如何利用数据助力产品优化及增长
数据分析过程中由于涉及到的场景、维度、指标错综复杂，因此在实际的分析中也会存在多种可能，而数据分析报表在有些特殊情况下还不能面面俱到，但有一点趋势是我们能够看见的，随着大家对用户的理解、用户行为的更深入分析，以及分析模型的不断探索，一些通用的场景被我们抽离出来并且抽象为一种可被复用的模型，在这样的工具之下，无论是产品还是运营的分析工作变得更加简单和快速，生产效率得到进一步的提高。但这仍然是不完整的，人工取数分析仍然占一定比例，那么我们就有机会抽象出更多的共性场景和模型，助力产品、运营增长。
一、背景
随着大数据产品的发展，市面上也出现了越来越多针对于app统计分析的数据产品。而随着数据采集的规范化、数据分析的精细化以及精准营销的更高要求，我们对于数据产品的要求也变得越来越高，不仅能够满足基础指标的分析，更需要能够支持更加灵活和可扩展的分析，同时，由于数据采集的发展，指标统计越来越丰富，也对分析人员提出了更高的要求，如何从纷繁的数据中找到对的数据透过数据看到本质。
因此，我们面临两个问题。一是从产品上来说，数据分析需要除了能够满足基础的指标分析，还需要能够满足更加灵活和可扩展的个性化分析需求。二是从数据工具的利用上来说，需要不同的用户在面对这些数据时能够从中选择与自己息息相关的指标进行数据的分析。那么我们到底应该如何做呢？
本文将从数据分析产品面对的用户、用户需求、需求场景出发，回答上面的问题。并对比目前友盟所有功能，分析是否满足当下需求。
二、用户需求分析
将目前用户分为3类，产品leader、产品经理、市场及运营。其对应需求也并不一样，但基本可以概括如下：
三、 数据场景分析
了解了用户需求，为了满足需求实现产品目标，不同的用户在不同的场景下需要关注哪些指标，这些指标如何分析，分析的结果又如何帮助我们进行产品优化和增长呢？接下来我们分角色和场景进行详细的阐述。
1.角色场景分析-leader
我们先从leader 出发，想象你是某个业务线的leader，你会事无巨细去关心所有的功能使用情况，有多少用户从新增变为了成长，今天的活动又挽回了多少用户这样的数据吗？大部分leader 是没有这么多的时间去事无巨细的去关心的，他们更关心一些基础的指标，或者说是与kpi相关的指标，比如新增用户量、活跃用户量、产品留存率、营收状况等关键指标，一些资讯或者内容类的app，关键指标还会包括使用时长等。
而业务leader的工作属性决定了他们需要以最快的速度获取到这些数据。而大部分数据分析工具都会提供诸如整体趋势概览的模块，为用户提供关键指标概览，让用户较快的获取到这些数据。同时，由于个性化需求的存在，这些网站还会提供一些自制看板功能，用户可以将常用分析指标或者报表添加到看板中，方便快速查看获取指标。不过，友盟看板指标目前只提供固定的基础指标，主要是一些短期指标，不能够自定义（我找了下确实没找到），因此可能无法完全满足以上需求。
因此，若我们提供了更具概括性的关键指标（kpi）概览是最好的，甚至是用户可进行kpi达成情况与目标情况的手动配置和分析，业务线leader 配置业务目标，报表展示现阶段kpi指标与目标的差距及表现情况。如果没有这些功能，那么我们可以提供自定义看板，用户可将关键指标配置到一个页面中，快速了解产品指标情况。另外，我们还可以提供关注功能，例如，用户可以将某些报表设置为关注，这样用户每次进入的时候就不用找报表，尤其是当报表很多的情况下能够方便用户快速定位目标。
2. 角色场景分析-产品经理
产品经理需要分析用户，对功能优化，满足用户的需求，实现产品增长。而产品经理在了解产品使用情况，围绕着产品整体表现、用户画像、页面访问、功能成功与否时一般面临着如下的一些疑问：
产品新增、活跃、留存、用户启动次数、使用时长等关键指标是怎样的？
是否目标用户中一定比例的用户都使用了这些功能，用户定位是否正确，现有的用户画像是怎样的？
用户都喜欢访问哪些页面，各页面的跳出率如何？
功能的使用人数有多少，他们的使用情况（次数、频率、时长）如何？
新用户使用了功能后功能留存、产品留存如何？
通过某功能用户是否继续按照产品的设想进行下一步操作，关键功能路径是否顺畅，各节点转化率如何？
产品要改版，功能要上新，功能是否符合用户需求，用户是否买账，或者哪个方案更优？
若是内容性或电商类型的产品，会涉及到个性化推荐，则会思考，如何进行个性化推荐，推荐的内容/商品用户点击率是多少，浏览的时长以及转化结果如何？
问题场景这么多，如何解决呢？下面我们一个问题一个问题的详细解说。
基础指标不再赘述，新增、活跃、留存、用户启动次数、使用时长等关键指标是最基础的指标，也是每一个产品经理每天都应该关注和熟记于心的指标，也是统计分析类工具都提供的基础分析支持。
产品预设的用户、用户定位是否正确，现有活跃用户的用户画像是什么?这个问题关系到产品定位是否准确，功能规划是否合理以及产品之后的调性等等，因此都会是产品经理非常关注的问题。在这里，产品经理可以通过用户分群功能筛选所有新增、活跃或留存率高的用户，并对用户进行画像分析，分析可包括用户的性别、年龄、城市等级、兴趣爱好等等，从而了解到产品现有用户画像是什么样的，是否符合产品定位，并及时进行调整和优化。
关键页面的页面来源，关键路径上页面的跳转以及流失率可以帮助产品经理了解用户对于页面及功能的偏好，了解用户的访问路径是否与产品设计一致，哪些页面流失率很高，抽出这些页面，对页面进行分析，找出用户流失的原因，优化页面功能，提高用户转化率。而针对用户对页面的访问情况，跳出率数据则可以通过基础看板-功能分析下的页面访问路径进行分析。而目前的路径分析主要包含两种方式的功能实现：
1） 全部路径分析，即将用户从首页开始的所有路径进行分析，用户的步骤可能有n步；在全部页面中，选择某个页面为起始页，将该页面设置为起始页，分析用户路径
2） 定义重要页面/事件路径分析，即定义好起始落地页，分析用户从起始页开始，在之后的每一步操作中到达这些重要页面的占比分布
第一种方式是一直以来大家通用的方式，我在之前的工作中使用的也是类似这样的产品功能分析，这样设计的优点在于能够一眼看出整体用户的的路径和页面分布，缺点是一般会将一些流量较小的页面聚合计算，因此不太容易知道这些流量不够的页面的表现，而第二种方式正好能够弥补这个缺陷。因此，如果两种方式结合，则产品既可以看到全面的路径分析，同时也可以根据当前页面分析的需要，选择部分页面分析用户路径，减少不必要的干扰。
功能的使用用户数及次数，可以反映功能的使用情况，可以通过基础看板-功能分析下的自定义事件进行分析，且可以清晰看到该事件在一段时间内的趋势走向。不足的是，此处只有事件的分析统计，没有对参数的明细分析，对于很多运营的场景来说，参数的明细同样具有非常重要的分析作用。比如，对于一个音乐app，你知道了听歌这个事件的用户数，但同时你也需要去分析用户听的是什么歌，这些歌的排行是怎样的。
产品每天都会进行大量的拉新，新用户的留存如何，从很大程度上反映了产品对于用户需求的满足。传统方式上我们关注整体产品的留存，但作为产品同样也关注功能的留存，以对功能价值进行判断和优化。通过用户洞察-行为洞察下的自定义留存，我们可以定义留存分析的初始及回访事件，从而清晰了解到某个事件的留存，对功能价值进行有效判断。
另外，产品很多情况下在预设了用户的访问关键路径后会需要知道关键路径各节点的转化率如何，以对产品进行问题跟踪和优化。比较常见的一些关键路径的分析，比如注册流程，购买流程等，往往因为程序故障或者设计不合理都会导致某个节点转化率降低影响到最终的转化率，针对这种场景，漏斗分析是最常见的分析模型。友盟的漏斗模型可以实现灵活的配置漏斗模型的每一步，实现对关键路径的分析，找到异常原因进行改善。
