近两年，有个概念叫“用户增长”，非常火热，它反映出来越来越多的App开发者面临用户增长的难题，也开始注重用户增长这个问题。特别随着数字经济的发展,大多数据分析团队都会接触和增长相关的业务场景。很多同学会经常看到“用户增长”“增长黑客”“增长团队”之类的说法，并且这些岗位常常一眼看上去和数据分析有关系。

比如：

“建立系统的增长模型，驱动增长的持续化和规模化”

“构建用户转化漏斗，挖掘留存关键点，发现深层问题”

“分析目标用户，建立用户画像，优化增长策略”

猛一看似乎自己都能干呀，但似乎又有点区别。那到底“用户增长”和数据分析有多大关系？

首先,需要明确,做增长本质上还是要为用户提供有价值的东西。而大部分人在做增长的时候，却关注的是一堆数字和短期目标，诚然，关注于优化某个指标是一件十分重要的事情，但是不能真正满足用户需求的增长，又有什么用呢？

由此,我们先梳理一下用户增长中经常面临的问题:

如何快速的了解一个App产品，以及它的生存现状？

如何快速的弄明白一个App产品当前存在的问题，如何优化解决这些问题

如何通过快速版本迭代优化用户体验？

如何进行精细化的运营？

面临这些难题,如果没有一个系统的数据分析思维，是很难回答清楚的。接下来，这篇文章将试图介绍如何建立并使用系统的数据分析思维，去解决用户增长问题。

一思维决定能力

数据分析思维，是数据分析的利器。

拥有一个良好的数据思维，就能将问题映射到具体的业务模块，确定问题的紧急程度，然后，使用各种分析技巧寻找根本原因，制定解决方案和规划，最后执行计划解决问题。是否具备一个完整的数据分析思维，决定了我们能否有章可循的解决问题。

其重要性在小聚在之前的文章中已具体讲解过,这里不再赘述。

二 思维是一种模式

我们试图找到一个通用的数据分析模式去分析所有的App，是否存在这样一个通用的分析模式呢？

答案是肯定的！下面我们讨论一下所有App的共性点，有共性点，就可能会有通用的分析模式。

2.1 了解App的宏观指标和行业知识

刚接触一款App时，了解它的宏观概况和行业知识，能帮助我们快速的了解：

App所在行业的特点以及功能要求

App在该行业领域的地位

App的用户群体的特征和生命周期

App所处的生命周期

App的健康度

App的健康度，可以通过当前App的用户活跃度，留存率等宏观指标来观察出来,宏观指标对比行业数据指标。

App所处的生命周期需要重点分析。

一般，早期的App处于扩张期，用户量出现急剧的增长，DAU／WAU／MAU的增长能掩盖很多问题，即使偶尔意识到一些小问题，也可能没有足够的人手和精力去解决它；当App度过了疯狂扩张的窗口期，各种细节问题成了优化的关键点，这个时候App对于数据分析和用户增长需求开始增加。

App在不同的生命周期有不同的用户和业务增长方法，弄清楚这些大背景，我们才能分析每个问题在当前阶段的紧急程度。

要想深入了解一款App并进行数据分析，第一步便是归纳总结它的宏观数据和行业知识。

用户模型是进行数据分析和用户增长分析的重中之重！只有了解了我们的用户才有可能对问题进行深入的洞察和分析。一般了解分析按照以下步骤进行:

对用户的认知，是我们进行一切数据分析的基础。在后面部分可以看到，我们在分析任何问题时，都需要观察用户的行为，基于用户参与度对用户进行分组，然后对比分析行为差异，得出猜测。

2.2 建立App核心指标体系

App的问题排查和优化的前提是：建立一套核心指标体系。这样做有以下几个意义：

建立全方位的App监控指标，随时观察App健康度；

用来判断每个工作的重要程度。

很显然，每个App都需要建立一套核心指标体系。

如何建立核心指标体系是一项严谨的工作，它的内容将直接影响未来的工作重点。这项指标体系要满足以下特点：

包含App所有的重点指标

每个指标要细化，要深入到根本，能反映真实的用户变化

每个指标要是可度量的

建议按照用户在App内的生命周期来设计指标体系。互联网的[AARRR]模型将用户的生命周期划分为5个步骤。这是依据用户行为的漏斗模型划分的用户生命周期。

图1. 对用户生命周期划分的AARRR模型

2.2.1 获取阶段的核心指标

获取用户的指标，重点是通过这些指标对比不同渠道的价值。

App的下载量绝不是一个好的指标。单纯的看下载量，我们永远不知道有多少用户看了我们的内容，有多少用户完成了关注和注册等行为。想要对比渠道的好坏时，依赖下载量也绝不是一个可靠办法。我们需要根据每个渠道中真正使用了我们App的用户来对比渠道的价值。

因此，我们得出一个核心指标：不同渠道下载到激活，再到用户阅读／注册的转化率。

现在我们有工作要做了，就是不断的去优化这个核心指标：

快速频繁迭代你的启动页与注册流程以提升整体激活，阅读／注册转化率。这没有固定的成功公式，就像一句话说的：「做大量的测试和 A/B 测试，做大量的猜测并快速的迭代」；

持续不断的检查你的转化率，当你发现迭代优化的收益变小的时候，就先暂停一下；

加倍投入那些低成本、高转化率的渠道。

这并不意味着你要完全放弃那些低质量的渠道，因为广告也有收益递减：你花费20,000也可能得不到与之前花费5,000相同的结果。但只要保持对转化率的关注，你就可以把产品推进到正确的方向上，不用过多的担心。

