产品生命周期是一个很大的过程，在这个“大过程”中，又有着一些“小过程”。对此，本文从生命周期的基本概念、数据处理、生命周期主要环节、价值点挖掘四个方面做了分析，希望对你有所帮助。
如果把一款产品比作是一艘邮轮，那么这款产品在应用市场上架的时刻，可以当做是这艘邮轮航程的起点。在这趟航程里，会有无数的乘客（用户）先后来到和离开这艘邮轮。当这艘邮轮最后一次停泊靠港时，也就是其生命周期已抵达了终点，准备在应用市场下架了。
本文首先厘清了关于生命周期的基本概念，明确了需要发力的方向，进而介绍了几个数据处理的技巧，处理后的数据相对会更友好。并对生命周期的主要环节（新增/留存/活跃/沉默）逐一展开观察和分析，最后分享了几个在生命周期分析里可以挖掘的价值点。
（注：本文所涉及的数据都已做了脱敏处理和量纲转换）
周期这个概念，可以很玄妙，也可以很具体。往大的层面讲，可以从太阳黑子的活动规律讲起，进而深入到人类社会的康波周期，人口周期，可以说万物皆周期，万物都处在周期的运行过程之中。往小的层面讲，一款产品，产品里的用户，都有一个（或几个）生命周期。
生命周期是一个从开始到消亡的过程，起点和终点都是确定的，不确定的则是这个过程所持续的时间，所变化的形式。生命周期分析所要做的，便是理解这个过程，优化这个过程。
（1）产品生命周期
每一款产品在投入市场后，大体上都会经历探索期，成长期，成熟期和衰退期这四个阶段。
（2）用户生命周期
与产品生命周期相对应的，这款产品里的每一个用户也都有自己的生命周期。只是在应用市场里，用户的数量往往要远超于产品的数量，所以用户的生命周期也就呈现出更为丰富，更为多元的形态，有些用户注册后“一言不合”就走了，有些则一直留了下来。
总体上来讲，用户会经历新增，留存，活跃，沉默，流失这几个过程，只是这几个过程并不一定连贯，可以交叉穿越。比如从新增直接流失，这是“薅羊毛”的用户，比较常见于互金，理财类的产品；比如从留存直接流失，其中有一部分是在不同竞品间进行比较，当比较完成之后，便也直接流失了。
而那些真正完整经历了每个过程，并在每个过程的核心指标里表现优异的用户，便是我们需要关注的头部用户，他们往往会贡献出这款产品里最大的价值。
通过对产品生命周期的分析，可以更好地打磨每个环节的转化情况，让产品和用户不断地相互适应，从早期的粗放式经营转化为一种更为精耕细作的方式。在用户成长体系的每一个关卡，进行引导和助力，量变会带来微小的质变。
常见的数据处理方法，有移动平均，相关分析，数据变换等几种数据处理的方式。真实业务下的数据，往往都是带有噪音的，偶尔会有一些“坑坑洼洼”。
如果直接去看最终数据的话，往往是很不友好的，通过一些数据处理的技巧，能让我们更便捷地观察业务数据的变化情况，并猜想和验证这些数据变化背后的深层次原因。
设置统计指标的初心，是为了能把握整体业务的变化情况，平均数，中位数等的制定，都是为了观察业务数据的集中和离散趋势。
在很多的场景下，这些指标都是有效的，但并不代表它们可以适用于所有场景，当场景不合适时，只看这些指标反而会形成干扰。尤其是在用户体量很大，数据分布具有严重的“左偏”或者“右偏”时，只看平均值可能就不合适了。
去平均化，或者说是用户分组，便是应对这种情况的一种处理方式。其实就是在整体平均值发生变化时，通过对用户进行分组，观察用户内部的结构变化，可能会得到不一样的结论。整体平均值的增长，是否对应每一个用户组的增长？不同组是否会有不一样的变化趋势？
不同用户分组的留存趋势
