快捷搜索:

宏观数据指标简介(上):「新增」与「卸载」

原标题:宏观数据指标简介(上):「新增」与「卸载」究竟怎么看

笔者基于自己工作中遇到的一些产品数据分析问题,与大家分享其对于数据分析的见解与感悟。期望以简单易懂的文字让产品数据分析小白,能通过改文章对数据分析有一定的了解。

一直想把产品工作中遇到的数据分析问题做一个系统的总结,但因为种种原因一直没有下笔。前些天详细梳理了一番,打算通过几篇文章将产品工作中的“数据分析”说清楚,文章尽量用通俗易懂的言语阐述。

对于这些文章,我心里有一个小目标:让一个毫无基础的人,看了这几篇文章也能对产品的数据分析有一个初步的了解。

废话不多说,我们开始吧!

一、宏观指标

宏观指标会从:新增、卸载、留存、活跃,四个维度来进行介绍,当然每个维度又有具体的细分。

宏观指标通常出现在数据面板(Dashboard)中,用于日常数据的监测,来判断产品的异常与否。

因为文章篇幅限制,本篇文章只会介绍前两个指标:『新增』『卸载』,剩余的部分会在接下来的文章里面进行阐述。

二、统计的基本单位

在正式介绍数据指标之前,我们要明确一个概念:用户数量统计的基本单位

实际上,目前市面上常见的数据数据统计平台,还没有能力真正识别一个真正的人。

回顾一下国家是怎么统计人口的:是为每个人分配唯一的一个身份编号,这个编号不仅仅保存在户口本与身份证上,还保留在国家的统计局里。

但是,如果一个人有两个不同的身份证号,其实从国家的角度来看,就是完全独立的两个人。

对于产品统计平台来说,也是如此。

数据统计平台也是通过为用户分配唯一编号的形式进行确认的,目前常见的方式有三种:

  1. 社会属性账号,例如:手机号码,微信号,邮箱……
  2. 设备标识,例如:每个手机都有一个唯一的id,可以通过手机id来区分。
  3. 应用标识,其实每个应用也有唯一的一个id,这也可以用于区分不同的用户。

不同的应用对于用户单位的定义也不尽相同:对于拥有账号体系的应用,一个用户特指注册的账号,但是对于没有账号体系的应用,多数使用的是应用id作为用户数量的基本单位,而设备id通常作为补充。

这里补充一点:接下来所有的案例均以应用id作为基本单位进行阐述。

在明确了用户数量的『基本单位』后,我们正式进入产品数据核心指标的阐述部分。

所谓的核心指标指的是:能够衡量产品状态的数据标准。

通过这些指标就能很直观的判断:产品整体表现的好与坏,局部改动的得与失。

其中核心指标主要分为两类:宏观指标微观/功能指标

宏观指标主要衡量产品的整体状况,而微观指标则能够精准的呈现产品中某些功能的使用情况。

为了方便,我们先凭空造出一个App,名为:示例App

接下来所有的数据指标都来源于『示例App』。

三、新增

新增顾名思义,指的是:没有使用过示例App的用户。

如果这用户开始使用了,那么该用户便是示例App的一个新增用户。

如果从职责划分的角度,新增指标更多的属于运营指标。因为产品功能上的改动,往往对新增数据的影响不大。新用户的获取属于流量获取行为,更多的的归因于宣传活动、广告投放、产品ASO的优化等。

如果笼统的说新增这个指标,上面那段文字的描述就已经足够了,但是如果你想细致的了解,那可以从以下几个维度进行细分:

1. 新增究竟是什么

传统行业中的新增用户很好定义——就是个体的人。

例如:某个餐馆开张,第一天来了100个顾客,那么这一天的新增用户就是100人。

但是对于手机App来说,这个维度就显得有些粗了,举个几个例子:

  1. 用户甲有两个手机,并且都安装了示例App,那么对于示例App究竟甲算究竟作一个用户还是算作两个用户呢?
  2. 如果在示例App能够在一台手机上进行重复安装,用户甲在自己的手机上安装了两个示例App,那么又该怎么算呢?
  3. 如果一个用户甲第一天安装了示例App,然后第二天进行了卸载,第三天又重新安装了,那在第三天的时候,甲算不算新增用户呢?
  4. 如果用户甲第一天安装了示例App,然后在第二天进行了升级/更新,那甲算不算新增用户呢?