最后，功能上线或版本要更新，这些规划是否合理，这种场景下更需要对功能的使用情况，使用后用户的留存率与原版本或者备选方案进行分析对比，进行A/B test就成为了必不可少的步骤。通过自定义事件可以分析新功能的使用情况，而通过自定义留存则可以分析使用过这些功能（被测试）的用户的留存情况，通过这些数据，产品经理可以有效判断改版是否进行，功能对用户是否有价值，是否上线。
除了这些方式，当页面排版或者页面功能存在多种选择时，我们还会通过热力图的方式进行A/B test，测试不同版本，或者功能放在不同位置用户的点击情况，从功能的点击上更加直观的看到效果，但是对于这些用户的留存分析还是需要其他数据的辅助。这里我比较喜欢神策的热力图功能，不仅具备传统的对于页面热力图的分析，还创新性的增加了下钻功能，即可以跟随用户的点击行为下钻查看点击了该功能的用户进入页面后又点击了哪些区域，使用了哪些功能。我觉得这样的设计，一方面我们可以查看整个页面用户的点击分布，同时又能够下钻查看用户的路径分布，跟随用户的轨迹看到真实可视化的点击分布情况，更加直观和具体。
数据助力产品增长，个性化推荐大概是绕不过的话题，在此借鉴协同过滤的思路，有两种方案供选择；
1. 基于人口统计的推荐
找到与A用户相同属性的用户，并将这些用户感兴趣的内容推荐给A。
2. 基于商品分类的推荐
对商品/内容进行分类，一旦用户查看了某商品/内容，就可以给用户推荐同类型的其他商品/内容。
第一种方案基于用户画像的推荐，相同属性包括性别、年龄等基础属性，对于冷启动阶段来说，这些属性比较容易获得，因此对于冷启动阶段是比较好的方案，但由于属性比较粗，推荐的效果可能也不那么好。比如冷启动阶段可能仅仅将用户分为男女，对男性用户推荐一些体育用品，而对女性用户推荐化妆片。因此需要后期不断丰富用户画像，完善推荐。而第二种方案是通过商品之间的关系来推荐用户，将商品进行分类，比如，我们将电影分为了科幻、动漫等，我们认为用户A看了动漫电影m，则会继续给他推荐更多动漫电影，这样的推荐效果相对来说会更好，但是分类是一个技术活，如何进行分类是一个比较复杂的事情。
这两种方案是相对简单逻辑和工作量的推荐，协同过滤则是在这两种方案上的升级，在第一种方案基于用户的协同过滤中对用户的划分不再仅仅根据性别、年龄等非常粗粒度的属性进行，同时将用户的历史行为等都纳入进来，这样，用户的划分就更加精细，推送的效果也就更好。而第二种方式，基于商品的协同过滤，在商品的分类上则是根据商品用户的重叠度对商品进行划分，用户重叠度越高，商品就有更大的可能是同一类的，根据历史数据，商品的分类会更加贴近用户选择，商品的组合也许看起来不那么合理，但数据所反映的就是人们真正的行为，类似于啤酒与尿布的经典案例（这里不讨论案例的真实性）。
3. 角色场景分析-运营/市场
运营应该是查看数据最多的用户了，在精细化运营的今天，运营也必须不断的从数据中找到规律才能在流量红利不再的今天实现更加快速的增加。那么从运营的角度来看，运营在日常工作中有什么样的需求场景和数据分析需求呢？
在我看来，运营的工作场景从大的角度上来说是完全可以概括为AARRR理论的5个阶段的，获取用户、激活用户（提高用户活跃）、提高留存、获取收益、促使用户自传播。因此，运营的所有工作基本都是围绕着增长模型的5个阶段展开的，只是在不同的阶段，关注的指标和分析的方式各有不同罢了。
（1）获取用户
当我们谈获取用户的时候，我们在谈什么？我们首先要做什么？作为运营，你脑子里最开始蹦出的是不是下面这些问题呢？
产品的目标用户是谁？
如何高效触达这些目标用户？
通过哪些渠道触达用户，这些渠道引流质量如何？
做什么活动，活动的效果如何监测？