当整体业务在以某种趋势变化时，不要用户分组的变化可能不是协同的。方向一致时，彼此的变化速度不一样，可能会在某个时间点形成交叉，并且之后又以不同的速度反向翻转。通过去平均化的方式，可以更好地理解用户内部的结构差异。
通过什么方式对用户进行分组更为合理？这个问题类似于在做机器学习的特征时，如何对连续属性的字段进行分箱，虽然分箱方法有很多，但等频和等距仍然是其中经典而常用的两种方式。应用到用户分组这里，等频就是按照数据量来分割，等距就是按照属性值来分割。
在生命周期分析的工作中，会有很多的场景都会涉及留存的统计，比如注册之后的留存，活跃之后的留存等，同时因为时间的推移，不同时期用户的留存情况可以形成一个留存矩阵。这个矩阵的设计，可以有不同的方式，能表达出所关注的用户群的留存趋势变化即可。
先分析得出不同形式的留存矩阵。得到留存矩阵后，从不同的视角出发，可以做不同角度的观察和分析。在每一个月份新增的用户群体，可以得到其在三个月/六个月/九个月之后留存比例的趋势变化情况。
不同距离月的留存趋势变化
对生命周期的分析过程中，不可避免地会要做一些因子分析，比如在具体环节下，对某项具体的指标（留存率，活跃频次，未来是否付费），是否存在一些较为有效的因子，能与其具备良好的相关性。
因子分析的结果，虽然不如深度的模型结果来的精准，但处理过程却相当简洁，在不同场景下总能找到一些有效的因子，是一种性价比相对良好的统计方式。
针对不同的产品，从不同的关注点出发，可以搭建起最适合自己的因子体系。其实不需要像金融市场的101因子等做得那么全面而深入，选择一些自己最关心的，同时与核心指标相关的一些因子，就可以做出一个有效的因子体系。此后有需求时，直接从中取数即可。
因子体系的结构
做机器学习的特征选择时，有时会应用到一阶差分，通过观察其收敛的转折区域，从而筛选出更为有效的特征。这个方法也可以用在生命周期的场景里，因为这个场景涉及大量的长尾分布，由于头部和尾部的用户量级差异较大，所以其内部的变化速度很难直接观测出来。
尾部用户虽然量级较小，但往往是对产品贡献最大的那群人，所以其内部变化是值得关注的。
如图1所示，即是一个经典的长尾分布，但在这个分布里面，越是尾部的用户，越是我们需要关注的高活跃用户。通过图2，可以看出在这个长尾分布里面，不同区域的用户数量变化速度，头部和尾部的变化速度都是较大的，中部区域的用户变化则相对平稳。
图1：某个长尾分布
图2：某长尾分布的一阶差分
如果把注册用户当做一个半封闭的系统的话，那么每月新增用户就是这个系统唯一的外界能量输入。新增用户的持续输入，会影响原有的用户池的结构，与此同时，新增用户本身在不同时期也可能出现不同的特征。所以，对新增用户的观察，就是一件有意义的事情。
（1）新增用户简况
对新增用户的观察，首先是每月新增用户数的观察，这个指标可以细分到地区和市场，从而了解每月新增用户在绝对量上的变化趋势；同时可以观察当月新增用户对原有用户池的影响，这里就涉及累积用户数和环比增速这两个指标，用于评估用户池的变化。
（2）新增用户质量
在对新增用户的数量有了一定了解后，可以对其“质量”进行评估，从中可以观察到来自不同时期，不同渠道的用户差异。如何评估新增用户的质量，可以基于所分析的产品的侧重点去思考，比如活跃，留存，或者互动的情况。
新增用户的质量变化，虽然会有阶段性的波动，但大体上还是会在时间里呈现出一个明确的趋势，只是趋势变化程度不同。
（3）新增用户因子分析
到了新增用户因子分析，就已经切换了视角，不再关心产品角度，或者不同时间段的用户群角度，而更多是从微观的视角出发，通过对用户的状态、行为等因子分析，从而分析出一些有价值的业务点。
通过用户在首周，首月里的活跃天数，活跃次数，具体产品功能的使用情况，找到其后期行为表现的依据。这些行为规律往往更具有稳定性。
用户增长与环比增速
新增用户在距离1个月的留存率变化趋势
当用户通过注册进入到产品用户池时，此后的结局只有两种，沉默和活跃，只是根据沉默和活跃的程度不同，又可以细分出更多的用户群体。对于留存用户的观察，可以更清晰地看到其内部不同用户群体的结构变化，从而对不同群体采用不同策略进行管理。
（1）整体留存简况
对留存简况的评估，可以通过用户注册总量了解用户规模，同时可以选定一个时间周期（比如每月），通过对该周期内留存用户的不同表现，从而了解其内部的结构差异，比如每月不同活跃天数的用户数量变化趋势，或者分组之后不同组的变化趋势等。
（2）留存寿命
基于固定时间周期，和基于固定流失条件，都可以对用户留存寿命进行观察和分析。
基于固定时间周期，比如注册后500日内，观察用户的留存寿命差异；基于固定流失条件，比如沉默30天后，认为已经流失，该次生命周期已经结束，此后再激活时，则当做是新一轮生命周期的开始。基于这种角度，也可以对用户的留存寿命差异进行统计。
（3）留存行为模式
产品不同时期的用户留存趋势-A
产品不同时期的用户留存趋势-B
留存用户分组后的结构变化
活跃和付费，往往是一款产品价值间接和直接的兑现过程，所以也是产品分析中的一个重点。日常运营过程中，很多监测指标其实都可以归类到这两个范畴。
（1）整体活跃简况
相对于新增和留存阶段，活跃阶段需要关注的指标相对多一些，活跃人数用来观察用户规模，活跃频次用来观察用户氛围，活跃时长则可以表达这场party的可持续性。这些指标看似相似，描述同一个内容，但在发生变化时，有一个明显的传导关系。
（2）整体付费简况
付费数据的处理，相对要复杂一些，涉及到付费渠道，付费金额的单位，以及不同币种之间的汇率结算。同时因为一些自动续费的付费场景，付费数据在短期的时间趋势上可能并不好看，波动程度较大。
但一些常规的统计指标还是适用的，比如每日付费人数，每日付费总额，人均付费金额，次均付费金额，以及不同产品下的付费占比等。
（3）核心指标分组观察
以活跃指标为例子，对核心指标的分组，即按照一定的方法，将用户群分为不同的组别单独观察。笔者在试验过程中，采用等距切分的方式，对活跃的UV、PV、Time分为了五个组别。当整体活跃指标发生变化时，可以观察到不同组别渐次变化的现象。
（4）活跃因子分析
在活跃的场景下，可以挖掘的活跃因子是比较多的，比如VIP对活跃的影响，购买VIP前后，用户的行为变化特征，以及VIP本身对活跃指标的影响；比如活跃时长和活跃频次之间的相关关系，两者并非完全相关，存在着不同相关形式的用户群，对这些用户群的挖掘是有意义的。
活跃因子分析中，可以侧重于对时间节点的把握，比如购买之前几天用户会开始访问VIP商城，购买之后多长时间，对活跃的影响开始有了减弱。
活跃核心指标观察
活跃时长和活跃频次的相关关系
活跃人数分组观察
在已注册的用户池中，有很大一部分用户是处于沉默状态的，这是大部分产品都要面对的问题，尤其是工具类型的产品。当用户的沉默达到了一定时长时，可以近似认为其已经流失。
（1）整体沉默简况
整体的沉默简况，可以将每天作为一个时间粒度，通过统计用户上次活跃距今时长，统计当前不同程度的沉默用户，从而盘点出一个整体的沉默简况。
（2）沉默程度细化
沉默和回流往往是相对应的，沉默的程度越低，回流的概率越大，沉默的程度越高，回流的程度则越小，这两者的负相关性是确定的，但在不同阶段的变化却有很大的差异。对于不同的产品，其回流率的变化曲线也是不同的，可以对此进行细分统计分析。
