提升DAU，数据分析要怎么做？

DAU涨啦，DAU又降啦；

DAU又涨了，DAU又降啦……

大量数据分析师的工作，就消耗在这种无聊的叨叨中。更糟糕的是：很多涨跌，只是单纯的开发埋点没做好，数据丢失等脑残问题导致的，没啥有价值发现。

当业务方来问：那我要拉升DAU，能做啥？

数据分析师只能颤颤巍巍的答道：要！搞！高！

今天系统讲解下，这个僵局怎么破。

  1   

提升DAU常规做法

提升DAU，运营有的是现成的套路，有诗词为证：

《搞DAU》

用户促活一句话

签到转盘种小花

要是手头没费用

爆款话题往上挂

简单来说，就是有钱的话，就搞签到奖励、在线XX分钟得积分、每日登录摇豆子、种花种树种7天得XX礼品。没钱的话，就发文蹭热点、骗眼球。大家每天搓手机，都多多少少被这些套路过。

问题在于：

第一：这些手段运营自己都知道，根本不需要数据分析

第二：手段真管用？大部分都是“人走茶凉”型的，治标不治本

那么，站在数据分析角度，如何摆脱像布谷鸟一样，每天喊“涨啦，跌啦”，真正分析出解决问题的关键呢？

  2   

DAU的本质

在DAU数字的背后，是：产品对用户需求的满足。

1、满足程度越高，用户持续登录越多，最后DAU自然提升。

2、仅在特定的场景下满足用户需求，用户就会在特定场景下登录（比如大促销、新品上市、……）

3、如果没有明确场景，只是靠蹭流量、派奖励来维持，那最后的结果就是人走茶凉。

另一个问题，在于如何将信息推送给用户。用户登录以后才产生DAU，打卡、签到、种树，都得在用户登录以后才发生。

如果用户不登录，那能吸引用户点击的手段，就只剩下推送信息和裂变两种。大家可以看看自己手机每天收到多少条信息，自己又点开了多少，就能直观感受将信息推送给用户之难——能获得用户宠幸的APP真是少之又少。

这导致了，很多用户虽然名义上没有流失（没有达到流失的统计标准），但事实上已经处于流失状态。不区分用户类型，单纯地上签到、抽奖、大转盘，只能让现有的活跃用户薅更多羊毛，流失用户还是不响应。

综上两点，想节省成本，避免人走茶凉。就得站在用户角度：

1、区分用户活跃程度（重度/轻度/流失）

2、找出用户感兴趣的东西（活动/内容/商品/优惠）

3、找到能推送信息给用户的手段（短信/APP信息推送/裂变）

这样才能细致地，有针对性地解决DAU问题。特别是，探索出不砸钱也能保持用户活跃的场景，从而减少盲目的砸钱拉大转盘。

  3   

做好用户分层

针对用户活跃程度做分层，相对容易。通常的做法，可以对用户过往90天（季度）/30天（月度）/7天（周）的登录天数进行统计，区分出频繁登录、偶尔登录、未登录用户。想再做得复杂一点，可以学习RFM模型，构建用户活跃模型RFA（如下图）。

这样可以区分出重度/轻度/流失的用户。

难点在于找出用户感兴趣的东西，给用户登录一个直接理由。这里需要利用用户分群分析，对用户的过往消费/活跃行为进行分析，找有用户感兴趣的点。

比如电商类APP，用户感兴趣的，可能是：

1、有大促，图便宜（意味着日常登录就是很少）

2、有爆款产品，来抢货（意味着浏览/收藏/加购/消费的是特定商品）

3、某品牌/店铺很忠诚（意味着浏览/收藏/加购/消费的是特定品牌/店铺）

4、来薅点好处（意味着活动参与率/积分兑换率/优惠价格购买率很高）

5、几个平台比价（无购买记录，但是有聚焦某些品类的浏览记录）

6、随便逛逛（无购买记录，无重度浏览内容）

7、被推广活动吸引进来的新人（无购买记录，浏览记录也很少）

这些场景中，1-4情况意味着用户行为会集中发生在某个时间段、某个品牌/产品，因此比较容易捕捉。

前提是：需要对商品/活动/优惠类型打标签，再基于商品/活动/优惠类型标签对用户进行分类。这样能更快速输出分析结论。不然对着几万个SKU，几千个活动名字一一提数看，不但工作量大，而且看不出来啥问题（如下图）。

5、6、7情况下，数据本身会很少、很零散，很难像分析重度用户那样，从过往消费经历里找到规律。此时的用户兴趣点，更多是测试出来的：通过初始线索，测试多种可能性（如下图）。

更好的做法，是准备运营的“三板斧”：在市场上最有竞争力的武器。在短期内，一个APP能拿出手的爆款产品数量是有限的，能吸引到的核心用户也是有限的。

因此，针对轻度用户和新用户，可以直接推最拿得出手商品/内容，一方面直接提升DAU，另一方面测探用户需求，获取数据。

  4   

用数据检验拉升效果

有了场景分类，能区分出提升DAU手段的有效性，从而总结出行之有效的手段。

注意：很有可能运营已经有固定的活动/信息推送在做了。只是这些活动没有触达到该触达的人，或者并不符合对方的需求。

这样的话，在做好用户分类与场景划分以后，可以根据现有活动/信息的相应情况，做出对应表。观察哪些用户没有被覆盖，有哪些用户发生了偏差，有待优化（如下图）。

这样，在解读“为什么DAU又降了”的时候，可以有更多结论：“因为我们没有管这一帮用户”“因为我们没有抓用户需求”同时做优化的时候，可以看到哪些是已经推过的，然后尝试更多未推送的可能性，直到找到更好的答案。

  5   

小结

从本质上看，拉升DAU手段的分析目标，不是找一个手段，而是找低成本的手段。谁都知道，只要肯往死里打折，只要肯送0.99元一箱的鸡蛋，用户肯定活跃，还会呼朋引伴的过来活跃。

数据分析的价值，在于在盲目推广中，找到更多刚性需求，从而降低成本，用更贴近用户需求的方法保持活跃。

只不过这样做，需要商品/活跃/优惠/内容/用户等方面，大量的基础数据建设。从基础的标签建设开始，到分版本测试信息推送效果，都需要一步步积累。指望一次分析报告整出来，肯定不太现实。