如何通過拆分「用戶活躍狀態」找到轉化降低的原因？

• 2019 年 11 月 20 日
• 筆記

為什麼轉化降低了，怎麼也找不到原因？數據的波動最容易帶來改變的就是用戶，如果你每天查看的數據指標，沒有拆分用戶活躍狀態，那你可能永遠也找不到答案。

來源： 諸葛io數據教練

數據猿官網 | www.datayuan.cn

今日頭條丨一點資訊丨騰訊丨搜狐丨網易丨鳳凰丨阿里UC大魚丨新浪微博丨新浪看點丨百度百家丨部落格中國丨趣頭條丨騰訊雲·雲+社區

本文提要：

1、從橫向的視角，通過拆分用戶的活躍狀態，研究用戶從來到走是如何流轉的；

2、從縱向的視角，通過評估用戶的價值層級，找到數據驅動的切入點；

3、深入剖析並升級流量、轉化和留存三個維度的數據，讓你在日常工作中更清晰有效的評估業務。

如果你能清晰的拆分並分析用戶的活躍狀態，那麼大概70%的數據分析問題都會迎刃而解，而「卡」住分析的，往往就是這個非常基礎但是很容易被忽視的內容。所以，當你遇到任何數據波動的疑問，首先細分用戶活躍狀態，明確「導致問題用戶」所處的活躍狀態，對你的幫助一定很大。

1

新增用戶數+老用戶數=活躍用戶數

先說活躍這個詞，一說活躍用戶，會有很多人認為所謂活躍用戶，就是在產品中非常活躍的用戶，量化一下，比如至少一周有兩三天在使用，才是所謂的活躍用戶。

對不起，不是這樣的，所以，首先要明確一個概念。

所謂活躍，或者活躍用戶，在業內通用的定義，指這個用戶在選定的時間周期內，有打開過產品，就算作活躍，就是一個活躍用戶。所以，活躍定義的是一個狀態，而不是程度。

而活躍用戶，分為兩類用戶，即新增用戶和老用戶。

新增都懂就不說了，而所謂老用戶，即不是第一次訪問產品的用戶，都是老用戶。所以這三個概念的關係是，同一時間周期內，新增用戶數+老用戶數=活躍用戶數。

打個比方，你每天看到的新增活躍數據，比如：平均日新增4k人，日活1w 人，那就意味著平均每天訪問的老用戶有6k人。

2

流失用戶+沉默用戶=不活躍用戶

那麼既然是細分用戶活躍狀態，有活躍的階段，就一定有不活躍的階段。如果你去關注下不活躍用戶，可能會被小小的顛覆一下，那就是不活躍的用戶數量是極其龐大的。

不活躍的用戶里，也分兩部分，即，流失用戶和沉默用戶。

其中數量上占絕對大頭的是流失用戶，所謂流失用戶，就是曾經使用過我們產品，但是已經連續有一段時間沒有啟動過產品了，而且這個時間段已經長到我們認為用戶已經否定或者忘記了產品，那麼我們把這樣的用戶定義為流失用戶，根據不同產品的業務特點，一般按照30天，60天，或者90天以上進行劃分。

另一部分，是沉默用戶，同樣，沉默用戶也曾經使用過我們產品，同樣也是有一段時間沒有啟動過產品了，但是這個時間段，是一個有最大值和最小值的時間區間，最大值不能超過定義流失用戶的那個值，最小值一般是定義流失用戶天數的三分之一。

比如：某業內名氣一般的內容社區產品，可定義：如果連續30天以上沒有啟動過產品，那就認為這樣的用戶是流失用戶。定義沉默用戶的時間區間，可以是連續7天到連續30天沒有啟動過產品的用戶。

好，這裡有一個關鍵點，很多人都會問我，你怎麼判斷或者定義流失用戶。我的答案是，這個閾值就是基於我們對自家業務和用戶的理解，定義且通過數據逐步校準的，並沒有一個官方的公式。

