APP数据分析：用户增长和留存的秘密

摘要：本文来自创新工场创业公开课。用户增长始终是困扰 APP 开发者的一大难题，其中一个很重要的问题就是没有对你的应用进行分析。没有意识到为什么用户留存率偏低。从用户获取到收入这个步骤入手，对整个过程进行监控，用数据化的工具进行分析，是问题的良好解决途径之一。

诸葛 IO 创始人孔淼就会基于 AARRR 模型和一些具体案例，来为我们解析为什么要用数据去铺垫产品运营。

精细化的数据运营

第一个，为什么要用精细化运营数据这张图是年初的时候 TalkingData 的一个报告，大家可以看到，整个年龄分布从 90 后到 80 后到 70 后以下，其实整个分布已经越来越均匀了。大家想一下，差不多在 1999年第一波互联网浪潮到 2004年web2.0 到 2009年左右的移动互联网浪潮的时候，当时主要人群主要是 80 后，并没有现在分化得这么明显。

第二个人群城市差异化，大家可以看到一二三线城市的增长速度，意味着人群包括像城市整个沉降越来越快，如果有来自小城市的朋友都知道，现在回家看，大家使用智能设备已经越来越多了。大家再想一下，这三个浪潮的时候，最开始使用互联网的人主要是一二线城市的人，而现在这个图是一个金字塔，三四线人才是一个更有价值的部分。

第三个网络环境，从最开始，早期用塞班的人都知道，大家可能就用 opera 浏览器，用 S60 手机各种省流量，UC 浏览器讲究的是内容。大家看到随着网络环境的改善和优化整个体验变得很重要，用户交互体验变得很重要。

最后一个是根据每个人装的应用列表来看，北京打车偏多，上海理财，广州是游戏，深圳是视频。从表面上来看是几个类型的差异，背后刚好反映的是各个城市人群的生活节奏，包括个人作息时间，个人消费能力等等。这意味着什么呢，这意味着现在包括使用你的应用人群已经越来越差异化了。

举个简单的例子，即使你是做母婴类的，使用者是妈妈，一二线城市的妈妈和三四线城市的妈妈她们消费能力是有差异的，她们平时生活作息时间也是有差异的。意味着她们在使用你 APP 的时候，整个使用行为肯定是有差异的。

所以回到最开始讲到的三波浪潮时期，大部分公司只关注三件事，从 Traffic 到 users 到 revenue，从流量到用户到收入。大家想一下最开始互联网广告赚钱方式并没有现在垂直电商这么多的方式，最开始简单的就是投广告，广告带来流量。包括去 PC 上做 SU 优化，做很多事都是为了扩大人群，扩大流量，带来更多的用户，通过用户产生收入。这在用户群单一的且技术有限的情况下，是有用的。

但是现在很多 APP 的开发者会发现一个很头疼的问题，就是为什么我们的量增不上去，觉得自己做了很多努力还是没有太多的用户，这里面有一个很重要的问题，就是你没有分析你的应用，没有意识到为什么用户留存率偏低。包括现在很多产品会去换量，A 产品跟你换 5000 量，B 产品换到 3000 量，你简单认为 5000 大于 3000 对不对，有些公司稍微再精明一点会去看留存率，即使是留存，大家想一想，每个应用的核心事件不同，知乎就是看帖子，京东是是加入购物车，搜狐视频是看视频。

原来的留存是什么，是打开一个应用，但简单的打开一个应用也不能成为衡量你留存的一个标准。这个时候也就意味着衡量留存时要把用户区分价值来看，真正给你带来产生收入是互动比较强烈的用户，其实你最后衡量这个渠道带来的用户，5000 大于 3000 也许你衡量有哪些人看了视频，有哪些人做了核心事件比例有多少通过这个衡量也许是 3000 的比较大。换过来说，这时候是不是意味着 3000 就是好的，也不一定。最后产生收入要看 UP 值，也许是 5000 的价值比较高。这一件事到底有什么结论，要通过用户的行为往下深入细分，再得到结论。

流量时代何时走向终结

这个是前一段时间 36kr 的一篇文章《流量是在何时走向终结》，它的观点就是以前流量经济在于洗，我不停的去找，有当量的渠道去换流量，现在已经是讲究粉丝经济了，要养，要找到你的用户人群特点。

