App数据分析，其实没有你想象中的那么难

对于一个运营人员来说，做好数据分析，既可以帮助我们不断调整工作方向，更是可以预防我们在没有价值的事物性工作上“越陷越深”。

有一件事：每个运营都很清楚，也都非常认可。那就是：数据分析对运营工作，非常，非常，非常……重要！

但在现实中，很多运营仍旧“力不从心”，思想意识上去了，行为动作却跟不上。换句话说，不是不想做，而是对数据分析缺乏整体性的认知，找不到头绪，不知该如何入手。

从结果的有效性的来看，任何以“完成”为目的工作都没有太大的价值，任何缺乏客观数据指标的“主观评判”都是没有太大的意义。对过程质量负责的内容生产部门是如此，对结果负责的运营、销售部门更是如此。

对于一个运营人员来说，做好数据分析，既可以帮助我们不断调整工作方向，更是可以预防我们在没有价值的事物性工作上“越陷越深”。

一. App相关数据，共分三大类

数据分析，并不是什么高深的东西，更算不上什么技术。在App运营工作中，我们需要用到的“数据”，总体来讲，分为以下三类：

1. 宏观指标：用户总量、新增、留存、活跃、参与度等整体性的数据；
2. 用户指标：用户层面的相关数据，是运营体系中所有运营动作的数据支撑；
3. 内容指标：内容层面的相关数据，是平台内容质量改进和优化的参考依据。

对于以上三类数据，我们只需在“充分认知”的基础上，形成“应用思维”，并做到“灵活运用”，即可轻松处理任何一种数据分析工作。

二. 宏观指标分析

对于一款App来讲，宏观数据包括“用户的总量、新增、留存、活跃、参与度”五个方面。通过这五项指标，可全面掌握App的整体运营状况。

1. 用户总量：所有用户的数量总和

（1）数据来源：埋点统计

（2）分析重点：从App整体用户中，筛选出有效用户，掌握真正有价值的用户数量。一般来讲，完成注册并登录设备的激活用户为有效用户；严格来讲，App使用时长>0的用户为有效用户。

2. 用户新增：推广工作的衡量指标

（1）数据来源：埋点统计

（2）分析重点：由于在App推广过程中，很多渠道都会采用“H5页面注册+引导下载App”的做法，往往会造成部分用户“只注册、未下载”的问题。故，用户新增人数，需区分“注册”和“激活”。

3. 用户留存：用户与内容契合度的衡量指标

（1）数据来源：友盟统计

（2）分析重点：本数据主要用来监控某一时间阶段(某天、某周、某月)新增用户的留存情况。通过留存数据，判断用户质量与App内容质量。

4. 用户活跃：App价值的终极衡量指标

（1）数据来源：友盟统计

（2）分析重点：该指标是所有App数据中最核心的指标，也客观衡量一款App价值的终极标准。如果用一个指标来衡量App价值的话，那就是用户活跃数据。

5. 用户参与度：用户粘性的衡量指标

（1）数据来源：友盟统计

（2）分析重点：该数据是用户App使用深度的衡量指标，包含用户的每日使用时长，每日启动次数等指标。是以上四个数据的有益补充。

小结

以上五个指标，用户总量、新增，需要以技术部统计数据为准，用户的留存、活跃、参与度指标，由于技术统计比较困难，以友盟为准即可。

补充：

（1）埋点统计：为了埋点统计正确，需要运营人员与技术开发人员明确埋点的数据需求和规则

（2）友盟统计：为了保证友盟统计的数据正确，需要注意以下几点：

• App友盟SDK集成正确
• App接入友盟越早越好，避免部分早期数据无法查询
• Android、iOS两个版本同步接入

三. 用户指标分析

用户数据分析的意义在于：从用户的维度，为运营工作的拉新、留存、促活、转付费等所有环节，提供数据支撑。

例如，如何对某次App推广活动进行效果分析?如何根据活跃用户的操作习惯进行内容调整?付费的用户都是什么人，他们是体验了多久之后才付费的?