产品目标用户的精准定位，决定了拉新的效果，同时，定位精准也能够减少活动推广的成本，想象你将一款类似soul这样的社交软件广告展示给一个农村老人，得到的效果会好吗？不仅效果不好，抢占了资源，同时还可能因为曝光或者误点击造成投放成本的上升。那么如何找到我们产品的目标用户呢？这个问题在产品的不同阶段会有不同的答案。
在产品初创阶段，由于产品还没有用户沉淀，这个时候，我们没有真实用户的画像数据，这时候的推广需要根据产品定位以及同类别产品的用户画像进行分析和定位，可以通过一些提供分析报告的网站获取，当前友盟在行业分析上只是提供了一些基础指标的对比分析，而没有更详细的数据。
通过一段时间的沉淀，我们开始拥有自己的用户数据，这时候我们就可以根据app现有活跃用户或购买某个产品的用户的画像进行分析，得到目标用户的特征。我举个真实的例子，我们之前卖了一款耳机，当时我们只知道产品的大致定位目标用户，不知道用户的具体特征，因此我们将历史购买过的这一部分用户抽取出来，分析他们的用户画像，包括性别、年龄，城市，消费水平，收入水平，喜欢安装的app类型，喜欢启动的app 类型等等，这样，我们就知道了历史购买用户的画像特征，并以此预测目标用户的特征。找到这些特征的用户进行拉新。当然，如果历史购买用户的样本量太小，可能存在偶然性，但我们在正式推广投放前会将特征进行验证。比如，建两组人群，产品本身定位人群 vs 以上分析出的人群进行推广拉新并查看数据效果，验证之后，我们再将以上分析出的多个特征进行拆分，通过特征的组合筛选出不同的人群进行推广测试，找到效果最好的特征组合。最后我们通过确定的特征组合，圈选出具有这些特征的用户并进行推广。
这里，友盟提供了用户洞察-人群洞察功能，我们可以通过用户分群功能找到做过某个动作的用户，并通过用户画像功能对用户进行画像特征的分析，而且这里的画像维度相对比较多，能够覆盖用户大部分的场景。不过，用户画像这里将目标人群与大盘人群进行画像对比，是否可以考虑在基准人群中增加行业分类作为大盘用户呢？因为用户真正关心的可能是自己的用户与行业用户之间的关系和差异。
关于如何高效触达这些用户，由于我们这里讲到的是拉新，因此当我们获取到目标用户的特征以后，不可能通过push 推送的方式获取，需要通过广告等其他投放方式进行。友盟目前貌似是对接了腾讯dsp平台可进行广告投放。由于我们对投放人群进行了比较精确的分析，通过这些画像特征来圈定人群能够极大的提高投放效率同时降低成本。
另外，app推广中我们会在应用商店上架app，至于展示给哪些用户受到应用商店个性化推荐及策略的影响。这时候，我们会更关注不同渠道的引流能力，以及引流后用户留存，用户质量，因此对渠道进行分析，也是我们提高投放效率，降低成本所必须采取的方式。这里，友盟提供了渠道分析，可以对不同渠道引流用户的活跃情况，启动次数，使用时长，留存率等关键指标进行分析，帮助运营了解渠道引流能力及渠道质量，对渠道进行选择。同时，还提供了时段详情分析，分析不同渠道在每一个时刻的表现，对渠道推广时间进行分析，选择合适的时段进行推广。
接下来我们还需要知道活动的效果，包括广告本身的曝光量，转化率，ROI等，也包括新增用户量，新用户留存等，前者可以通过在广告投放时集成友盟的移动广告监测获取数据，后者，友盟提供了用户分析-新增用户，以及留存分析。我们还可以通过自定义事件对活动参与情况进行分析，通过漏斗分析用户在活动的哪个环节流失，为什么流失。这里不足的是，运营活动往往很多时候是需要一些实时的数据的，比如，我们做了一个帮好友砍价的活动，如果我们以 T+1 来看数据趋势，往往有一定的滞后性，导致活动热度在昨日下降却没有及时进行补救，因此这里还需要提供一些实时的事件/活动统计，便于运营根据活动效果及时作出应对。
（2）促活
运营常用的手段是push消息，制造活动来促活，这里就会涉及到个性化的问题，即将用户划分为不同的群体，由于用户的兴趣千差万别，因此用户最终收到的推送也是千差万别的。我们可以将这种推送概括为在合适的时间，合适的地点，将合适的内容推送给合适的人。