（3）沉默因子分析
对于沉默因子的挖掘，可能最后仍然会回到一些核心指标的变化上来。也就是说，如果用户在未来会陷入沉默，逐渐走向流失，那么在此之前可以较为明显地观察到其核心行为指标的变化。沉默因子分析的结果，可以用于流失前的预警，流失后的干预等场景。
不同沉默时长的用户群变化趋势
生命周期的分析，除了对产品/用户的周期过程有更清晰的认知和理解外，还应在数据之中挖掘出一些价值点，用于制定实际的业务运营策略。它们围绕着生命周期的主要环节，可以是复杂的模型输出，也可以是一些简单的统计Tips，用于实现对目标用户群的精细化运营。
新增用户的首月行为模式，在较大程度上已经可以预示其之后的行为模式，这种现象类似于《圣经》里说的“七岁见大”。比如首月活跃天数，看似是一个简单的指标，但以此进行分组的话，不同组别在此后的行为表现是迥异的，界限清晰的，是一个用户分组的良好指标。
如下图所示，从整体来看，这四个分组在此后的行为表现是界限分明的。虽然高活跃组和低活跃组在第一个月结束时，曲线出现了一个缺口，但对整体趋势的影响并不是很大。也就是说，当运营资源有限时，可以往首月行为较好的用户群倾斜，可能会有更好的效果。
根据首月活跃天数分组后的长期留存趋势
随着注册用户规模的基本盘变大，每月新增用户的数量逐渐平缓或者走低时，虽然偶有波动，但从长期来看，注册用户环比增速的降低是必然的。
只是环比增速在不同档位时，其实也是产品处于不同的发展阶段，高增长，稳增长，或者已经趋近于饱和阶段。通过对整体的或者不同地区细分的环比增速的观察，可以相对应地改变不同运营策略的权重值。
不同时期的注册用户环比增速
当产品在发生变化时，核心指标本身的变化是具有传导性的，比如活跃时长的影响最早，最深，进而先后传导到活跃频次，活跃人数的变化上来。而对核心指标的分组观察，则是进一步地进行细分，观察在这个指标变化的过程中，不同用户群体先后产生的不同程度的变化。
核心指标分组观察
本文首先厘清了关于生命周期的几个基本概念，每一款产品，每一个用户，都具有自己的一个或者几个生命周期。
其中用户的生命周期具有新增，留存，活跃，沉默等基本环节，但并非每一个用户都会经历完整的生命周期，基本环节之间是可以交叉穿越的。
生命周期分析中涉及一些数据处理的工作，除了此前介绍的移动平均，相关系数之外，本文接着介绍了去平均化，留存矩阵，因子分析，一阶差分等数据处理和分析方法。
基于产品和用户的角度，对生命周期的新增，留存，活跃和沉默这四个基本环节逐一做了梳理，提出了一些可以思考和分析的点，以及分析过程中碰到的有意思的现象。
但许多内容只是一个大体的思路，并没有细致地展开去讲，可以在实践过程中深入去做。
生命周期的分析，除了对其过程需要有清晰的认知和理解外，还应该从数据中挖掘出一些有价值的点，并应用到实际的业务场景之中。
文中分享了新增用户首月行为，注册用户环比增速，用户行为基本模式，核心指标分组观察这四个点，但这些肯定是远远不够的，更多是起到一个抛砖引玉的作用，提供给读者作为一个参考。
作者：cooperyjli，腾讯CSIG应用运维组
来源公众号：腾讯大讲堂（ID：TX_DJT ），聚焦前沿，打造互联网人的高光时刻
本文由人人都是产品经理合作媒体 @腾讯大讲堂 授权发布，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。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。