友盟+U-App产品优化建议
从分析模型上，引入各个生命阶段周期用户的功能使用情况、渠道分析和参与度情况，从而帮助产品和运营人员判断各阶段用户的行为特征，生命周期只是个果，而用户行为才是因，这样更能抓住数据波动的原因，从而更好地做好用户增长。
第一部分
本文从功能优化的角度进行分析，友盟作为一款数据分析产品，主要面对的是B端用户，因此友盟产品的功能设计需要遵循B端产品的设计逻辑，因此首先从底层逻辑出发分析产品的功能设计是否合理。
B端产品的核心价值在于提升企业利润，不管是做用户运营和功能优化的产品，还是增加销售线索的CRM产品，核心都在于增加利润。因此B端产品需要在企业的利润链上产生正向价值，并且不断提升这种正向价值。友盟+U-App提高企业利润的路径在于实现APP的用户增长，不管是渠道分析、功能分析、用户参与度等，重点在于提高用户的获取和留存，因此友盟的产品公式可以表示为：
用户增长=已有用户留存+新用户留存
因此，在友盟的产品设计上应该聚焦于如何提高已有用户的留存和新用户留存上，而新用户留存则可以拆分成提高新用户获取和降低新用户流失上，因此该公式可以最终表示成：
用户增长=已有用户留存+（新用户获取-新用户流失）
第二部分
1. 梳理友盟+U-APP业务流程
结合友盟+U-APP的功能设计和布局，根据5W2H原则梳理友盟的业务流程如下：
（1）Who（用户，整个业务流程中所有涉及到的相关方）：
产品人员、运营人员（大致分为渠道运营、用户运营）；
（2）What（目标，即用户需要完成哪些事儿）：
产品人员关注：新用户获取；用户活跃和留存；各版本用户情况；用户行为和功能使用情况；APP稳定性、PUSH质量等；
运营人员关注：用户来源渠道；用户质量；病毒营销情况；广告投放情况等；
（3）Why（原因，了解用户为什么需要完成目标）：
产品人员：提高用户粘性；根据功能渗透率判断功能优化迭代方向；APP稳定性和bug情况；push质量从而更好地进行用户激活和召回；
运营人员：更好的投入产出来获取用户；分析用户画像，提高用户粘性，增加产品传播、裂变效果；
（4）Where&When（主要说明用户会在什么地点或场景来完成目标）：
产品人员：查看用户数据变化；新功能上线后查看效果；做功能优化前分析功能的数据和优化的方向；
运营人员：查看用户获取的渠道质量；查看活动推广效果；分析用户画像、行为来更好进行用户运营；
（5）How to（用户如何利用现有的产品完成目标）：
首先查看实时和整体数据并做对比，然后根据关注的重点来分析用户和产品相关数据。如下图所示：
用户数据包括新增、活跃、留存相关数据，并且可以分渠道、分版本的对比。产品数据包括功能使用情况和用户使用数据，功能使用情况根据自定义事件来统计，从而定制化地分析产品；用户使用数据包括访问的页面和粘性相关数据；
（6）How much（完成其目标所需要花费的成本代价）：
使用付费产品的成本；产品人员需要自定义事件；运营人员需要自主添加对比、渠道等。
2. 切分子目标
在业务梳理的过程中，我们会获取到用户在不同阶段的业务目标，这些都是以推进业务完成为目的阶段性业务目标，但是在用户实际完成这些目标的时候还可以拆分成为更小维度的子目标。
将友盟+U-APP使用人员的业务目标是展示产品数据，该目标切分主要子目标并在友盟+U-APP的实现方式如下图所示：
展示产品数据分成宏观数据概况和数据详情分析。宏观数据概况包括核心数据展示和图表，分时间端对比展示。
针对产品和运营人员，数据详情展示包括：
产品人员：
1.新用户获取：分成新增用户和新增账号，分版本、渠道、时段、行业对比分析，并且能查看次日留存率；
2. 用户活跃：查看新增/活跃数以及活跃粘性，分版本、渠道、时段、行业对比；
3. 用户留存：新用户和活跃用户留存，支持自定义留存设置，分渠道和版本分析；新增用户占活跃用户占比，活跃时间（15天之内）占比；
4. 各版本用户情况：分析新增用户、活跃用户、启动次数；
5. 用户行为和功能使用情况：包括使用时长、频率、访问页面和功能使用情况；基于用户生命周期的数据，用户行为分析和用户画像分析；
6. APP稳定性和PUSH情况：错误分析和推送设置；
运营人员：
1.用户来源渠道分析：分渠道、时段新增用户对比；渠道质量对比；
2.广告投放检测和产品传播情况分析，用户画像分析；
第三部分
结合第一部分和第二部分内容，该部分主要用于判断第二部分的功能设计是否满足第一部分的产品核心价值，以及提出相应地建议
目标一：提高已有用户留存
友盟+U-APP上已有功能的实现方式：
1. 用户分析：查看用户活跃度、启动次数，分版本、渠道、时间的对比
2. 留存分析：7天/14天/30天留存数，留存天数占比；
3. 渠道分析：分渠道的用户活跃、使用时长/次日留存等用户粘性指标；
4. 用户参与度：使用时长、频率分布，访问页面数量；
5. 功能使用：功能使用率，页面访问漏斗。
综上所示，以上功能用于实现目标一。分析这些功能和指标的不足以及建议：
