app数据统计 App数据分析到底要分析什么?

DAU、毛里求斯、保留率、频率、持续时间...产品经理应该分析哪些数据？本文将结合海外移动产品的数据分析实践和MTA服务的客户案例，向您展示数据分析如何从初始阶段到成熟阶段应用于产品设计和产品。
按照流行的方法，产品生命周期(PLC)分为初始阶段、成长期、成熟期和衰退期。在产品的各个阶段，数据分析的工作权重和分析重点是不同的。我们分阶段根据情况来说吧。

文章图片

第一，初始阶段
初始阶段的重点是验证产品的核心价值，或者验证产品的假设:某个产品或服务可以为特定人群解决某个问题。这个阶段要遵循MVP(最小可变产品)的思路，验证最低成本创业的思路，根据用户反馈快速迭代调整解决方案，最后验证数据。

文章图片

案例:
以之前做的一个国外移动论坛社交应用为例。在创意期(12、13年左右)，产品发现论坛用户经常吐槽从手机Wap页面访问论坛速度慢，广告多，完全没有手机适配。于是我们提出了假设:做一个app，把论坛系统和用户连接起来，让论坛用户在移动端享受一个流畅的论坛访问体验，用户愿意为这个体验付费。

文章图片

所以在初期，整个产品是围绕着阅读帖和发帖这两个核心场景完全挖掘出来的，在论坛上宣传。售价18美元，发现很多用户付费，这些用户的保留率达到60%+(当然和付费用户有关)，有一半用户使用超过70分钟。
关键数据-目标群体肖像
此外，在初始阶段，我们可以访问一些第三方应用监控SDK，了解初始用户组的肖像，从侧面验证用户组的特征是否与假设的目标用户组一致。人口统计属性(性别、年龄、教育背景、地区)很常见。

文章图片

关键数据保留率
当当前用户满足目标受众的特征时，核心重点是这些用户的保留率、使用时长/频率、用户粘性等指标。在这里，保留率被扩展。
留存率有很多维度(7天、2周、30天等。)，根据产品的特点进行选择。如果产品本身满足小众低频的需求，保留率应选择2周甚至30天；高保留率意味着用户认可并依赖产品的价值。一般来说假设是可以验证的，20%以下的留存率通常是危险信号。
本文介绍了一种数据驱动的领先指标模型，它可以通过寻找领先指标来指导产品设计，从而提高保留率。先看先行指标的定义，先行指标是指新用户在使用产品的早期阶段的一种产品行为。这个指标和用户的留存率指标有很高的线性相关性，可以预测用户是否会留在产品中。
用自己总结的公式来描述，大致如下:

文章图片

正预测可能性(%):表示用户已经执行了该行为，可以预测用户保持活跃的可能性。
负预测可能性(%):表示如果用户不执行此行为，他可以预测用户不会保持活动状态的可能性。
最后，领先指标的可信度=正预测可能性x负预测可能性，我们直接看案例。
情形
以之前的论坛社交App为假设，假设“用户在注册前10天内添加超过7个好友”为领先指标，那么我们计算一组数据: