友盟+移动统计产生的数据价值

客观数据能够让一切都清晰明白，具体分析能抓住真正原因，数据分析的价值就是给决策提供可靠的说服力、决策之后的效果和以后改变的方向。

一、友盟+移动统计的部分表层数据

友盟支持iOS、Android应用数据统计分析，可快速接入，节省成本，比较适合创业型公司及刚上线的产品，但是无法对关键数据在突发异样时进行跟踪。

1. 用户分析

用户分析分为5个板块，新增用户、活跃用户、启动次数、只启动一次、版本分布、行业数据。

新增用户数据可以看到每日、每周、每月的新增，通过一定的对比，可以察觉到突然新增和异常新增的，通过启动次数查看转化率，再根据数据分析具体原因。再查看次日留存、7日留存、30日留存，看到具体转化率。根据异常新增找到具体原因对运营具体策略的方向提供可靠数据。

活跃用户中除开新增占比变化是否过大，原因是什么，改版对于启动次数，在线时长，次日留存的影响。

新增用户只启动一次的原因分析，是活动运营拉新的失败，未能让用户找到想要的？或者用户单纯为了薅羊毛而来？活动该如何进行？是否需要调整？多问为什么，多想为什么。找到解决的办法，对运营策略进行改进和改善。对于新用户的留存问题，是只启动一次？翻了几个界面就关闭了？使用时长、次日留存等等。在哪一步的退出率较高？产品如何解决？对于改版的内容，优化的方向。

2. 用户构成

用户成分构成，可以查到最近长期流失客户、近期连续连续流失客户、本期流失客户、回流用户、连续活跃用户、忠诚用户、新增长期流失用户、近期连续流失客户。友盟可以鼠标移动到上门就可以产生连线并看见百分比。长期流失占比、本周流失占比，分析流失原因。

3. 留存分析

这边是我最长使用的功，查看新增用户留存，活跃用户留存，1-7、14、30天的留存百分比，可以看到用户的转化率，在对比用户成分构成，可以查看到用户的忠诚度，和运营策划，产品改版的影响等等。

4. 用户参与度

在这一个功能模块中，使用时长可以看到忠诚用户的数量，基于APP性质的不同，使用时长分的忠诚用户也是不一样的，一般30分以上都为忠诚用户，对比当天的活跃用户。友盟中分为单次使用时长和日使用时长，在单次使用上次超30分都为活跃用户，对比当天的活跃用户可以计算出用户的占比。

5. 功能使用

自定义事件，这边可以对不同的界面，功能进行设置，查看用户对某个模块的点击次数，使用量。

（1）当一个功能入口频繁被使用，是否可以考虑将他移动出来，放到用户更容易使用的地方呢？

如，在界面1中，各个按钮对于的点击率比较平均，但界面1的子界面按钮3的点击率比较高，那是否可以对此结构层进行改变呢？图中按钮1的点击率为30%，进入子页面后按钮3为50%，那么相对于用户流量，按钮3则为15%。如果将它移动出来，点击率增加（一般乘以3），则为45%的点击率。在数据结果前，我们就有了一定的改动依据，而不是盲目的臆想。

二、把数据拿来做什么

产品数据分析最长遇到的问题就是只有数据没有分析。所以数据需要被拿出来分析，深究，表面的数据是不足以解决问题的。

留存的解析：

留存率的解析（图片摘抄人人都是产品经理-三元方差）。产品3问1解 发什么了什么，为什么会这样，这样的原因是什么造成的，如何解决呢？

1. 留存低；

2. 因为用户觉得界面混乱，或者不喜欢，没有找到想要的（只考虑核心用户）；

3. 界面混乱，没有找到想要的东西；

4. 优化界面，做新用户引导，或者根据算法推荐（不同产品不同优化）。

留存降低，查找原因，进行分析，活动期间查看，浏览数据，查看预期效果。

三、分析的方法

从表面现象看到本质。数据是无法改变的东西，冰冰冷冷，需要从里面看到东西，就得需要分析它的意义。

友盟中实时统计（今天昨天）新增用户、启动次数、时段累积、分时活跃用户，不过这一段的数据不是非常准确，因为今天还未过去啊，过去又变为昨天了，所以我一般自己做这个地方的表来对比数据。

2

友盟中整体数据（7日平均），对比最近新增、活跃用户等等可以看到这周平均数据和相比上周的百分比上升下降的数据。

一个具体的循环，数据是不会说谎的，但是你理解可能会出错。具体数据具体分析。

在使用数据时，要分析和明确他们的作用：

（1）理顺分析思路，确保数据分析结构体系化；

（2）把问题分解成相关联的部分，并显示它们之间的关系；

（3）为后续数据分析的开展指引方向；

（4）确保分析结果的有效性及正确性。

一般产品数据指标体系可以分为：用户规模与质量（友盟中的总用户数，新用户数，留存用户，转化率）、渠道分析（友盟单独的一个功能）、参与度分析、功能分析以用户属性分析。

（1）用户规模与质量：这个指标对于产品来说是个很重要的指标，毕用户数、新用户数、留存用户、转化率分析，是一个APP是否闭环、盈利的指标。

（2）渠道分析主要是分析各渠道在相关渠道的质量和变化趋势，从而准确的评估渠道质量和优惠在该渠道推广的策略。

（3）参与度主要是查看用户使用时长，使用频率，访问页面，使用间隔。

（4）功能分析：页面访问路径：用户访问次数，启动次数点击次数等等，根据自定义事件来关注应用内每一步的转换率。

（5）用户属性一般包括性别、年龄、职业、手机型号、使用网络情况，不管是前期的启动还是后期的调整，分析用户属性都有很重要的意义，比如我们在产品设计前需要构建用户画像，指导设计、开发、运营；产品迭代过程需要收集用户数据，便于进行用户行为分析，与商业模式挂钩等等。（友盟中的终端分析）

四、介绍几个简单的概念

1. PV（page view）指页面浏览量，用户每1次对网站中的每个网页访问均被记录1次。用户对同一页面的多次访问，访问量累计。在一定统计周期内用户每次刷新网页一次也被计算一次。

2. UV（unique visitor）指独立访客，访问网站的一台电脑客户端为一个访客。

3. PR（pagerank），指网页的级别，一个PR值为1的网站表明这个网站不太具有流行度，而PR值为7到10则表明这个网站非常受欢迎或者非常重要。

4. 跳出率，指用户到达你的网站上并在你的网站上仅浏览了一个页面就离开的访问次数与所有访问次数的百分比。这里的访问次数其实就是指PV。是评价一个网站性能的重要指标，跳出率高，说明网站用户体验做得不好，用户进去就跳出去了，网站没有满足用户的期望与需求或是人群定位不精准，反之如果跳出率较低，说明网站用户体验做得不错。

5. 转化率，指在一个统计周期内，完成转化行为的次数占推广信息总点击次数的比率。转化率=（转化次数/点击量）×100%。以用户登录为例，如果每100次访问中，就有10个登录网站，那么此网站的登录转化率就为10%，而最后有2个用户订阅，则订阅转化率为2%，有一个用户下订单购买，则购买转化率为1%。转化率反映了网站的盈利能力，重视和研究网站转化率，可以针对性的分析网站在哪些方面做的不足，哪些广告投放效果比较好，可以迅速的提升用户体验、节约广告成本，提升网络转化过程。

6. 重复购买率，指消费者对该品牌产品或者服务的重复购买次数。重复购买率越多，则反应出消费者对品牌的忠诚度就越高，反之则越低。

7. 活跃度指标：主要衡量产品的粘性、用户的稳定性以及核心用户的规模，观察产品在线的周期性变化。

8. AU（Active Users）活跃用户：用户登陆产品记为一次登录

9. DAU（Daily Active Users）日 活跃用户：每日登陆过的用户数

10. WAU（Weekly Active Users）周 活跃用户

11. MAU（Monthly Active Users）月 活跃用户

12. AT（Daily Avg. Online Time）日均使用时长

13. PCU（Peak Concurrent Users）最高同时在线用户人数：统计周期内，同一时点（通常精确至分）的最高在线人数

14. ACU（Average Concurrent Users）平均同时在线用户人数：统计周期内，每个时点（通常精确到分）的平均在线人数流失、留存指标：观察流失用户的状态、流失前行为来判断产品可能存在的问题。

15. ULR（Users Leave Rate）用户流失率：统计当日登录过产品的用户，但在随后X天内未登录的用户数/统计日的活跃用户

16. AARRR模型

Acquisition用户获取：友盟渠道查看获取新增用户和下载渠道

Activation用户激活：用户使用的时长等等决定了是否激活了用户，可以在友盟用户参与度（使用时长）中查看

Retention用户留存：友盟中查看留存分析可以看到次日带7日的留存，30鈤留存，留存对比等等

Revenue收入：产品如何通过用户盈利

Retention传播推荐：用户带用户传播推荐等等。

六、数据埋点等等

友盟中功能使用中可以

1. 自定义事件做取埋点，查看每个功能（自行添加）的使用情况，使用次数，多少用户使用了，平均使用多少次等等，例如电商产品，付款按钮的使用和付款界面，平均进入了多少次付款界面，付款几次等等，使用频次也是下次改版本的需求哦。

2. 错误列表，查看埋点的功能，用户经常使用的功能，异常的快速处理等等。异常次数，分析原因等等。

数据时时刻刻都在变化的，对于数据变化的把控和分析才能做到对产品起到越来越好的优化效果。

什么是、为什么要、如何数据分析

1. 个人认为数据分析是基于某种目的，有目的的进行收集整理、加工，从而提炼出有价值的信息过程。

2. 为什么要数据分析是因为要达成某个目的啊，哈哈，数据分析可以知道产品的真实清空，从而做出正确的决策。

3. 自己做后台，或者使用友盟这类型的第三方app。

作者：丁磊

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