摘要：在当今数字化时代，提升APP的日活跃用户数（DAU）是众多互联网企业和产品经理的核心目标之一。本文将深入探讨如何结构化地拆解和分析DAU，从明确问题的口径、拆解问题的本质，到找到解决问题的主要条件，再到具体的行动方案。

在当今数字化时代，提升APP的日活跃用户数（DAU）是众多互联网企业和产品经理的核心目标之一。本文将深入探讨如何结构化地拆解和分析DAU，从明确问题的口径、拆解问题的本质，到找到解决问题的主要条件，再到具体的行动方案。

提出问题：就提升某款APP的DAU（日活数）这个问题，我们可以怎样来拆解分析呢？

（口径不对齐，后续各方人员理解会存在较大偏差）

假设是每自然日内启动APP的用户数，含游客；

提升DAU的本质是什么？

本质是“增”用户规模（数量），“长”用户质量（价值），即增长；

这个本质对不对呢？

我们说，一个真正的本质，除了能解释“历史和现状“以外，也必须能够未来（即行动），否则就是伪本质，听起来都对，用起来…用不起来。

比如，文学的，主观的，唯心的东西，一般不能指导行动。或许只能知道不该做什么，但大概率不能知道该做什么，更不能知道该怎么做。而数学的，客观的，唯物的东西，是能让你知道该做什么，以及应该怎么做的。

比如大模型，它理解不了文学的（连续性的东西）东西，需要将连续性的转化为离散的数据（数组向量），它才能理解，才能进一步分析，然后给出答案。

比如，战争的本质是什么？你说是为了不战争，是利益的争夺……听起来好像没毛病，但它怎么指导行动？而如果说战争的本质是“保存自己，消耗敌人”，这个是可以指导你的每一场战役和战斗的策略制定的，也就是说每一场战役或战斗都必须围绕“保存自己，消耗敌人”来展开，它将决定着每场战役或战斗是防御，还是进攻，是游击战，还是运动战，是外线作战还是内线作战等等。

我们再回到DAU的本质来看，“增”用户规模（数量），“长”用户质量（价值），这个本质能否指导我们的每一次行动呢？

是可以的。

首先，用户规模或用户质量，都是客观的，甚至是可量化的；其次，每一个方案的提出，都将围绕方案本身是否能服务于“用户数的提升，或用户质量的提升“来展开的。比如说只是一个很小的功能体验上的优化，短期来看，它也是服务于“用户质量”的，用户体验的提升，会带来用户信任的提升，从而用户粘性也会提升，长期来看，用户数量也自然会提升。

当然，这里不能片面的，短期的，极端的看问题，这是一个全局的，长期的，统计性的问题，本质又是一个概率或数学期望问题。所以，要不要做这个很小的功能体验上的优化这个事，首先需要判断它是否归属于“增用户规模，或长用户质量”，如果是，则在进一步做综合分析，比如大致估下这个事的ROI。如果不是，那也不用再继续分析了。比如在某些场景插一些广告这个需求，要不要做？

一般来讲，广告是反人类的，如果基于你的业务目标DAU来讲，它是不服务于DAU的用户规模或质量的，所以不做。当然如果从更高级以及的业务目标来看，它可能又变成需要做的了，但此时问题已经发生了变化（已经不是刚才那个DAU问题了）。

基于问题的本质，我们得出解决问题的2个主要条件：

1.3.1、用户规模最大化（DAU）：从赚1个用户的钱，到赚100个用户的钱

DAU=DNU*LT + RDAU

其中，RDAU可进一步拆分为：留存+回流这两种用户群体。

所以二级指标为：DNU（新增用户规模=自然新增+付费新增）、LT（新用户留存，比如次留到30留）、RDAU（留存用户规模）、流失回流用户规模、流失回流用户留存。

1.3.2、用户价值最大化（ROI）：利润保证可持续

ROI=LT*ARPU / CPA

备注：LT：用户生命周期；ARPU：每用户日均收入；CPA：每用户激活成本；RDAU：留存用户DAU；DNU：每日新增用户。

（本文对这部分不做展开分析，若感兴趣，可参考之前的一篇文章的最后一部分对用户价值有一些分析：https://www.woshipm.com/share/6099923.html）

（某唱歌类）产品理解：唱歌工具+社交属性 （内容+用户+平台:三者之间的关系）

唱歌：供给侧的歌曲库+消费测的用户+提供匹配效率的平台

社交：用户基于音乐建立社交关系（篇幅原因，本文暂不对这块进行分析）

所以，增长从底层向上依次可以是：

1、供给保障：

2、供需匹配（也是用户路径的起点）：合适的内容或用户推给合适的用户；

供需匹配的本质：让用户路径更高效。

3、用户路径：以提升DAU（留存）为目的，满足平台大部分用户的路径。路径核心要解决的问题是让用户触发”关键行为“，”关键行为“是以提升留存（目标）为目的而确定的。