細分用戶活躍狀態

伴隨產品的成長，不活躍用戶的數量之大可能大大超出你的想像，對不活躍用戶進行召回就非常重要，而且方法得當後也是非常有效的。

正因如此，會有一部分用戶成為沉默用戶或者流失用戶後又被成功召回，成為老用戶中非常獨特的一個群體，迴流用戶，或者叫迴流老用戶。

為什麼要做這樣的細分呢，因為一個迴流用戶所面臨的使用場景和體驗與新增用戶是非常相像的，我們同樣需要激活迴流用戶，保持他們的持續活躍。但是他們本質上又不是新增用戶，比如：金融產品，新手標這樣的優惠手段，他們就無法享受。所以，必須將這類用戶細分出來，進行專屬運營和服務。

打個比方，如果你運營策略做的比較細緻，利用規則給迴流用戶和持續活躍老用戶不同的獎勵，以刺激不活躍的用戶，先完成迴流，進而保持持續活躍，再領取持續活躍的獎勵，最終讓他變成一個高價值的用戶。

用戶活躍狀態的變遷

首先，用戶作為新增用戶進入我們的產品，會有兩個走向：

1、如果被成功激活，認可產品的價值，新增用戶會持續訪問，變成一個活躍老用戶；

2、如果新增後連續一段時間沒有訪問過產品，那麼就會成為一個沉默用戶，當用戶連續不訪問的時間段達到了流失用戶的標準，那這個用戶就處於流失狀態了。

同時，如果處於沉默或者流失狀態的用戶，由於我們的召回策略或者就是看到了我們的廣告或者有什麼需求的時候想到了我們，又再次訪問了我們的產品，這樣的用戶就處於迴流狀態。用戶迴流後，如果持續訪問，也會成為一個活躍老用戶。

最後，如果一個處於活躍狀態的用戶，不論是正處於新增、迴流還是老用戶，隨時有可能變成一個沉默用戶，這也是為什麼需要有數據實時監控產品里用戶的狀態，以便及時調整策略。

用戶活躍狀態對業務數據的影響

首先，從流量維度，通常我們只關注新增、活躍用戶數量；如果我們來看用戶活躍狀態的變遷圖的話，你會發現：

☞新增狀態，是任一個用戶的起點。

☞沉默狀態，是一個用戶從活躍變為流失的必經之路。

☞而任何的召回策略，用戶都一定會經歷的狀態，就是迴流。

所以，新增、沉默、迴流，是整個用戶狀態的三個關鍵節點。新增大家都足夠重視，沉默和迴流狀態的用戶，往往就容易被忽視，所以，我們做流量分析的時候，要能精準的衡量拉新、促活和召回。

對新增用戶的分析，在於拉新和促活

對迴流用戶的分析，在於召回後促活

對沉默用戶的分析，在於防範未然及時召回

其次，從轉化維度，我們分析的重點應該定位到真正影響轉化的人群。很多企業會遇到「為什麼轉化降低了，怎麼也找不到原因」的窘況，其實，我們要知道數據的波動最容易帶來改變的就是用戶。如果你每天查看的數據指標，沒有拆分用戶的活躍狀態，比如：新增用戶品質一旦降低，你的所有關鍵指標的轉化率，都會下降。所以，在查看關鍵轉化率的時候，一定要有所細分，細分不同用戶狀態的轉化率，比如：首次觸發的轉化率；老用戶重複觸發的轉化率。

第三，從留存維度，雖然我們總提到留存率，但實際上，90%的人對留存的分析深度是很淺的。留存相關的內容如果要展開說，涉及用戶生命周期計算、同期群分析等。我建議，若要理解細分用戶狀態的價值，那麼至少，除了新增用戶留存，同時要去衡量迴流用戶和老用戶的留存情況，才可清晰評估運營效果。

活躍是一個狀態，而不是程度，細分用戶活躍狀態，滿足處於不同狀態用戶的需求促使其完成轉化；精準衡量用戶活躍狀態並制定拉新、促活、召回等策略，評估用戶的價值層級，定位真正影響轉化的人群，衡量處於活躍狀態的用戶在各個階段的留存指標，唯有如此精細化的運營，提高不同用戶活躍狀態的滿意度，才能最終實現業務的增長。