把尽可能多的用户带到你真正的产品里面，这就是在AARRR 模块中的获取部分我们要做的所有努力。

2.2.2 激活阶段的核心指标

首先，要明确一个概念，激活不应该只是限定为首次打开App。这个只能代表用户在尝试你的产品，而只有当用户在发现并认可了产品的价值，并决定继续使用的时候，才代表这个用户激活了。

所以对于我们来说真正重要的是，为什么有大量用户没有深入使用我们产品？

其核心问题是：

有多少用户没有正确的激活；

正常用户的比例是多少，是否有作弊用户；

正常用户在哪些地方迷路了；

哪些流程是需要去改善的；

要想弄明白这些情况，可以使用漏斗和用户细分的技巧

从首次打开App到深入使用产品的过程像是一次冒险，用户会在其中流失掉，而且他们可能永远不会再回来了。

解决激活问题的最好的方式是创建一个包含这个过程中每一个步骤的漏斗，跟踪每一步转化率，然后当你看到用户在哪个地方流失时进一步深入进去。反作弊用户需要和渠道获取用户阶段结合分析，建议在获取用户阶段制定严格指标把作弊渠道和作弊用户控制好。

使用漏斗和用户细分，找到用户流失最大的步骤，以及影响用户深入使用的关键功能和步骤，就有了一个基本清晰的、数据驱动的途径去把产品真正的做的更好。

激活阶段的核心指标不是固定不变的，当解决了一个问题之后，可能会发现另一个亟待优化的点又暴露出来，这时候，我们就需要制定新的转化率指标。

2.2.3 留存阶段的核心指标

新增用户和活跃用户的留存率，是我们应该关注的指标，它们可以反映当前用户和产品的留存率的宏观状况。但是这些指标又带有一定的“虚荣性”，因为我们无法通过这几个数字确认，影响用户留存的原因是什么。

这一阶段的核心指标是：通过用户分群分析，归纳总结出哪些重要行为影响了用户，决定了用户的留存率，然后使用发生这些行为的用户在总用户中的比例作为核心指标。

这个核心指标的目的是向我们展示着人们如何使用产品，是什么让他们离开，是什么让他们留下来，是什么让他们转化为我们的忠实用户。我们在该阶段的目标就是提升这个重要指标。

同样的，留存阶段的核心指标也不应该是固定不变的，我们需要使用用户分群作出分析，制定出最能反映用户情况的核心指标。

2.3 掌握产品分析优化闭环流程

解决一般问题的流程和技巧是：

在我们的数据分析工作中，一个重要的工作就是对App中存在的问题进行解决和优化。依据上面的一般流程，我们可以按照如下步骤来进行分析优化工作：

这是个分析优化的闭环流程。基于此流程，我们可以快速的尝试，归纳总结，提升核心指标。

2.4 掌握常用的数据分析技巧

2.5 掌握常见的用户增长策略

三 思维需要灵活多变

每个App都有独特的行业，用户群体，宏观情况的数据等等。这也就决定了我们不可能得出一套放之四海而皆准的核心指标，每个App的核心指标，必须是基于对特定App的深入理解和剖析，而得出的最适合该App的指标。这要求我们的数据思维能够灵活的去适应每个App，基于App独特的行业，用户群体，宏观情况的数据等情况，思考出当前阶段最需要的指标体系；

上面介绍的产品优化闭环流程，也需要我们灵活的应用到每个App产品中。App要优化的指标不同，产品功能页面不同，和我们合作的产品或者运营同事不同，都可能影响我们的决策和实施。这里也没有一个标准，我们可以本着灵活的原则，快速的迭代尝试，归纳总结。

不同的场景，需要使用不同的数据分析技巧和用户增长策略，要视情况而定。我们要多积累数据分析技巧和用户增长策略，然后多尝试使用，理解不同的分析场景适用的分析技巧。

四 常见的数据分析和用户增长问题

我们在工作中所做的一切努力的本质，都是为了用户增长。然而，我们遇到很多数据分析的问题，有的问题看起来和用户增长的关联性比较大，比如用户注册率，用户留存率等；有的问题则看起来跟用户增长没有太大的关联性，比如某个活动页面的转化率等。

常见的数据分析问题有:

市场问题:我们一般关注：渠道量，转化率以及ROI；

运营问题:我们关注活动效果，GMV，ROI，和活动留存；

用户问题:我们关注关键业务流程、关键行为次数、人数、频率、占比；用户的结构（性别、新老、地域等），分层（活跃、非活跃），留存；

产品问题:我们一般关注功能的使用率，参与度等。

技术问题,市场问题，因领域不同各异。

这些问题，都离不开对用户的理解，都可以通过用户趋势，用户结构，用户分层，用户使用深度，以及用户行为分组来进行分析。

所以，这里强调一点：我们遇到的大部分问题，都需要对我们的用户有深入的理解，然后通过用户分组，分组用户的模型和行为洞察来分析。

最后,基于文章中这个思维和流程，当新接触一款App时，我们能够快速的认知它，制定出合理的核心指标，而且能凭借自己熟悉的思考体系进行用户增长的尝试，以求对产品和用户增长作出优化。这个过程有逻辑性，严谨而目标明确，抛弃“虚荣指标”，专注核心指标的优化，返璞归真，精益求精；而不是盲人摸象，生搬硬套。