受他的欢迎；但是转过头之后，他看到一个新的由竞争者做得比你可能在某一方面好一点点，立刻就转头了。
所以价值行为的频率是在移动互联网里面特别重要的一个因子，需要在每一部分当中都有所衡量。而计算价值的方式，就是这个RFM模型。
问题2：什么样的环节是我们度量的价值？
这涉及到一个价值环节的问题。其实所有的App应用当中这个价值，主要就分为三大类：启动、浸入、转化。
第一类最简单的，叫启动。
启动是每一个用户都会对App产生的一种价值定义，而会自启动，就对你的App有一个价值。
为什么说有价值呢？简单说，你的估值其实就跟这个有关系。比如DAU有多少；这个企业卖多少钱……都是跟这个有关的。所以，启动是第一层价值。
但是，启动并不能标识这个用户对你的真正价值贡献和粘性。所以，启动往往是衡量比较初级、相对表层一点的方式，而且它很重要。
第二点的方式叫浸入，即我的用户跟我的实际交互粘性有多高。
举个例子，比如说一个做电商的APP，它的交互粘性是什么？就是这个用户在你的APP上多元逛街。我们知道购买这件事是需要大量的逛街行为之后才做出购买决策，如果没有逛的行为，那肯定没有买的行为。所以“浸入”这一点就是指的交互粘性，它并不一定是最终给你产生价值。比如说交钱，交会费，买商品，是这些行为之前的前置步骤。
第三个是转化过程。转化过程比较简单，其实指的就是刚才说的，我们会有一个付款的过程，可能是变成会员，或者是电商里面购买的行为。
但这个价值环节有两个非常重要的点：
需要根据你的商业模式来决定到底哪个是你的价值环节。它的发展，决定哪一个环节是你现在阶段里面最重要的价值因素。如果你是一个初创型的公司，或者你可能是一些第三方付费的这种商业模式的公司，那可能前两者就非常重要，即启动和进入环节；但如果你是已经相对偏成熟一点了，有自己的变现能力，你是C端付费的这种商业模式，那最后转化和侵入环节就可能会更重要一些。
不论你发展到什么阶段，这三者都对你是有价值的。所以它的价值环节并不是一个取舍，是一个价值梯队，可能这个价值更高一点，用这种方式价值衡量会更贴近业务结果一点，但另外两者也非常重要。
2、读懂：锚定业务关键
在这里主要介绍三个计算模型：细分、漏斗、留存。
很多人都听过这三个计算模型，但是对这三个模型的理解却不一样。
（1）科学设定事件、属性将数据结构化
在中国互联网市场里，对事件进行埋点，通过事件细分去做分析，这个事情其实是非常痛苦的。在国内有两句话非常简便可以总结埋点：流程结构分事件；业务结构分属性。
第一，流程结构分事件。比如把浏览商品页，点击商品，购买设定一个事件，那么：点击儿童服装、儿童玩具都要分事件吗？并不是！我们现在绝大部分的埋点都是把所有行为都埋成一个点击事件，但分析起来头就大了。流程结构分事件，比如：电商场景，通过浏览，注册，加购，购买是你的业务流程，在业务流程中的关键点就必须要分事件。
第二，业务结构分属性。这里继续用儿童电商举例，购买玩具，购买服装、购买食品及尿布……这些是儿童电商的业务结构，会分为不同的业务组。代理公司是一组人，运营是另一组人。这种业务结构要分属性，你可以将购买都设定为一个事件。买玩具，带一个属性叫玩具，买服装，带一个属性叫服装。
下面举个例子，你可以看到一个token，他的业务结构是童装，下面带有价格，有购买者和销售者，这个事件传回来，就可以进行结构化分析。
（2）巧用留存挖掘业务潜力
本质上，用户留存是衡量的一个时间序列。比如我们平时说的留存是在七天之前访问的用户，在七天之后是否还有启动，这是比较标准的留存。
自定义留存，我通过以下案例来阐述：
案例1：他想看看用户在购买商品后，后续还会不会再次购买？会不会有商品浏览行为？所以他就选了回访事件进入产品页。买完东西之后，后续第一天、第三天、第七天用户到底还会不会在浏览商品？通过这种方式将用户圈出来，可以培养有价值的用户。
案例2：除了第二次购买之外，还可以通过其他指标衡量业务模块的粘性。比如通过衡量会员利用率的黏性。用户购买了会员之后，后续会不会真的收听这个课程，这个是对会员粘性和再次续费可能性进行标识。
（3）结合业务现状科学定义漏斗
如何理解漏斗？
第一，漏斗是多入口下的序列监测。
我们有个客户想通过漏斗分析页面，他分析的场景是通过App进入后，会弹出促销商品的页面从而才可以进行购买。他设定漏斗的三步分别为：进入App→点击促销页→点击购买。
这样的漏斗有没有必要？答案是：没有必要！用户只能通过唯一一条路径进行购买，所以只要看这三个不同事件的点击量就可以了，完全不需要设定漏斗。
漏斗是用在入口很多的地方，比如：你有很多渠道和路径完成的购买，可能从A渠道、B渠道、C渠道购买，只有在来源路径很多的时候，漏斗才有价值和作用。
第二，时间窗口的重要性。时间窗口指的是完成漏斗的周期，比如通过漏斗查看在一个月里完成浏览商品、加购、购买的用户是谁？这种分析方式有很大的问题，因为这三个行为，中间可能隔了好几十天，漏斗必须要设定一个周期，也就是在一定时间范围：五分钟、十分钟、一个小时、一天都可以，这时候通过漏斗的分析，才是有意义的。
这里我再举个例子，还是刚才那个客户，他做了一个个性化推荐算法，引入了外部数据，完成了用户的冷启动，来看一看这个冷启动的效果，来验证用户是不是对推荐的内容满意？所以他使用的漏斗有两步：
- 进入商品页。因为之前新用户直接进来是不需要注册，可以直接点击进入到产品页，然后查看产品页面推荐内容；
- 浏览的商品之后完成后面注册。同时他设置了一个时间周期为60分钟，如果他浏览了很多产品和页面，进行了注册，这就和冷启动没有转什么直接关系，也有与广告投放有关。
3、放大：设计增长引擎
放大，其实就是通过复制用户→复制路径→复制习惯这三件事入手。
复制用户，在引流时基于对超级用户画像分析，了解超级用户的特征，同时圈选出与超级用户相似的人群，在外部进行人群圈选投放，通过新用户来检验效果。
复制路径，通过超级用户对关键行为进行漏斗分析，了解他们的转化路径和关键行为；同时通过路径分析调整产品引导，通过App推送或者应用外拉动，通过A/B test来查看哪一个的路径转化更有效。
复制习惯，分析模型一般用的是留存和细分，留存是表示的是用户习惯，通过分析超级用户的习惯。比如：超级用户对什么活动有兴趣，从而培养用户的习惯，最终你会通过消息推送和引导客户进入产品页之后，把那些并不是超级用户的用户培养成超级用户。
来自：
更多阅读：