用户分层作为基础就显得至关重要了，用户分层我们可以理解为给用户打标签，不同标签的用户就是一个分层或者不同标签组合成一个分层。例如，在资讯中，我们将用户划分为喜欢看体育、历史、娱乐、育儿、健康等分类的用户，就是将用户在资讯内容上进行了分层，但用户可能涉猎广泛什么内容都会看，这种情况下如何给用户分层更加合理呢？我们又引入事件的权重，包括用户浏览的时间距离当前的时间，浏览的频次，被动阅读或主动搜索，是否评论、点赞、收藏等等，通过这些，我们可以再次对用户进行喜欢程度的划分，对用户的兴趣偏好进行排名，实现更合理的分层。
由于实际推送中影响因素众多，不同的事件和筛选条件可以组成非常多的分组，如果只是通过人力进行push，还需要运营同学总结经验，将一些固定条件的人群找出来，并纳入常规化运营。比如，我们之前在做资讯的推送时，经过长时间的测试，发现最近n天看过m篇军事文章的用户，为他们推送军事类的push消息时转化率就很高，这种群体就会被保留为一个常规化的群体，每日更新数据进行推送。
这个过程只是找到了合适的人，那么接下来是找合适的内容。仍然以资讯为例，这里我们可以结合几点去选择内容，一是热点，二是根据app内容库文章的阅读量，阅读上升速度去进行文章的选择，文章阅读量和阅读上升速度理论上是可以通过事件-参数分析获得的。
接着是合适的时间和合适的地点。这里我举一个反例，大家有没有这样的体会，上班中途拿起手机，刚一解锁，各种推送铺天盖地而来，手机都给你震碎，我上班途中休息一下，你给我推送个王者荣耀，我倒是想玩，条件不允许啊。好不容易下班玩个吃鸡，刚瞄准呢，千钧一发之际，各app相约push,瞬间push挡住了我的视线，等把消息拨开，自己也倒下了。
以上场景我觉得很多同学都遇到过，这就是没有在合适的时间和地点进行推送的典型。那什么是合适的时间和地点呢？比如我早上挤地铁，这时候实时位置发现我在地铁上，这个时候是不是可以给我推送个资讯什么的呢？我晚上到家了，常用位置判断我的家庭住址，并且能够实时判断我已到家，这个时候是不是可以推送游戏了？我正在玩游戏呢，这个时候适合做推送吗？恐怕不适合吧，游戏结束，是不是可以推送了？当然，最后一项需要知道用户当前启动的app类型，权限相对较高，不是每个app都能够获取的，如果能够获取这样的方式当然是最好的。实在不知道是什么时间，我觉得还可以对用户使用app 的时段规律进行分析，用户在一天中的哪些时间段更容易打开本app，周内是什么时间段，周末又是什么时间段，而不是逮着用户一解锁就一窝蜂的开始推送呀！
所以在这里，建议友盟可以对用户活跃时段进行分析，统计用户在一段时间内，周内活跃时段，周末活跃时段的规律，并可将不同时段的活跃用户保存为分群，方便运营选择合适的时机进行推送。与此对应的是用户当前的事项，一些比较简单的方式，比如上午上班时段，用户通勤方式，开车还是挤地铁？用户在家还是出差路上，通过这些常见的场景，如何控制推送的时机，减少push转化率低带来的高成本。
（3）提高留存
提高用户留存，在很大程度上需要产品与运营同学配合进行，产品发现用户需求，可能是功能的需求，可能是类目扩展、内容质量提高的需求，这一点和前面提到的产品需要进行的一些工作是向对应的就不再重复讲。而运营同学提高留存则是和促活一样，需要通过一些类似于活动或者是push 的手段提高留存。
这些指标除了明确只要指标的重要性，非常重要的一点是我们需要定义清晰计算的方式的合理性。什么是计算方式的合理性，我举个例子，之前我接触到一个to B业务，一直再谈活跃和留存，但是我发现他们在定活跃率和留存率时基数（分母）是全网累计注册用户，这里的问题是什么呢，一个注册无门槛使用有门槛的to B 分析平台，如果我们将累计注册用户作为目标用户是可能定位不准并造成资源浪费的。因此我给他们提出对历史累计用户进行一些处理，比如注册一年以上，注册之后再没有访问过网站的用户，这样的用户可以剔除。留存的目标定位到我们的客户（开通了网站功能的用户）等等。