举个简单例子，跟一线竞争对手扛不赢的时候，你会发现的收入来源大多数来自于三四线小城市，这个时候你没有必要去刷网上的第一位，因为你的核心人群是你的三四线小城市，这个时候你的目标要定向为他们的活动区域比较大的地方就可以了。养粉丝这一块很典型的比如唯品会，唯品会最开始做得比较好的时候就是用二线的品牌去吸引了二三四线城市的人。

AARRR 模型

回到刚刚那个模型流量到用户到收入，我们应该关心的是流量来的是什么样的用户，流量怎么来的用户。用户到收入这个过程到底做了什么，用户是如何产生收入的。

这个时候我要讲到一个经济话语的基础，不得不提到的就是 AARRR 模型。第一个是 Acquisition，即用户的获取。Acquisition 是用户的激活，Retention 是大家很熟悉的，留存，留存的人 referral 会帮你制造传播，再下一步就是收入。

关于用户获取大家应该很熟悉。比如扫码关注，或者你去搜一个关键词，做一个 SEO 优化，或者你找别人换量，或者是别人在某科技博客上写一篇软文带来一些量。再就是社会化分享，通过分享把用户吸引过来，这些都是用户获取的过程。

用户激活，激活就是注册成为你的用户，有一些人到你这来了以后，核心是要他注册账号，如果没有账号体系，你可以认为他来到你的应用就跳过这一步了。像知乎，在首页有一个注册，读文章读到一半的时候也会弹出一个注册。

用户留存就很简单了，持续去使用你的应用。我们建议把这个留存再往下深入，你要把你的人群分层，比如你是一个电商应用，留存就要分四层来看。第一层是浏览商品的留存的人，第二是加入购物车的人，第三是是产生了订单的，第四是完成支付的。分不同层面的意义来讲留存，这就是细化留存。

Referral 就很熟了，用户觉得应用不错，愿意把它分享到社交网络，到社交网络以后带来更多的用户，这就是一个传播的过程，传统意义就是你的东西很有价值。比如卖一个很好的软件，你告诉他用的很不错，就是口碑营销，是最传统的传播方式。前不久我在微博上看到一个知乎的分享，这就是典型的传播方式。

最后就是收入了，大家看一下整个过程，这是我摘自于国外很有名的 PPT 的图，是一个典型的漏斗，用户获取来的人是最多的，用户激活是一部分，用户留存到用户传播最后到用户收入这是一个漏洞，在分析问题时候是要找到这个漏洞的瓶颈在哪儿。

当你发现产品有问题的时候，这个时候要做的一件事就是分析从用户获取到收入这个步骤中，到底哪一步是最大的问题。现在很多人有问题的时候会做很多操作，其实是不利的。因为这会同时改变很多因素，最好的方式是首先要监控起用户获取到收入的整个过程，用数据化的工具来监测这个过程。

先找到 OMTM，这个概念是来自于《精益数据分析》这本书，里面讲到一个很重要的分析方法论叫做 OMTM(one Metric That matters)。在找瓶颈的时候往往有一个非常重要的因素，只要解决了这个问题，就会带来快速的提高。本身你的产品在迭代，不可能一下子解决所有的问题，你做很多操作的时候，到底是哪个产生因素还是不知道，从分析上来讲是不合理的。

常用分析方法

有哪些常用的分析方法呢第一个，其实就是用户获取和用户激活。比如像知乎，知乎注册有多种方式，有一种是来自于你的首页注册，还有一种是你读到一半弹出一个注册框，这是多种注册方式。大家想一下，如果用现有的一些工具是做不到的，因为他最多是给你做渠道和版本上的区分，这时候你去衡量这一部分用户转化率和行为的时候，需要结合业务逻辑条件。比如注册来自读文章的页面或者是注册来自于首页，这些都是结合业务的商业条件，这是需要精益化的数据工具才可以做到的。

分析的过程就是一个典型的漏斗，第一步两个漏斗，第一个漏斗是从首页访问注册的人，第二个漏斗是看文章的，他读文章读到一半弹出一个注册窗口，第二步就是他去读文章，比较这个漏斗看哪一步更有价值，这就是典型的漏斗。漏斗就是很多过程，你要分析这个过程缺口在那里。

拆分用户使用应用这个过程的时候，用户不会完全按照你的逻辑来走，很多地方就会卡住了，跳出了，这个时候要找到这些点来优化它。有一句话大多数做产品的人是靠猜测和直觉，大家想一下自己的产品是不是靠产品经理拍脑袋决定的功能，有没有考虑这个功能的持续使用性。

