app数据统计 App数据分析到底要分析什么?( 二 )

文章图片

其中，如果用户前10天添加好友超过7个，停留30天的可能性为99%；如果添加的好友少于7个，30天不剩余(丢失)的概率为95%，综合指数信度为0.9405。
同样，计算以下两个领先指标的可信度:

文章图片

【app数据统计 App数据分析到底要分析什么?】最后，我们得到了一个比较:

文章图片

这些只是假设数据。其实我们需要对比十几个甚至二十个行为指标，才能找出前因可信度最高的行为。
第二，快速增长期
经过产品抛光的初期，产品保留率良好，此时产品开始进入自发生长期。在自发成长期的产品阶段，我们还需要关注用户留存、用户时长、用户人像变化等数据。，但我们可以把重点放在用户整个生命周期的管理上，从新用户的成长、激活、触发“啊哈时刻”到产品稳定活跃用户的整个漏斗分析。

文章图片

新用户的增长和激活
增长和激活新用户一般有两种方式。第一种是建立产品的病毒传播系数，让产品自发生长。精益运营数据分析中提到的几个用户的病毒传播分类很有意思:
原生病毒性，即通过App本身的邀请好友功能而传播吸引的新用户的方式；口碑病毒性，即通过口碑传播，用户主动通过搜索引擎成为的新用户；人工病毒性，即通过人工干预，如有奖邀请等激励措施来鼓励用户进行邀请行为。这里关注的一个指标叫做“病毒传播系数”，感兴趣的同学可以自行深入学习。

文章图片

新用户下载->:激活->:'啊哈瞬间'->；产品稳定活跃后，要关注用户从新用户到活跃用户(保留后)再到核心用户的生命周期，细化和细化每个流程的关键指标。
情形
以之前的论坛社交APP为例。当新用户进入产品时，会看到一个欢迎页面(比如左下角的图片)。注册登录后，他们会看到产品的首页(如右下角的Feed flow页面)。大多数应用程序都有类似的流程:

文章图片

一个新用户从进入App欢迎页面到最终成为核心用户大概是以下过程:新用户(探索发现产品价值)->:旁观者(逐渐认识到产品的价值并有一定的参与感)->:生产者(认识到产品的价值并积极参与):

文章图片

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。我们按情况分阶段说一下:
此时，对每个阶段的用户行为进行指数分解:
新用户&探索发现者:
欢迎页面跳出率
新用户注册率
新用户指南流程的转换率
最初可以看到提要页面的跳转率
搜索结果的转化率
推送权限打开率
围观者(路人):
每个用户的平均注意牌数量
每个用户关注的其他用户的平均数量