4、用户分层：不同用户群体可能有不同的关键行为，不同关键行为产生不同用户路径。

5、运营手段（激励体系，成长体系，会员体系，运营活动等等）：运营手段本身没有用户价值，但是具有产品价值。

以上，结合实际业务现状，根据当前业务所处的外部环境，内部环境，综合分析：分析当前业务面临的根本矛盾，外部矛盾（比如业务所处的市场环境，竞争对手，新技术比如AI等等），内部矛盾（比如相关人力资源情况，长期目标与短期目标，本业务的目标与其他业务的目标，局部目标与全局目标，稳定与创新等等）分别是什么，以此评估先做什么，后做什么。

我们以供给保障流量供给中的对新用户的精准承接为例进行说明。

3.1.1、新用户期定义

注意区别新用户期口径和新增用户口径。

定义新用户期的目的：提升新用户留存，需要有一个“过程”，在这个“过程”中，持续“作用”。

新用户期口径：新增用户前7日定义为新用户期；

3.1.2、新用户承接

a、新用户激活

（关于“激活”的底层逻辑，可以参考之前这篇文章：https://www.woshipm.com/operate/5778696.html）

2.1.1激活行为：（寻找激活行为的逻辑：首日是否触发关键行为的1-30日留存差值，和对应关键行为的用户渗透综合对比）

备选激活行为：进入点唱页，点唱，点唱完成，发布点唱，搜索，KTV（语音房），直播

由于KTV和直播不在新用户首日落地页，所以先不统计。

结论：是否发布点唱的用户1-30日留存差值最大，但渗透太低（下文“d”小节有分析）。结合数据+产品定位+经验，激活行为为【完成点唱】。

b、激活期

统计新增用户首次完成激活行为的天数分布，看大部分用户集中在第几天。

结论：首日

c、激活数字

结论：完成1次【完成点唱】，即完成一次歌曲录制。

逻辑：在激活行为【完成点唱】的基础上，按点唱歌曲的录制时长分布，按点唱歌曲数量分别统计对应的渗透和留存的关系，找“边际效益”最大的点。

点唱完成的歌曲录制时长的用户数及其次留分布：

结论：没有“边际效益”最大的点。

点唱完成的歌曲数量对应的用户数及其次留分布：

需要说明的是：是否将激活行为“点唱完成率”作为当前的一个关键指标，还需要结合实际业务情况具体分析，比如若业务本身比较成熟，点唱完成率的提升空间已不大，则它就是一个重点的观测指标。相反，若业务还相对不稳定，点唱完成率有提升空间，则它可以作为当前阶段的一个关键指标重点提升。

d、激活矩阵

（或按人群诉求建立激活行为）

自然新增用户在首日完成了点唱的用户（买量新增用户没有这个现象，或没这么明显），长留被“超”了？基于这个发现，找原因：

逻辑：首日未完成点唱的用户来APP后，都干嘛了？

发现：未完成点唱的用户，在新增的前12天（除首日外），相对于完成点唱的用户来看，更多用户去了直播和KTV，而点唱需求一直占比很低。说明这类用户更多是冲着“KTV”而非“点唱”来的，为什么呢？

继续分析原因：统计用户在新增首日及后续一段时间内，每天的搜索行为，是否这些用户更多的在搜索房间。如果是，则说明这批用户的确是冲着“KTV”来的，而不是冲着“点唱”来的。

结论：organic新增用户中，确实有部分用户对KTV的诉求要强于点唱。所以，”KTV“也可以被选作一种激活行为。

另外：也可以分析长期留下来的用户，看这部分用户为什么会留下来，可以看他们在其新用户时期时“干了什么，怎么干的”，那么，后面再来的新用户，我们就可以引导其走“长留用户走过的路”。这里需要注意的是，分析这个问题时需要带入时间窗口的概念，不能简单的理解为大部分用户都大概会使用哪些功能，怎么使用（物理路径，比如从哪个页面进入，点击哪里等等），光知道这些没用，一款成熟的产品，大概率大家也基本都知道这些。这里带入时间窗口是指，用户首次打开APP后，分别在多长时间内分别有多少比例的用户分别使用了哪些功能，可以是当次的，可以一段时间周期内的分布情况（比如首日n%的用户使用了A功能，他们在第x天，第y天等等有超过m%的用户又干了什么等等总之就是在时间维度上找出用户共性，即被分析的目标用户在时间维度上的行为分布特征，实际分析时，根据具体情况决定要分析的多细致）

结论：KTV的渗透较高。说明KTV和用户留存有强相关性，证明“KTV”可以被选作一种激活行为。

那么，当新增用户首日首次打开APP后，因为默认落地页为“xxx”页面，“xxx”页面的作用是希望让用户完成点唱，所以，可以根据“xxx”页面消失后，根据用户是否完成点唱来判断，接下来如何引导用户下一步行为。

所以，继续分析“xxx”页面消失后，用户进入唱歌页面的行为：

买量新增用户，首日：

买量新增用户中，有a%会在“xxx”页面完成点唱。b%在唱歌页面完成点唱。（a大概是b的1.5倍）

自然新增用户，首日：自然新增用户中，有c%会在沉浸式页面完成点唱。d%在唱歌页面完成点唱。（c大概是d的2/3）

结论：新增首日，“xxx”页面消失后，不论用户是否已完成点唱，都还有部分用户有继续点唱的诉求（且占比不低），所以此时不适合直接切到KTV，还是保持回到唱歌页面，但可以在唱歌页面增加“KTV引导”。这里即找到了一个可能有增长空间的方向。下一步就是估算这个增长点的ROI（投入产出比），若可做，则完成方案-AB验证。

e、理想的激活行为

完成点唱后，是否发布点唱歌曲对用户留存的影响：

结论：是否发布歌曲，对留存影响非常大。

但是，从点唱完成，到完成发布，会卡住很多人（用户数的绝对值太小），所以，”发布“这个行为，对用户来讲门槛太高，不适合做激活行为，但后续我们可以分析用户完成点唱但不发布的原因，以此来提升点唱完成的效果，进而来提升发布率。

猜测，用户是否发布可能和录制时长有正相关性：数据表现也确实如此。（注意相关性和因果性的本质区别，相关性需要经过验证后方有可能得出因果性）

那么这里我们可以提出一个假设：假设延长用户的录制时长，可以提升发布率（相关性到因果性的验证）。

但需要找到用户录制时长不长的原因：

猜测可能原因：

1、用户本身没有找到想唱的歌

对比搜索的唱歌漏斗和推荐的唱歌漏斗：若搜索的唱歌漏斗表现明显好于推荐的，则说明推荐的歌曲相对不是用户想唱的。那么，除了用户主动搜索外，如何知道用户想唱什么歌呢？

2、用户本身唱歌水平差

3、用户当前所处环境不适合放声唱歌（可以按时间段分段统计发布率，是否”休息“时段发布率更高，”工作时段“或”通勤“时段发布率低）

4、用户在唱歌过程中哪个环节流失大。

……

以上，我们怎么做？

即产品方案：

根据以上结论，我们可以结合[正向]新用户期（时间窗口）的用户画像和行为分布和[反向]长期留存用户在其新用户期（时间窗口）的用户画像和行为分布，设计产品方案。

基于上述分析结论，假设我们初版方案以验证“KTV”是否为激活行为为主，那么方案的重点就是在用户进入唱歌首页时（在进入唱歌首页前，完成点唱这个关键行为已由上述分析中的“xxx”页面承接），怎么样让更多的用户进入“KTV”。

比如，可以在页面增加KTV的引导，或增加KTV功能模块入口等。但这里，我们需要跳出前面的分析来看待问题，什么意思？上述的分析中，得出的结论是基于前置我们提供了哪些行为参与分析的（KTV是其中一个行为），而还有一些可能重要的行为由于埋点缺失等原因，或不重要的长尾行为（长尾行为单独看不重要，但当成一个整体可能会比较重要）没有参与分析。

所以，我们在设计唱歌页面方案时，也可以基于经验将认为重要的一些功能模块考虑进去，比如页面以点唱为主，KTV为辅，然后在次基础上在增加一些认为重要的功能模块，以覆盖更多的人群。

结论：方案上线后使整体新用户次留提升了3PP+。

后续，还能做什么？

1、点唱完成后，提升歌曲发布率（理想激活行为）；

需要定位发布率低的原因，猜测是因为录制时长短，为什么短？

2、激活行为前置：

比如其他用户的点唱行为的视频（视频方式：播放 别人的点唱歌曲5-10s + 点唱操作路径 + 收到他人点赞评论等），让用户提前感知到点唱的“用户价值”，提前被部分激活。

3、结合AI，优化点唱工具，提升点唱完成率等。

4、……

流失用户口径：连续n天或以上不访问APP的用户；

流失回流用户：当日DAU中，满足连续n天或以上没访问过APP的用户；

通过回访率来确定流失口径（这里暂不展开说明，感兴趣可自行查资料了解），如下：

（可按回访率降到5%，或将回访率作一阶差分找“拐点“来确定上述的“n”）

流失回流用户规模：占DAU的比例，m%左右

流失回流用户质量：留存明显低于新增用户的留存

结论：人群规模较大，质量低，综合来看，值得做。

至于怎么做，需进一步分析，这里暂不展开描述。

3.3.1 提留存（活跃）

提活跃的关键是解决用户习惯问题：

如何培养用户习惯：提供一个思路（更多思路，请参考我个人主业的另一篇文章：https://www.woshipm.com/operate/5778427.html）

1、确定产品的理想使用频次：比如每周使用n次；

2、根据n，找到产品的习惯用户，即满足了理想使用频次的用户；

3、分析这些习惯用户的共性（属性+行为），找到“习惯行为”和对应的“习惯路径”；

4、设计/优化这些路径，目的是让更多用户走上这些路径，或设计新的路径场景；

3.3.2 防流失（流失风险用户）

防流失主要有两种方式：

1、流失预警机制：通过在产品的关键流失节点处埋策略实现

2、流失预警模型：通过算法建模+挽留策略实现

这里以流失预警模型进行展开。

说明：拉活和防流失的区别 （二者都是为提留存服务的）

二者有很强的相似性，直觉上会认为二者是一样的，甚至一个策略本身就有防流失和拉活的双重作用，但在用户属性和逻辑理解上，二者存在差异：

模型的搭建（仅对搭建思路做描述，具体各相关名词的含义这里不做解释）

流失预警的目的：通过一套体系化、机制化的方式，对具有流失风险的用户进行预判和干预及召回；

流失期的定义：连续30天及以上没有打开过APP的用户定义为流失用户；（30天怎么确定的可参考上述流失回访率）

用户流失预警的时间窗口主要包含：「特征选择期」、「空档期」、「预测期」，通俗来讲就是根据「用户过去多久的行为」来预测「用户未来多久流失的概率」。如下图：

上图解释清楚比较复杂，这里大白话描述下：

用极限思维简化理解，假设这里只有一个用户标签，那么公式可看作：y=ax+b（人脑的神经元之间的信息传递的底层逻辑也是按这个函数来的，模仿人脑的神经网络自然也是），其中x为输入的特征集，y为输出的概率；有些x的输入对y值没有影响，这样的x需要舍弃。要想提升模型预测准确率，方法之一就是不断找新的标签进行输入，看对y值的影响（这一过程，可理解为调参）

基于输出的流失概率，结合用户特征，可归纳出流失原因（可理解为流失原因被量化了，这里以某阅读类APP为例，为避免泄密，下图对业务做了简化和适当修改）

流失原因是怎么得到的？

主要通过两个算法，Shap和Woe；

对Shap和Woe算法的解释：（以下数据均为虚构）

第一步：Shap寻找每个用户流失的特征因素：

假设导致3个用户流失的重要特征如下（拿3个用户举例子）：Shap值的计算方式就不展开说明了，这一步由算法工程师进行计算。特征的Shap值越大代表这个特征导致该用户流失的“权重”越大。

第二步：Woe量化特征的不同取值对流失的影响：

若有必要，还可进一步结合用户生命周期进行细化分析，比如：

1、流失用户中各期的占比

2、生命周期各期用户分渠道看流失占比分布 （新手期，各渠道流失占比；成长期，各渠道流失占比……）：看流失用户是否集中在某些渠道

3、生命周期各期中流失用户的行为 （新手期：阅读频次，阅读方式，阅读路径，领取福利情况等，成长期……）：看流失用户的特征，比如可能流失用户大部分没有领取福利的习惯

4、流失用户流失前最后一次停留的地方

模型应用：

可理解为，模型为每一个用户都输出了一个流失分值（归一化0-1之间，0.7以上为流失风险人群，0.7是通过模型计算得出），相当于于每个用户都被量化了，那么，也就可以根据流失分值将用户划分到不同的人群中，比如高中低流失风险，暂无风险，完全无风险等等。不同风险的人群根据其流失特征，设计对应挽留策略。反过来，无风险的人群，可以大胆尝试付费引导等等。

既然能将用户按风险进行分群，也就可以将其接入到画像系统和活动平台，发挥更大价值。

应用效果：上线流失挽留方案后（方案很简单，0.7以上的人群，打开APP后，直接命中限免内容，直接限时阅读，当然里面还结合了其他人群做了交叉分群，细化了对应的策略规则等），整体流失人群（0.7以上人群）次留的提升非常显著，超出预期。

本文由 @弋十三 原创发布于人人都是产品经理，未经许可，禁止转载。

题图来自 Unsplash，基于 CC0 协议。

该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。

来源：人人都是产品经理一点号