如何轻松搞定APP数据分析？

#文前小絮#《基于数据分析的产品的思维模式》提到——为什么要数据分析？APP数据分析有意义吗？当然！数据分析的用意本不在于数据本身，而是要打造一个数据反馈闭环。设计基础数据指标，多维度交叉分析不同指标，以数据甄别问题，再反向作用产品，最终形成数据驱动产品设计的闭环。事实上，APP数据分析并没有那么神圣，而一般常用的数据指标也都不难掌握。事实上，数据指标的设计基于两点事实：

1、商业模式和业务背景；

2、数据分析动机和目的；

如何轻松搞定APP数据分析？

正文

数据分析解决方案的提供商是比较多的，甚至说数据分析本身也成为了创业的一种可能。友盟、CNZZ、Talking Data、腾讯云都提供了成套的数据解决方案。以下我将试着以自己的思维模式建立一套《APP数据分析思维模式》。数据分析建模类似于数学的排列组合理论，选择基础指标配合具体的业务需要，因此在数据建模之前有必要掌握常用的数据指标。万丈高楼平地起！

基础指标

1、用户：总用户数、新用户数、留存用户、转化率、地域分析；

2、活跃：日活跃（DAU）、周活跃（WAU）、月活跃（MAU）；

3、营收：付费人数、付费率、付费点分布；

4、应用：启动次数、使用频率、使用时长、使用间隔、版本分布、终端类型、错误分析；

5、功能：功能活跃、页面访问路径、核心动作的转化率；

分析维度

你赚钱的方式决定了你应该关注的指标。从长远来讲，企业风险最高的部分往往是与其如何赚钱直接相关的。基于以上的基础数据指标，结合数据分析的两点事实，可以选取所需的指标，完成APP数据分析：

1.用户分析

分析用户属性为产品改进及推广提供充分、可靠的数据制定精准的策略；

1.1用户规模

基础指标：总用户数、新增用户、流失用户、回流用户；

统计维度：按年、月、周、曰；

指标比例：统一使用”率“表示；

指标说明：苹果端很难取值，可以间接地转化；以激活APP量代替下载量；安卓比较好处理；日月周维度；新增用户/总用户数，说明产品健康度；比值的大小都有影响说明问题；

1.2活跃用户_用户质量

基础指标：日活跃（DAU）、周活跃（WAU）、月活跃（MAU）；

统计维度：按日、周、月，按渠道，按分群；

指标比例：统一使用”率“表示；

指标说明：日、周、月，统计维度依据产品类型/属性而选取；提高这些指标的方式：采取运营活动，推送，签到，任务，积分；以功能和内容驱动，用户APP的使用频率；

1.3用户构成

基础指标：活跃用户、启动次数；

统计维度：按年、月、周、曰；

a. 本周回流用户：上周未启动过应用，本周启动应用的活跃用户；

b. 连续活跃n周用户：连续n周，每周至少启动过一次应用的活跃用户（第n+1未启动）

c. 忠诚用户：连续活跃n周及以上的用户；

d. 连续活跃用户：连续活跃2周以上的的用户；

e. 近期流失用户：连续n周没有启动过应用的用户（第n+1周启动过）；

f. 周活跃用户：当周启动过应用的用户（去重）；

指标比例：统一使用”率“表示；绝对值——展示的是个用户成分的数量，百分比展示的是活跃用户 成分占周或曰用户的比例；

对周活跃用户数据进行的成分分解，并通过历史数据预测未来数据变化趋势的模型。该模 型帮助您对应用后续的用户活跃和留存等进行科学预测，并制定有效的规划和目标；

2.应用分析

2.1启动次数

基础指标：总用户数、新增用户、流失用户、回流用户；

统计维度：按月、周或曰，按渠道，按分群；

指标比例：某日/周/月的启动次数占所选时段总启动次数的比例；

指标说明：打开应用视为启动，完全退出或退至后台即视为启动结束；

2.2版本分布

基础指标：启动次数、新增用户、活跃用户、升级用户；

统计维度：按时间、版本；

指标比例：统一使用”率“表示；不同版本的累计用户（占累计用户全体的比例）；

指标说明：展示累计用户排名前10的各个版本变化趋势，可以帮助了解每个版本的新增用户，最新版本的升级情况，目前的哪些版本状况；

2.3使用状况

基础指标：使用时长、使用频次、使用间隔；

统计维度：日、周、月；版本、渠道、时间段；

指标比例：某日/周/月的启动次数占所选时段总启动次数的比例；

指标说明：统计周期内，一次启动的使用时长；一天内启动应用的次数；

用统一用户相邻两次启动间隔的时间长度。

2.4终端类型、错误分析（不做详细介绍）

3.功能分析

a. 功能活跃指标：某个功能的活跃用户，使用量情况；功能验证；对产品功能的数据分析，确保功能的取舍的合理性,

b. 页面访问路径：用户从打开到离开应用整个过程中每一步骤的页面访问、跳转情况。页面访问路径是全量统计。通过路径分析得出用户类型的多样、用户使用产品目的的多样性，还原用户目的；通过路径分析，做用户细分；再通过用户细分，返回到产品的迭代。

c. 漏斗模型：整个漏斗所关心的最终转化率的目标是序列中最后一个事件。用户转化率的分析，核心考察漏斗每一层的流失原因的分析。通过设置自定义事件以及漏斗来关注应用内每一步的转化率，以及转化率对收入水平的影响。通过分析事件和漏斗数据，可以针对性的优化转化率低的步骤，切实提高整体转化水平。

4.行业分析

指标说明：行业数据可以帮助了解行业内应用的整体水平，可以查看应用的全体应用或同类应用中各个 指标的数据、排名及趋势，有助于衡量应用的质量和表现；

统计维度：用户规模、更新频次、应用排名；

指标比例：全体排名和同规模排名；

了解行业数据，可以知道自己的APP在整个行业的水平，可以从新增用户、活跃用户、启动次数、使用时长等多个维度去对比自己产品与行业平均水平的差异以及自己产品的对应的指标在整个行业的排名，从而知道自己产品的不足之处。

5.渠道分析

指标说明：渠道质量的评估，不同渠道获得用户的行为特征监控、判断问题；

统计维度：时间段、不同渠道对比；基础对比（新增用户、新增账号、活跃用户、活跃账号、启动次数、单次使用时长、次日留存率）；

可以从多个维度的数据来对比不同渠道的效果，比如从新增用户、活跃用户、次日留存率、单次使用时长等角度对比不同来源的用户，这样就可以根据数据找到最适合自身的渠道，从而获得最好的推广效果。

行文小结

我认为是产品业务逻辑的分析。基础数据都是普遍适用的，而特定业务的个性化指标设计才真正考验功底，数据分析本质上是对产品业务逻辑的理解和把握。脱离产品，脱离具体业务场景的数据分析都是毫无意义的！

本文作者：互联网产品小王原文地址：戳这里

一个产品人的内心独白！专注工具和内容型产品，关注互联网金融、农村电商和财经领域。从事互联网财经社区产品设计，喜欢看书、乐于思考。产品即人品，人品即产品！