惯性聚合 高效追踪和阅读你感兴趣的博客、新闻、科技资讯
阅读原文 在惯性聚合中打开

推荐订阅源

Vercel News
Vercel News
奇客Solidot–传递最新科技情报
奇客Solidot–传递最新科技情报
Apple Machine Learning Research
Apple Machine Learning Research
T
Tailwind CSS Blog
让小产品的独立变现更简单 - ezindie.com
让小产品的独立变现更简单 - ezindie.com
人人都是产品经理
人人都是产品经理
V
V2EX
量子位
Last Week in AI
Last Week in AI
Jina AI
Jina AI
博客园 - 【当耐特】
爱范儿
爱范儿
宝玉的分享
宝玉的分享
OSCHINA 社区最新新闻
OSCHINA 社区最新新闻
Hugging Face - Blog
Hugging Face - Blog
博客园 - 三生石上(FineUI控件)
有赞技术团队
有赞技术团队
小众软件
小众软件
IT之家
IT之家
博客园_首页
博客园 - 聂微东
S
SegmentFault 最新的问题
阮一峰的网络日志
阮一峰的网络日志
博客园 - 叶小钗

人人都是产品经理

为什么你的产品找不到差异化?90%的失败都卡在第一步上(下) – 人人都是产品经理, 3年从30万到1300万用户、获2200万美元融资,这个AI教育产品用“抽卡”破解了获客难题 – 人人都是产品经理, 园区招商系统怎么做才能真正帮到去化?我加了这一个功能,推广链接转发400次阅读过万 – 人人都是产品经理, AI大事件:OpenAI发完网络安全模型又搞药物研发,小鹏汽车要抓”DeepSeek时刻” – 人人都是产品经理, 电商不是卖货,是一场更残酷的产品经理实战 – 人人都是产品经理, 没想到,活动营销又回来了! – 人人都是产品经理, 为何All-in海外KOC:一场关于AI时代窗口期的豪赌 – 人人都是产品经理, 重新理解企业的内部协作 – 人人都是产品经理, 苹果的 AI 战略到底是什么? – 人人都是产品经理, 医疗智能体·第2讲——合规护城河:等保、PIPL与HIPAA的架构实战 – 人人都是产品经理, 向量知识库五步法:从“答非所问”到“精准回复” – 人人都是产品经理, 鸿蒙PC三方库构建总指挥HPKBUILD(sha)库为例 – 人人都是产品经理, 何时该用LLM?AI产品经理的LLM设计指南 – 人人都是产品经理, 医疗信息领域的需求方、决策方、准入方以及关注点(二) – 人人都是产品经理, 即梦涨价:一场被误读的「傲慢」 – 人人都是产品经理, 面试AI PM必答题:Hermes和OpenClaw的区别,如何讲清楚业务价值 – 人人都是产品经理, AI的下一张船票:世界模型——AI产品经理必须理解的技术拐点 – 人人都是产品经理, 小红书做GEO,怎么让AI信你?记住这 3 个重要信息 – 人人都是产品经理, 5 家印度 AI 初创公司,看看印度 AI 再做什么 – 人人都是产品经理, AI项目跨团队协作:产品技术业务如何不打架 – 人人都是产品经理, Agentic Workflow(智能体工作流):让AI从”答案生成器”变成”数字员工” – 人人都是产品经理, lycium_plusplus 项目全景解读:OpenHarmony 三方库构建的“大管家” – 人人都是产品经理, 从爆单救火到前置履约:两套预采策略,把生鲜大促履约效率拉满 – 人人都是产品经理, 什么时候该补货?我用一轮数据做了一个决定 – 人人都是产品经理, 从“机械兜底”到“动态分流”:AI客服重复进线治理的4大底层逻辑 – 人人都是产品经理, 抖音拼效率,红书拼洞察 – 人人都是产品经理, 全民狂欢与退潮——为什么龙虾这波热潮冷却得如此之快? – 人人都是产品经理, Stripe押注!MPP重塑全球支付 – 人人都是产品经理, 小红书GEO:AI引用你的内容,不是因为你对,而是因为你看起来可信 – 人人都是产品经理, 前百度副总裁押注办公Agent,日韩付费爆发,Manus迎来强劲对手 – 人人都是产品经理,
用户数据之存量——DAU/MAU
Benson · 2022-07-19 · via 人人都是产品经理

编辑导语:数据分析是设计师了解用户行为的一个重要手段。本文作者分享了不同指标的核心含义,从用户数据的存量、Active活跃度、User用户展开分析,一起来学习一下吧,希望对你有帮助。

随着设计师对产品设计在业务上的接触越来越深入,数据分析成为设计师了解用户行为的一个重要手段。而业务上的数据指标如此之多,如何系统的了解不同指标的核心含义是每个体验设计师学习的目标之一。

一、用户数据之存量——DAU/MAU

DAU/MAU(Daily/Monthly Active User)。

1. DAU/MAU比值是什么

DAU(日活):单日(24h)活跃用户量(去重),反应产品短期用户活跃度;

MAU(月活):单月(30day)活跃用户量(DAU去重),反应产品长期用户活跃度;

DAU/MAU*30 = 用户月平均登录天数

2. DAU/MAU说明了什么

DAU/MAU的大小表明了这款产品对用户的黏性大小,换句话说,就是用户打开产品的频率。

DAU和MAU的比值高,代表一个月有使用产品的用户中,每天都使用产品的用户比例高,即使用频率高,用户对产品的依赖性强,同时也说明用户粘度较强。另一方面,也代表了用户的流失率低,留存率高。

DAU和MAU的比值低,所有结论相反,用户使用频率低,依赖性弱,粘度较弱,用户流失率高,留存率低。

3. DAU/MAU的数据价值是什么

  • DAU/MAU数据的优点这个比例对于了解产品对用户的价值特别有用。它提供用户保留期的快照。对于公司来说,这是评估牵引力和潜在收入的有用指标。
  • DAU/MAU数据的缺点DAU/MAU 比率的一个缺点是,您无法看到哪些用户被保留,哪些用户正在流失。这就是同期群保留分析有用的地方。同期群可以是您定义的任何类似用户组 – 通常按月分类。

4. DAU/MAU的动态化分

1)DAU/MAU提升↑,DAU增加显著↑

说明产品的改动或者啥大新闻让部分沉默用户苏醒,但是这个改动和大新闻大多触及到产品已有老用户,这种情况下我们应该加大对产品新功能的推广和宣传,引导更多的新用户成为我们的活跃用户。

2)DAU/MAU提升↑,MAU减少显著↓

说明非忠实用户的流失变得严重,对于一部分刚需的用户我们可以保留下来,但是对于不是刚需的用户我们无法挽留,这种情况下我们应该在保证核心功能的基础上进行功能多元化的探索,满足更多非刚需非忠实用户的需求。

3)DAU/MAU降低↓,DAU减少显著↓

说明我们的核心功能出现了问题或者外界的影响造成了用户对产品本身的恐慌,像什么某某某P2P跑路了等等,导致原本使用产品的用户跳到竞品或者不再使用,这种情况下我们应该分析竞品的动向,确保我们的核心功能各方面使用体验达到最优,才能挽留用户。

4)DAU/MAU降低↓,MAU增加显著↑

说明产品的改动或者外界的推广让短期用户活跃度提升,但是这个改动和影响不具备可持续性,可能是用户玩一下就腻了的快死型功能,比如脸萌,足迹这种功能,这种情况下我们要思考如何增加用户的粘度,减少用户流失。

二、Active活跃度是什么

1. Active分为两种

  1. 第三方数据统计系统的判定数据;
  2. 基于业务对用户执行事件的统计数据。

1)第三方数据统计系统的判定数据
预制报表的统计系统(友盟、百度统计、GA等)都是基于事件上报进行统计,其统计逻辑是:

今天上报过事件注 → 用户进行了主动操作 → 这个用户是活跃的

注:

上报事件指的是例如:进入到登陆页面,进入到首页,点击某个按钮等,例如进行登录页成功,会上报一个page view事件;按钮被点击,会上报一个onclick事件等。

(哪些事件需要上报,不同平台规则略有不同,可以去平台查看,同时了需要结合自己本身的公司业务,例如如果您的app本身就不需要登陆,那么进行登陆页进行上报事件,就显然是不合理的)。

但这里有一个坑:注意是用户主动操作的行为产生的上报时间,如果不是用户主动操作的,例如用户接收到一个push(系统内推送),这种就不属于上报事件。

2)基于业务对用户执行事件的统计数据

基于公司内部平台,相较与第三方的原理类似。公司关心的点整理出一个日活事件列表,列表中可根据具体业务插入或者删除相应事件:例如进入登录页,首页,加至购物车。当用户有了这些关键事件后,上报后自己的后台进行统计。

其统计逻辑是:

用户执行事件(执行事件为公司罗列的日活事件) → 这个用户是活跃的这种类型,有利有弊,利在于更加灵活,可以根据业务需求快捷更改;弊端在于维护成本高一点。

三、User用户是什么

提及User会产生两个概念,例如:Alen通过手机、平板、电脑分别登陆了APP;那么此时应该记录为几个用户?

User用户的区分分为两种方式:账号(人),设备。

1. 基于人识别User

用户数User = 访问过服务的ID数这个ID是指UID

注,只一个注册用户,每个注册用户都有唯一的UID。这种方式适用于强制登录的产品。

注:UID(User Identification):UID用户在注册网络平台后,系统会自动地给你一个UID的数值。意思就是给这名用户编个号。

2. 基于设备识别User

用户数User = 访问过服务的设备数针对于如何识别设备唯一标识,安卓,ios平台的方法不一样。

1)IOS采用的方法

IOS通过IDFV识别设备,IDFV是一个由字母数字构成的字符串,用于唯一标识程序供应商的设备。

2)IDFV的生成规则

通常IDFV由AppStore提供的数据决定。如果是企业包或开发包,IDFV根据App bundle ID计算。

IOS7之后,Bundle ID除去最后部分,其他剩余部分用于计算生成IDFV。如果Bundle ID只有一部分组成,则全部用来参与计算。

3)IDFV的变与不变

  • 同一台设备上,来自同一个供应商的App,IDFV相同。
  • 同一台设备上,来自不同厂商的App,IDFV不同。
  • 不同设备的DFV不同,与供应商无关。换言之,即使同一个厂商的App,在不同设备上IDFV也不相同。
  • 当iOS设备上存在同一厂商的其他应用时,删除App重装,IDFV保持不变。
  • 删除iOS设备上同一厂商全部App,重新安装App,IDFV会发生改变。
  • 使用Xcode安装测试版本或ad-hoc包时,IDFV会发生改变。

2)Android采用的方法

下方给出一部分方法,一般安卓工程师会综合下述方法进行一次拼接综合。

3)Web采用的方法

在网页cookie中买下一段长随机字符串,作为设备唯一标识符,用户数=访问过服务的设备数。

3. 识别人还是设备的选择

关于实际业务场景,识别人还是识别设备的选择,有如下方案提供参考:

参考原文链接:

  • 《如何理解 DAU 和 MAU 这两个数据》
  • 《DAU/MAU Ratio | Geckoboard》
  • 《产品经理要懂的数据分析——指标建模(上)》
  • 《数据扫盲(1):我们常说的DAU、MAU是啥?》
  • 《IDFV简介》

本文由 @ Benson 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。