第二个是更多的转化趋势。刚刚解释过了用户留存，留存不像以前了，第一天是新增用户，某一个条件背后来的用户，第二天第三天有没有持续用这个应用，变成了每一个应用都有你的核心价值体现。比如说你是一个游戏类的，那就是有没有玩游戏，如果你是一个像图片类的，就是有没有看图片，京东的有没有产生订单有没有支付成功，要把原来的应用再细化一下，这也是要结合你的业务，这也是精细化分析工具能做到的。

这就是自定义留存，下面通过例子来讲如何更深入的分析。在做产品分析的时候，并不是把多少数据库拿来，这样是盲目的。核心是要回到刚刚的逻辑，即从用户获取到用户收入，并可以细化拆分。比如分享的流程，微信某个行为的触发人群，你有一个细的目标去分析，这个时候的分析往往是有效的。

更深入地分析从何下手

使用工具的时候，不要盲目的为了布点而布点，加入太多的数据量，最后分析量太多是不行的。

比如某一个版本我要去布点的时候，就去跟踪几个关键的过程，步入这一步，我的用户获取很少，铺的流量有限，但是我这里面是有一些社交分享的功能，这个时候我应该想到怎么样提高社交分享率，才能够在 referral 有一个更多的用户获取。这个时候就分析为什么他不会分享。

之前有人讲了一个例子很有意思，他们当时发现最后点赞的人分享频率是最高的，后来提了一个方案，听说点赞和分享搭在一起更配，这也是一个漏斗这一步提高了，分享率就上去了。一些硅谷的典型例子，往往就是在小的过程去优化一点能带来一个大的效益改变。

更深的分析从何下手呢，这就是一个案例，这个案例应该会有很多产品中枪，为什么我拿这个案例，因为暴走漫画是我们一个很好的客户，当时我问他第一句是，你的分类排序是按照什么排的，他说数据库取出来的数据就是这样排的。大家可以看到，当你的功能模块，这样一些分类，从上往下排的时候，这个时候用户访问点击率从上到下不是对等的，点上面的肯定是高于点下面的人，因为这个是用数据支撑看到的问题。

这个时候大家想一下，大家可以看到上面有很多分类，每一个分类点进去以后这个用户有没有持续看这个分类里面的漫画，这个比例一定是不等于从上到下的数据，正常做优化的时候，你先要掌控。

因为 APP 展示页面有限，每一个关键部位都是有它的价值，这个时候要明确横向从上到下的点击比例。第二个，每一个点进去的用户有没有持续使用这个分类，在这个分类里面看这个分类的漫画，显然这个比例肯定是不一样的。这个时候下面有一些是高于上面的，持续用这个分类的比例是高于上面的，这个时候要根据数据把下面提多上面去。

举个简单例子，科幻根本没有人看，放在这么好的位置，我发现每次点进去都是新用户，老用户根本不点，下面有一个比如叫什么恐怖，访问率非常高，用户持续使用率非常高，这个时候应该提到用户在第一层找到的地方，把差的内容如果数据可以了再提上去，这就是典型的数据去运营产品的思路。

硅谷产品经典案例

最后讲一下硅谷产品的经典案例 Quora，Quora 是典型的从用户获取 AARRR 模型，Quora 和知乎的问题是一样的——分享的很多，注册的很少。用户激活的比例偏低，怎么办呢。这时候想到一个办法，他发现很多人读文章会读完的，大家做了一个措施，读文章一半的时候弹出一个窗口，也就是后来知乎的做法。

第二个推荐相关的文章和用户。这也是一样的，你发现留存率比较低的时候，用户在应用里互动比较少的时候，你应该想一些别的办法。Quora 就想到了，怎么增加用户的留存，用户读到这篇文章的时候我给他推荐一些相关的文章，很多人觉得这件事靠后，其实它能够提高一些转化率的，这个时候推荐相关文章比如说最近股市哪个股票好下面有一个相关的文章，点进去的人会很多。点进去的连续进去，就增加了下一步的可能，就越有可能成为你的新用户了。

