009问 月薪3万元的增长黑客是怎么统计活跃用户数据的？

小坏有话说

同样是日活跃用户数据，为什么你只有一个数，而增长黑客会有一张表？次日、3日、7日的活跃用户是个什么概念？日活跃用户、周活跃用户、月活跃用户数据该怎么统计？活跃用户分层怎么做？

现在，我总结了30个维度，你要看么？

问题解析

在分析活跃用户数据上，有日活跃用户、周活跃用户、月活跃用户3个维度。在这3个维度下，还有更精细化的分类。

活跃用户数据的统计维度如下所示。

DAU（日活跃用户）：当天满足活跃条件的用户。

DAU新用户：当天注册且满足活跃条件的用户。

次日DAU：连续2天满足活跃用户条件的用户。

3日DAU：连续3天满足活跃用户条件的用户。

3日内DAU:3天内任意一天满足活跃条件的用户（分查重/不查重2个数据）。

7日内DAU（周活跃用户）:7天内任意一天满足活跃条件的用户（分查重/不查重2个数据）。

7日DAU：连续7天满足活跃用户条件的用户。

7日DAU率：DAU在7日内DAU（查重）中的占比。

7日流失DAU：之前满足但最近7天内不满足活跃用户条件的用户数。

7日平均DAU:7天内每日平均的DAU数。

7日内DAU分层：7日内有3天、5天满足活跃条件的用户，可以不连续满足。

DAU 7日流失率：1-（7日DAU/DAU）。

7日回归用户：7天前没有满足DAU条件，但在当天满足DAU条件的用户。

30日内DAU（月活跃用户）：过去30天内任意一天满足活跃条件的用户（分查重/不查重2个数据）。

30日DAU：过去30天连续满足活跃条件的用户（分查重/不查重2个数据）。

30日DAU率：DAU在30日DAU（查重）中的占比。

30日流失DAU：之前满足，但最近30天不满足活跃用户条件的用户数。

30日平均DAU:30天内每日平均的DAU数。

DAU30日流失率：1-（30日DAU/DAU）。

30日回归用户：30天前没有满足DAU条件，但在当天满足条件的用户。

30日内DAU分层：过去30天内有10天、15天、20天、25天满足活跃条件的用户（可以不连续满足）。

DAU黏性度：7日平均DAU数/WAU（周活跃用户）数量或者30日平均DAU数量/MAU（月活跃用户）数量，可以以此计算出用户平均活跃天数，例如30日平均DAU数量为1万人，而MAU数量为2万人，可以计算出DAU黏性度为50%，产品黏性较强。

DAU属性分层：按照使用市场、购物频次、购物金额、分享留言等关键用户行为对DAU进行下一步分层。日活跃条件是当天对产品核心功能的使用，而根据关键用户行为进行的细分是对不同特征的活跃用户进行的下一步分层。

每小时DAU：观察一天中每小时满足活跃条件的用户，通过不同时间区间的活跃用户占比看出用户的使用习惯。

DAU使用时长分析：观察DAU使用产品30分钟、60分钟、90分钟等不同时长的用户占比，分析产品对不同用户的黏性以及不同时长用户的使用行为（同类分析还包括购物金额等关键用户行为，根据产品特征来设计）。

活动转化DAU率：某次活动转化来的用户数量在所有DAU中的占比。可以此来判断活动质量。

渠道转化DAU率：不同渠道转化用户的数量在所有DAU中的占比。可以此来判断渠道质量。

关键用户转化周期：根据产品设计的关键用户标准时长。例如电商产品中把月购物15次且累计金额超过1000元的用户定义为关键用户，通过观察用户的活跃情况计算普通用户转化为关键用户所需的活跃时间。

总结

为什么要这样统计活跃用户数据？

在增长黑客的思维中，用户数据统计反馈的是用户的行为和动作。活跃用户代表对产品产生价值的用户群体。从时间维度统计用户数据，可用来观察活跃用户量的变化，而从属性维度统计用户数据，可用来对用户做分层，进而实现精细化的用户运营。

不仅是活跃用户数据，新增、留存、活动转化和付费转化用户的数据都可以做一步步的精细化拆分。在关于活跃用户统计维度的设计中，核心的思路是将与活跃度有影响的因素全部挖掘出来，并统计其对活跃数据的影响。