坊间传闻对于用户留存有一个比较神奇的魔法数字是运营同学应该去探索的，即分析那些留存率高的用户，他们在使用了你的产品以后都做了一些什么，找到这其中的规律，并引导之后的新用户做出同样的行为。例如某社交app发现新用户在第一周内若关注了7个kol基本就会留存下来，那么在段时间内关注7个kol就成为了留存魔法数字。现在的难点其实在于如何找到留存的魔法数字，具体方法可以这样：
1） 找到用户留存前使用哪些功能，若不好判断，可以先将留存率高的用户查询出，分析这些用户使用过哪些功能，找到一些分布比较集中的功能
2） 分析用户使用功能情况与最终留存之间的关系，比如，我们认为用户留存可能与关注用户量有关系，那么我们可以分析，用户在最近n天中关注不同数量的用户最终的留存情况是怎样的，最终找到与留存最相关的功能及魔法数字。
3） 接下来，运营可以对魔法数字进行筛选（可能存在多个相关的魔法数字），并开始执行运营
友盟现有的自定义留存功能可以对功能留存进行分析，但不足的是不能定义用户行为的频次，因此只能找到功能与留存的相关性，而无法分析出魔法数字。
在促活和留存中，运营和产品经理都会非常关注活跃用户，但是由于涉及到运营促活、提高留存，因此在这里我觉得有一点是app分析中非常容易忽略的一点，分析用户的启动来源，用户是主动启动了app，还是push激活，或者是通过第三方链接调起app，这三种来源在活跃用户中各自占比是多少，这样的数据可以侧面反映用户的黏性，并根据占比判断整体用户对app的依赖程度，用户质量，具有非常大的参考价值。
举个例子，同样是资讯app ，A、B两个app主动启动app（桌面启动），push激活，第三方链接调起app的占比分别是（20%，70%，10%），（50%，45%，5%），我们可以看到B app 用户黏性和忠诚度显然要大于A，而且从B app 的角度上来说可以将这些主动启动的用户进行更深入的分析，分析用户的画像和行为，并将这些用户作为种子用户，去拓展更多的用户。
与用户留存相对应的是流失，而流失前大部分用户必经的一个阶段是沉默（也有直接卸载的，直接从新增/活跃到流失），因此提高留存从反向的角度来说还需要解决的是流失预警、沉默唤醒，流失挽回。
友盟新增的“用户增长”模型，将用户按照生命周期划分为新手阶段，成长阶段，沉默阶段和流失阶段，并又将各阶段用户再次细分为不同价值等级、不同沉默/流失风险用户，而每一个等级的用户都可以通过直接保存为人群，这样的好处不言而喻，这些分层人群每一个都有着特殊的意义，都值得运营同学去探索出不同的运营策略对待，比如新手阶段的高成长潜力用户和高流失风险用户，针对这两种类型的用户，高成长潜力用户如何运营将用户尽快转化为成长阶段用户，深层次挖掘出用户的价值。而高流失风险用户运营要进一步分析用户特征，挖掘用户需求，引导用户更多的使用产品，提高留存降低流失风险。这里的分层，更像是一个给用户打标签的过程，打上不同生命周期不同特征的标签，运营则根据这些标签采用不同的运营方案。
不足的是，这里人群的保存只能是一次性保存，而不能设置每日人群自动更新，但这些不同阶段的用户每天都在变化，有一些人群是可以纳入到常规运营中去的。举个例子，沉默阶段的新增沉默用户，这样的一个人群，运营应该有一个常规的唤醒策略，每日对新增沉默进行唤醒，并观察效果，但是如果每日都要手动保存这样一个人群，再手动去做push 推送，是比较浪费人力物力的。之前我门做过一个资讯拉新的运营方案，由于资讯是预装应用，对我们来说新增就是启动资讯app的用户，每天都有新的设备被激活，因此我们的目标是每日从新激活的设备中进行拉新。因此从用户分层上来说，用户是固定的：每日激活设备，而通过多次A/B test之后，我们将push 文案和内容也进行了固定，这样，整个推送就是一个常态化的运营，也并不需要运营同学投入人力进行更多的干预，运营同学要做的是每天观察数据是否异常并排查问题。
分析了用户生命周期及价值分层，对不同分层用户采用了不同的运营策略，接下来我们要对运营效果进行分析。包括但不限于如下：
新手用户多少转化为成长的阶段（通过运营）
沉默阶段用户多少转化回新手/成长阶段
流失用户多少转化回新手/成长阶段
现有报表只对沉默转成长阶段做了分析，其他几个没有做分析，尤其是新手转成长阶段，有些用户是主动转化，即主动启动app，而有的用户是通过push消息或者第三方调起后达到，这些的区分是判断运营效果应该要区分的点，也是判断用户价值潜力可以考虑的点。
（4）获取收益/用户分享
最后是收入和分享，这一块，并不是每个app都有电商模块，因此收入的分析并不是基本的，而社会化分享这一块因为不是常规功能，我们更多的分享还是基于内容和页面的，所以这一块并不是主要的，我在这里不再展开来说。
四、功能建议
1. 说一说push
在分析友盟的产品过程中，由于push 推送这一块与运营息息相关，且无论是促活，还是为了提高留存，都离不开push这个功能，因此我尝试将人群分发到push模块新建任务进行了测试。想象我们自己是运营同学，在推送中我们会遇到哪些场景呢？
不确定这个人群是否就是我们要推送的人群，所以，我们先从人群中拆分一小部分进行推送测试，查看效果如何。
不确定这个文案用户是否买账，我想测试这几条文案，观察用户的点击情况，决定最终的文案，因此我们将目标用户群进行拆分，拆分为多个小用户群，并将多条文案分别推送给用户。
每天新激活设备的用户，都要推送一条常规激活app的推送，条件一样，文案也一样。
这些场景，概括来说就是两种：
1） A/B test 相同用户不同文案测试，找到最优文案；不同用户相同文案，对用户群进行测试；或者是综合不同文案不同用户群测试。
2） 常规推送，定时拉群特征用户并进行固定推送。
在精细化运营的今天这应该是很多运营同学会遇到的场景，尤其是A/Btest 的测试，是降低成本，提高推送效率的必要手段，但友盟现有推送功能，貌似是没有这样的功能的，用户只能：建好分群—建任务—推送，这样，以上的情景就可能需要多次重复建任务，最终一条条找出查看结果再对比结果，挑选出最符合预期的，可以说是非常的麻烦。因此，我的建议是在新建任务时考虑以上场景对产品进行设计。
2.前部分建议汇总
1) 自定义报表指标更加灵活，用户能更灵活配置自己最关心的指标
2) 报表增加关注功能，关注的报表第一时间看到
3) 指标告警功能，产品、运营可设置指标告警，当指标超出或低于某个值，触发告警
4) 用户可自定义路径分析的关键页面节点
5) 事件分析增加参数分析
6) 热力图助力功能优化、A/B test ，热力图下钻模拟用户路径
7) 用户画像将目标人群与大盘人群进行画像对比，可以考虑在基准人群中增加行业分类作为大盘用户，因为用户真正关心的可能是自己的用户与行业用户之间的关系和差异。
8) 提供一些实时的事件/活动统计，便于运营根据活动效果及时作出应对。
9) 用户活跃时段分析，并可将不同时段活跃的用户保存为分群
10) 自定义留存功能增加对用户行为频次的分析，分析出留存魔法数字。
11) 分析用户的启动来源，用户是主动启动了app，还是push激活，或者是通过第三方链接调起app，这三种来源在活跃用户中各自占比是多少，这样的数据可以侧面反映用户的黏性，并根据占比判断整体用户对app的依赖程度，用户质量。
12) “用户增长”模型保存的人群用户可设置一次性保存或每日更新使用
13) 留存效果分析增加新手用户多少转化为成长的阶段，流失用户多少转化回新手/成长阶段
作者：谭德恩
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