LinkedIn 很有意思，LinkedIn 从 200 万到 2 亿的增长是非常快的，这源于 growth hacking 的策略。他当时发现很多人在搜索引擎里面搜自己的名字，搜不到结果，这个时候他想到一个办法，你在 LinkedIn 里面可以创建公开个人资料，这个个人资料可以被搜索引擎做 SU 优化被检索到，这个时候很多人会发现了这个功能，整个 LinkedIn 的用户增长就上去了，因为大家都想提高自己在搜索引擎的曝光，这个点被大家把握住了。他在研究整个用户获取到收入这个漏斗的时候，发现第一步是一个瓶颈，他源于这一步提高了第一步的留存。邀请联系人和动态通知，现在大家来看我也做了，我想问你做社交分享做这些事的人，你为什么这么做，你是抄别人的，第一个想到的这个人是分享过的。

我再讲一个非常差的案例，前不久我在脸谱网出来的一家公司帮他分析产品，他也是用别人的分享，他的产品送你 50 元红包，我说朋友圈看到你这个东西的时候，人家第一步对你的产品名字是有认知障碍的，不知道你是什么，送他红包的时候当然不会点了，点击率会偏低很多的，他是卖零食的。我告诉他，改成我送你 50 元可以免费买零食之类的，转化率是不是会上去。

Facebook 和推特这里面有两个概念，AHA 时刻，大家可以去 TD 上搜一个东西叫做 Facebook 的 growth 团队做的一个分享，AHA 时刻在国外叫 AHA moment，Facebook 和推特也遇到了这个问题，好多人注册了不留下来，其实就是用户获取到用户激活到用户留存这部分，后来经过数据分析发现当一个新用户十天能达到 7 个好友的时候，这个留存率是最高的，这一件事很多产品团队没有数据分析意识是不会想到的，这一件事其实是可以分析出来的，这些人的整个行为分布和使用是有规律在里面的。推特用户关注达到 30 个人，这也是符合逻辑的，刷的量太少了就不会有人使用了。

从用户获取到激活，刚刚 Quora 想的办法是增加了一些途径，推特的办法是优化了体验，优化了注册流程。

Dropbox，growth hacking 的发明者就是当时的 Dropbox，Dropbox 是我认为做 growth hacking 当中做得特别好的一家，大家看现在很多的网盘学它的邀请注册送空间。刚刚我提到了优化的一个方法是增加途径，或者优化体验，这一种就是属于诱导。给用户更多的诱导性去提高这一个转化率。

Dropbox 当时送 500 兆空间，后来国内网盘都请他来做。但是他这 500 兆空间也不是那么简单的，我看了 Dropbox 的一篇分析文章，因为 Dropbox 是有付费用户比的，他算过这个付费用户比，算出来一个新用户能带来多少回流比，算出来是 500 兆空间，从这个成本中能达到多少的营收。

第二点，Dropbox 很聪明的，也可以激发大家的一些想法。他当时发送邮件给注册没有下载客户端的人还是回到那个模型，他发现用户激活到用户留存比较低，这个时候怎么提高，他想了一下，他发现有一部分人激活以后准备下客户端没有下走了，大家想一下这是很正常的情况，有的人可能网络有问题，或者是有什么事，就把浏览器窗口关掉了，走了。

这个时候他发了一个文件，把那些注册了没有下载客户端的人，并不是 Dropbox 的客户，他就通过发送邮件去挽回，发现这个回流比还不错的，最后通过这样一个方式让这个比例提高了。有人会觉得可能提高的不多，但是大家想一下百分比乘以你的用户基数，任何一点点，因为每一个新用户还可能带来更多的用户，这些小的细节点将来都可能成为你产品改进的空间。

今天讲的这些就是分享一些关于，首先为什么做这一件事，其实也是从当初的流量到用户到收入的模型，不要再去想有没有办法，应该往下走，应该把步骤拆细，流量来了，是什么样的用户，用户做的什么事，哪些事需要往细了看，去分析这些事情，他做这些事的时候每一个核心步骤到底完成了没有，或者说根本就是你做的不好，这个东西是伪需求，这些全部要分析透彻了，这些都是可以用数据分析出来的。

最后去分析这些问题我不建议大家自己去构建团队，因为你要有 ETO 工程师，算法工程师，运维工程师，需要有服务端工程师，要有一堆成本，这个我建议大家用一些像 Mixpanel,恩特麦崔科斯(音译)，这是国外的。国内的诸葛 IO 还是挺不错的，每一个产品都有使用的人群找出哪一个更合适你。