读初中高中的时候年级组会分普通班和提高（尖子而非有待提高）班，虽学生的能力可能差异不大但当时家庭给予的课本之外的见识以及对学业的热忱程度差异很大，但节奏调性接近的学生聚在一起，那么老师授课的重点就可以从基础水平往中高水平转移，反复加固基础知识也会拖累一些开化更早的学生。所以在我们普通人眼里，能进入提高班尤其是通过自己奋斗能从普通班跳进提高班的人都是有光环的。所以每每考试成绩公布的时候提高班的各门科目人均得分都会远远高于我们班级，尤其是那些极强的高端学生可以和我们开来上百分。人生的风水岭早在那时就已经划分的清清楚楚。但我今天想说的不是这种制度，而是如何权衡班级之间学生们学习水平的方法，必然绝不会对比各个班级在某一门科目或者全部科目的总分，因为人数总是不一致，所以经常采用人均得分作为班级之间的教学和学习水平的高下。学校核心指标一般都是毕业率、升学率，升学的最小对象是学生，考量一个学生能否毕业是依赖于他未通过科目的数量，比如2门不及格则不予以毕业，即便剩余科目都是满分可能也无法顺利过关。所以想要找到提高毕业率的关键一方面在于学生、家长、班主任以，同时也在于每个科目老师交出的完整成绩单。为了简化这个案例，我们假设学生只要有一门不及格就无法毕业，则学校会将全校学生考试全部及格的概率视为学校北极星指标，而这个指标是通过一张包含每个科目老师教育学生群体人数、及格人数的表格聚合计算得出的。互联网如果也这么算会有啥有趣的发现？现在让我们尝试往这个方向推进一下。
周末码字最惬意
App最核心的指标是什么？是利润然后再是利润率、交易额、交易人数、客单价，然后再是月活、日活、人均停留时长，再结合App形态添加诸如视/音频播放量、完播率、直播间访客等。我们挑大家都要用的聊——月活、日活、月留存和人均停留时长。作为管理流量分配的平台方的你必然整天围着这些指标转，但光你一个人焦头烂额地在原地自转还不够你要带动你的下游业务主/线协助你一起提高这些指标，用户点击平台入口后看到了和入口写明的内容不一致的内容、或者页面加载极其慢甚至奔溃、又或者业务线提供的服务已远远跟不上行业内的服务水平，那用户早晚会放弃这条业务线，因为没人想看那些看不懂的界面以及花更多时间却遭受明显低端落后的服务，这种经历只会让人会越发觉得别人家App更香，否则多多也不会这么一骑绝尘。作为App校长你就应该将这些落到一线的科目老师身上，因为提供直接的价值给学生的人是教学老师而非校长。
用户启动App是因为他想用时间、操作、金钱换取一些服务，他需要这个服务然后可能顺带遍浏览个券或者点点启动页和弹屏里的广告。无论是业务办理还是广告浏览都需要用户启动App、消费时间去解读和操作，所以就有了日活、月活、留存以及停留时长。单纯看这些指标就像在看国全人口下滑一样就是个聊资，你需要拿到提高这些指标的钥匙，因为指标上升了就代表App整体创造的价值在提升，就等于有更多的可能获取更高利润额。
App“校长”指标一：业务线贡献App DAU
用户启动App后会有几种操作模式，最常见的是明确自己要什么服务的人会直入主题优先点击该业务线的入口，比如查看物流、签到、搜索想购买的商品等，在办理完之后一般不会过多驻足，除非他已熟悉了更多的业务线都已提升至该App可以解决这这那那问题的意识流之中，每次几乎都会操作的是服务就是他的刚需，这类用户在App内的行为表现为极简主义人士，可能每个月就访问1天每次都访问固定的业务线，如果高频访问则代表他非常需要这些服务，一旦没有这些服务就会引发用户强烈的不适，用户会瞬间抛弃平台；第二种是在完成刚需之后时间有余然后想多逛一会儿，随机性地浏览一些感兴趣的商品或资讯，随机性的操作可能会在另一天完成；第三类比较少，他们启动后可能没有进入任何业务一会就又离开了，或是小概率的误启或者单纯想搜索、浏览一些曝光的信息但没有找到合适的也就放弃了。
那么业务线的DAU贡献该如何计算？我们希望平台指标是能直接和业务线聚合指标直接画等号的即：App DAU = sum（业务线DAU），如果一个用户今天访问了3个业务线则每个业务线贡献App DAU的1/3，如果用户访问了1个业务线那么该业务线贡献1 App DAU，假设用户启动后浏览了或者搜索了下但没有点击搜索结果（甚至前端现实查无结果）就草草离开，则将此类用户标记为“未访问业务线”且计做1个App DAU。那么用户一天访问A业务线和另一人访问A、B、C三个时，A业务线对于用户1来说就是100%的启动动机，而对于第二名用户来说只有1/3，因为可能下次再访问A，今天依然可以先看看B或者C也会促成他今天启动App。如果要更严谨一些可以用线性方式分配App DAU，因为用户访问顺序往往代表了他认为业务线的重要性。
当我们拿到数据后做做成分分析就知道哪些是刚需业务哪些是用户其实并不太在意的业务，每个业务的App DAU贡献值同时也就一目了然，当一个业务线在某个日子做了推广赢取更多了流量后，他的App DAU贡献量就会提升，如果用户就冲着这次活动启动App（如1111、周年庆、星期几活动）就有可能带来了大量的1 App DAU。理想的结果是贡献App DAU排行榜中靠前位置有多个高收的性业务线，而且不要榜单头部看到“未访问业务线”，还有希望头部的业务线较App DAU比重越小越好。
但要注意，业务线如果误读了这个数据是会有问题的，他们会想尽办法让自己成为唯一访问的理由，通过抢占资源位、移除当前业务线内输送至其他业务线的交叉广告或入口达到排挤其他业务线提高自己的成分。这个小号App DAU是用于快速判断波动的原因，你也不想从几十个甚至上百个业务线的DAU逐一找问题。找准可能存在问题的业务线后再去观察该业务线的DAU及渗透率（业务线DAU/App DAU）。当然也可以针对每个业务线做波动天和正常天的DAU的增幅和增量做快速决策，然后按照增幅值分别做升、降序榜单。
App“校长”指标二：业务线贡献App MAU
与DAU累计，可以将用户整个月内访问的业务线做均分，N个业务线每人瓜分1/N，或者额外增加天数概念提高那些访问天数更多的业务线的贡献值。 注意这类指标更多是真实还原了客户对各个业务线的需求。
App“校长”指标三：业务线贡献人均停留时长
有时候个别业务停留时长很长，但因为真正访问的人数很少，其实对App总停留时长几乎没有影响和帮助，此时就会出现牛头不对马嘴的情况。所以我们可以尝试将各个业务线的每日总停留时长除以App DAU，这样可以权衡业务线对App总停留时长的贡献值。但可以想象这个数据是远远低于上面提到的业务线访客的人均停留时长，可能会出现个别业务线（以及功能）人均停时接近0秒。可以想象假设某个资讯版块做了次成功的改版，访问该板块的用户人均停留时长增加10分钟，由于用户规模可观最终给App人均停留时长带来了5秒增长，于是就引申出另一个想法，就是增加对该板块的引流那么用户久留的意愿度会更强。
如上所述，我们其实是将全量访客当作了一个大整体即当作了一个人来看，在对这一个人做指标分析时一切都解释得通了。
网友评论