接下来，从字段拆解、矩阵分析、案例实战分三步来为大家讲解。

1. 字段拆解

做用户指标分析，需要首先对用户指标的相关字段做拆解。以课程类App为例，用户指标的数据，可拆解为以下8个字段：

（1）用户ID

• 注册
• 激活

（2）手机号

（3）注册时间

（4）来源渠道

（5）浏览行为：UV、PV、Time

（6）操作行为(以学习类App为例)：试听、订阅、充值(时间/金额/终端)、购买(类别/明细)、学习(音频/视频)、用户完课率(按单节统计/按单堂统计)、评论、课程分享、邀请好友

（7）登录行为：活跃天数、启动次数、使用时长

（8）用户画像

• 性别
• 年龄
• 地域
• 职业
• 从业年限
• 教育水平
• 兴趣爱好

2. 矩阵分析

第一步：我们可以把这8个字段，看做一个横向的矩阵。

第二步：选取1个字段(或者一个细分字段)，导出所有符合条件的用户

第三步：以导出的用户为基础，分析这批用户在其他维度下的特征数据，即可得到我们想要的数据。

3. 案例实战

例子1：我们需要对某次App推广活动的效果进行分析，为下次推广活动提供参考依据：

（1）通过定位字段“来源渠道”导出所有本次推广活动带来的用户；

（2）通过这批用户的“用户ID”，可得到活动带来新增用户数，注册人数、激活人数；

（3）通过这批用户的“用户登录行为：活跃天数、启动次数、使用时长”，判断本次活动带来的用户的质量。

例子2：我们需要对活跃用户的学习习惯进行分析，进而了解用户活跃的原因，调整App内容架构

（1）通过定位字段“活跃天数”导出“总活跃天数排名前X名”的用户；

（2）通过此批用户的“用户行为-浏览行为”中各个不同页面的“UV、PV、Time”三个指标的数据对比，找到用户最习惯的访问路径。进而判断App首页的内容展示是否合理，是否能快速引起用户的兴趣，让用户找到适合的内容，从而有选择性的进行调整。

例子3：我们想看下付费用户都有哪些人，这些人一般会在体验App多久后会付费

（1）通过定位字段“充值金额”导出付费用户；

（2）通过此批用户的“用户画像”，了解这批人的性别、年龄、职业等信息，为广告投放提供依据；

（3）通过此批用户的“每个用户的‘充值时间-注册时间’”的差值，可分析出用户从体验到付费的考虑时间。以此为依据，进行内容进行调整，以求更快地打动用户。

四. 内容指标分析

内容数据分析的意义在于：从内容的角度，全面分析内容在各个维度上的用户行为。以这些用户行为为基础，为内容优化和改进提供依据。

以课程类内容为例，如何判断我们的课程文字包装和页面展示是否吸引人?如何评价我们的课程是否符合用户需求?

接下来，还是从字段拆解、矩阵分析、案例实战分三步来为大家讲解。

1. 字段拆解

做内容指标分析，需要首先对内容指标的相关字段做拆解。以课程类App为例，内容指标的数据，可拆解为以下10个字段：

（1）课程ID

（2）课程性质

• 免费
• 付费

（3）上线时间

（4）课程节数

（5）课程分类

（6）主讲老师

（7）课程被浏览

• UV
• PV
• Time

（8）课程订阅

（9）音视频播放

• UV
• PV
• Time

（10）完课率

• 按单节计算
• 按单堂计算

2. 矩阵分析

“内容指标”与“用户指标”的分析方法相同，都采用矩阵分析法。这里就不重复讲述了。

3. 案例实战

例子1：如何判断我们的课程文字包装和页面展示是否吸引人?

（1）通过定位字段“课程ID”导出所有课程的标题

（2）通过“订阅人数”与“被浏览的UV数”进行对比，可以得到同等展现机会下订阅率较高的课程，进而判断课程包装做的较好的课程。

例子2：如何判断我们的课程是否有销售潜力，进而把受欢迎的课程调整到首页展示?

判断此问题，仅需对比两个衡量指标

（1）“订阅人数”与“被浏览的UV”的对比值

（2）完课率指标（按单节计算、按单堂计算）的数值