1.增加活跃用户率的相关指标：已有的活跃用户数（如下图所示），有一定的参考意义，但是活跃用户数需要结合总用户数才能更好地分析问题，否则可能出现活跃用户数的变化幅度和总用户数变化幅度相差较大的问题，这时候活跃用户数的指标会失去意义，因此建议增加活跃用户率——活跃用户数/总用户数的数据指标，从而更好地判断产品的用户质量变化情况。
2. 数据的筛选和对比考虑增加地域维度：不同地域的用户质量和画像都会有较大差异，拼多多的快速崛起就和该产品结合五环外人群的需求做针对化运作有莫大联系，因此建议数据指标增加地域的筛选和对比，并且可以对地域做简单的分类，比如分成超一线、新一线、二三线城市，从而更好地判断哪一地域的产品数据出现较大变化，从而更好地应对。
3. 启动次数改为展示人均启动次数：启动次数可以用来判断产品的使用频率，但是总启动参数指标没有太多参考价值，因为缺少直观的比较，建议改成人均启动次数，从而让产品和运营人员通过其他APP启动次数的情况更好地感知产品的使用频率，否则需要手动计算人均启动次数，造成使用上不够方便。
4. 数据指标的分类进行适当调整，以及增强模块的交互效果：例如启动次数和使用时长放在一起；用户画像放入用户分析模块，用户分析中新增用户和活跃用户合并共同放入新增模块——用户规模；渠道分析中加入用户设备分析；交互上建议菜单栏通过颜色变化，更好地突出模块感。最终需要改动部分的效果如下图所示：
目标二：提高新用户获取和减少新用户流失
已有功能实现方式：
1. 用户分析（提高新用户占比）：新增用户和账号数随时间变化趋势，包括分渠道和版本对比；新增用户占活跃用户占比；分版本的新增用户占比；
2. 留存分析（减少新用户流失）：新用户1-30天留存情况和趋势变化；1-30天新增用户占活跃用户占比的时间变化趋势；
3. 渠道分析（提高新用户占比）：分渠道的新用户占比；
4. 功能使用（减少新用户流失）：通过自定义事件来查看特定功能，比如注册登录、首次评论/发帖/点赞等，来分析产品对新用户的吸引力。
建议：
1. 和目标一类似，建议增加地域维度的筛序对比，从而更好地根据用户地域做针对性的运作；
2. 渠道分析方面，目前展示的只有每日分时段的新增用户情况，时间维度太短，不利于分析整体趋势，因此建议增加时间范围内，比如一周或者一个月的平均每时段的新增用户情况，从而更好地分析新用户获取的趋势。
3. 社会化分享目前主要是分享次数和分享渠道分析，建议加上数据指标分析平均每个用户带来的新用户数量，即传播系数，从建模上可以通过分享链接上进行SDK插码，收集用户的点击、注册等数据，从而更好判断传播的效果。
以上是对基础看板的功能分析和建议，除此以外，友盟+U-APP还提供了个性化的功能定制和针对用户的洞察和增长功能板块。用户洞察包括事件分析、漏斗分析以及用户分群和画像功能，主要用于通过对用户和功能使用的分析，做出下一步措施来提高用户留存。用户增长包括各阶段用户生命周期的用户情况，从新手用户一直到流失用户的数量和潜力和风险预测。
这部分的主要问题是：各个生命周期阶段主要是根据用户的启动次数来定义，并且用户的进阶（如新手到成长）也是根据用户启动次数来判断，这种判断方式比较单一并且和其他用户行为，特别是功能使用情况相互隔离，不利于根据用户分层来精细化地优化产品功能，因此这部分的建议是：从分析模型上，引入各个生命阶段周期用户的功能使用情况、渠道分析和参与度情况，从而帮助产品和运营人员判断各阶段用户的行为特征，生命周期只是个果，而用户行为才是因，这样更能抓住数据波动的原因，从而更好地做好用户增长。
其他建议：加入A/B分析板块，分析功能变动对用户和转化的影响；根据不同类型产品特点，采取定制化的数据指标，比如包括以下行业指标：
电商产品：
1.年均购买率：每位买家的年均购买次数，或者90天重复下单率；
2.ARPU；
3.用户平均获取成本；
4.用户终身价值；
5.品类分析，品类搜索关键词；
SaaS产品：SaaS公司的困难来自产品推广方案和分级定价上。一般这种产品会分成免费版（试用版）和专业版，建议两种版本的部分数据分开统计，从而分析用户将免费版转化为专业版的决策路径，从而提高转化率。分级定价则通过分层分析用户特征，推荐不同的服务费用；
一般移动应用：加入付费用户分析，包括数量和比例变化情况，以及功能使用情况；
UGC产品：用户平均的发布内容数，重点关注人均点赞、评论、分享数据；
平台型产品：该类型产品一般涉及到买方和卖方两种角色，因此数据指标应该包括三种：买方活动、卖方活动和交易活动。买房活动指标包括买家数、活跃买家数等，卖方活动指标包括卖家数、活跃卖家数、卖家的平均售出商品数量等，交易指标包括销售额、交易数、ARPU值等。
作者：龚文正
本文为「人人都是产品经理」社区和友盟＋联合举办的“2019「友盟杯」数据分析大赛”中参赛作品，未经作者及平台许可，禁止转载
本文部分数据有脱敏处理，非全部真实数据
有关产品测评大赛合作事宜，请联系邮箱：denis@woshipm.com