或许看完了以上四个问题,你心中充满了困惑,这里建议你再重新看一次『用户数量的基本单位』的阐述——如果我们以App id为基本单位,则一切以App的时机数量为准。

所以,前两个问题的答案就迎刃而解。

对于第三个问题,用户卸载了App又进行了重装,那么这个用户还算不算新增用户?

这里给出的答案:依然是新增用户。

举个例子,『员工甲』在自己的『A公司』办理了离职手续,几个月后又重新入职,那么对于A公司来说,员工甲算不算是公司新人呢?

原则上肯定是公司新人,虽然之前员工甲对于A公司爱过、痛过,但毕竟现在是重新来过!

对于最后一个问题:升级的用户,对于新版本来说算不算是新用户?

一般来讲,应该不算是新用户的。

接着上面的案例说:员工甲在A公司努力工作,职位升了,对于新到的部分来说,可能算是新面孔,但是对于公司来讲,肯定不算是新员工了。

当然,上述文字只是说了最一般的情况。其实最终对于新增单位的定义还要看具体数据统计平台自己的定义,至于关于数据统计平台的阐述,这就是后话了。

2. 新增的关键事件

定义完了新增的基本单位,接下来要说新增的触发时机了。

发生了什么行为的用户算作是新增用户呢?

这里有两个关键的操作:安装首次打开

一般情况下,还是默认为:只有发生了首次打开的事件才会被认为是有效新增。因为只有用户打开了示例App,才能体验示例App的提供的服务(功能或内容),同样只是安装但是一直没有打开,那基本上等同于无效安装。

继续以员工甲与A公司为例:如果员工甲在A公司只是提交了入职材料,但是一直没有来公司上班。那么,对于A公司来说,员工甲基本上算是无效员工,只有员工甲为A公司真正工作了、服务了,这样的员工才算是一个合格的员工。

所以,我们一般情况下定义的新增用户,指的是:安装并且打开过示例App的用户。

3. 描述新增的时间范围

如果按照时间范围这个维度来划分新增用户,一般可以分为『单位时间新增』与『累计新增』。

单位时间新增又可以分为:每日新增、每周新增、每月新增、每季……

当然最长用的还是每日新增。

最开始提到过:新增是衡量运营同学工作的核心指标之一。

这里要更加精确一些:『每日新增』才是衡量运营同学工作非常的核心指标。

至于累计新增这个指标,可能对外提到的会多一些,例如:全中国一共有XXX用户用过我们的软件这样的描述,无论对于吸引投资还是展示公司的形象,都是挺管用的。

四、卸载

一直再考虑要不要加上『卸载』这么一个指标,纠结的原因主要在于:

首先卸载是衡量一个产品好与坏非常直观的指标,所以非常的有意义;

但是,卸载这个指标非常的难以统计到,以至于市面上主流的统计平台只有Google的Firebase统计平台才能获取。但是,国内的互联网环境你们也懂,很多国内的Android系统内置的Google服务被阉割了。所以,主要面向国内市场的互联网公司根本就拿不到。

但是,抱着内心中仅存的一丝幻想:万一将来Google又回来了呢?

所以关于卸载仍然要说上几句。

卸载指标从时间连续性上可以分为两个类型:『卸载率』与『卸载曲线』。

卸载率指的是:截止到某一时刻,某批新增用户中,卸载用户的占比。

而卸载曲线则是:卸载率在时间这个维度上的动态变化。

1. 卸载率

再次重申一下『卸载率』的定义:

某一批的新增用户中,截止到某一时刻,卸载用户占据新增用户的比例。

举个例子:如果今天的新增用户有100人,这100个人中,有30人在首次打开示例App后的24小时内,把示例App卸载了。那么可以定义:今天示例App的24小时卸载率为40% 。

其实单纯的看卸载率所获取的信息是远远不够的。

因为很多时候,我们不仅仅要看某一刻的卸载率,还要观测一段时间内,示例App的卸载率的变化,所以通常情况下,我们更多的是查看「长期卸载率」。

2. 长期卸载率

长期卸载率指的是:在一段时间内(一般以天为单位),每天前XX分钟/小时的卸载率的集合,如下图所示:

上面两条曲线分别代表:对照组与实验组在15天的时间里,前24小时的卸载率的变化曲线。

给人最直观的感受是:实验组的卸载率显着低于对照组。

所以,很容易得出结论:实验组要好于对照组。

虽然结论很容易得出,但是真的就这样结束了吗?

试想这样一个场景:实验组和对照组唯一的区别就是实验组砍掉了A功能。

通过数据可以看出:砍掉功能A后,卸载率降低了,但是我们真的能斩钉截铁的说用户不喜欢功能A吗?

如果是因为功能A的存在,导致了用户安装1小时之后会有极大的概率出现严重的bug,而用户实际上非常喜欢功能A,只是因为忍受不了这个bug而被迫进行卸载,那么这个时候仅仅通过长期卸载率是无法归结出正确的原因的。

更确切的说:如果App从被打开到使用了1个小时的过程中,实验组的卸载率要远高于对照组。但是1个小时之后,对照组的卸载率才开始反超实验组。

所以,这个时候只盯着固定时刻的卸载率,很容易导致我们的误判。如果这个时候能够结合着『卸载曲线』去分析,就会避免这样的问题。

3. 卸载曲线

关于卸载曲线,纯粹用文字解释可能比较麻烦,所以先给大家看一个示例图:

这张图展示的就是:示例App的卸载曲线。

  • 横轴代表着:距离首次打开事件的时间间距(单位为分钟);
  • 纵轴代表着:某一时刻的卸载率。

现在我们可以给卸载曲线下一个定义:指的是在指定的时间段内(一般以分钟为单位),每个时刻的卸载用户数占新增用户数的比例的集合。

从图中我们可以看到:无论是实验组,还是对照组,其卸载曲线在前几分钟内急剧的上升,然后有急剧的回落,最终逐渐的平稳,直至趋向于一条直线。

从卸载曲线的示意图中,我们可以明显的看出:实验组的卸载峰值高度明显低于对照组,而且峰值时间也要比对照组晚一些。

这说明:实验组确实要比对照组好很多,那么可以进一步证明A功能确实不受用户的待见。

而实际上的卸载曲线的峰值会更快与更高,因为一个普通的新用户对于一个陌生App的耐受程度是非常低的。在使用App的前几分钟内,如果觉得不爽,那就会毫不犹豫的删除掉,这关键的几分钟也被称之为:新手窗口期

这意味着在设计产品的时候,要尽量让用户在刚打开App的时候,就能看到该App的特色/优势。如果将这些功能藏着掖着,待用户自己发掘,结果很有可能是这些功能根本没有展示的机会,就胎死腹中!

当然了,能不能把两张图结合在一起来看呢?

或许『累计卸载率』能满足这样的要求。

4. 累计卸载率

累计卸载率指的是:在指定的时间段内(一般时间范围为1天),单位时刻(一般单位为分)的累计卸载率。

如下图所示:

每个节点代表着截止到某一时刻为止,总的卸载率。

而某段时间内卸载率的变化趋势/斜率,则代表着:这段时间内用户的卸载速度。

累计卸载率既能体现出卸载的过程,又能直观的看到每个时间节点的累计卸载率。

五、结语

这篇比较详细的说明了『统计单位』『宏观指标』『新增』『卸载』的概念。

虽然种类不多,但深究起来,也足以值得细细品味,不再多说,下期见!

作者:MAGICY,个人公众号:奇点大侠,知乎专栏:产品见知录

本文由 @MAGICY 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。返回搜狐,查看更多

责任编辑:

您可能还会对下面的文章感兴趣: