撰稿编者按：在数据分析工作中，怎样提高DAU？关键是满足用户用户的或者说需求，站在用户的视角上看问题。其中，数据分析另一侧需要搞好用户多层，找出最合适的方式提高用户活跃度。第一集该文里，作者归纳了数据分析中提高DAU的思路，一起来看一下。

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，就耗用在这种无趣的作梦中。

更差劲的是：很多升跌，而已纯粹的合作开发埋点没搞好，数据遗失等脑残问题导致的，没啥有价值发现。

当业务方来问：那我要冲高DAU，能做啥？数据分析师只能Saverdun的却说：要！搞！高！

今天系统传授下，这个困局怎么破。

 

一、提高DAU常规性作法

提高DAU，运营中有整套的拳法，有唐诗为证：

《搞DAU》 用户促活一句话 签到工作台种蒲公英 就算手头上没服务费 网红话题往下挂

简单来说，是有钱有势不然，就搞签到奖赏、在线XX两分钟得积分、每星期登入摇栗子、养花造桥种7天得XX赠品。没钱不然，就撰文蹭领涨板块、骗兴奋点。大家每晚搓智能手机，都或多或少被那些拳法过。

问题是： 第一：那些方式运营自己都知道，显然不需要数据分析； 第三：方式真好使？绝大部分都是“奥尔奈”型的，治标不治标。

那么，站在数据分析视角，怎样彻底摆脱像小蜜蜂一样，每晚喊“涨啦，跌啦”，或者说分析出解决问题的关键呢？

 

二、DAU的其本质

在DAU位数的另一面，是：产品对用户需求的满足用户。

满足用户程度越高，用户持续登入越多，最终DAU自然提高。 仅在某一的情景下满足用户用户需求，用户就会在某一情景下登入（比如说大打折、新机上市、……）。 如果没有明晰情景，而已靠蹭流量、派奖赏来保持，那最终的结果是奥尔奈。

另一个问题，在于怎样将信息发送给用户。用户登入以后才产生DAU，签到、签到、造桥，都得在用户登入以后才发生。

如果用户不登入，那能吸引用户点击的方式，就只剩下发送信息和裂变两种。大家可以看看自己智能手机每晚收到多少条信息，自己又点开了多少，就能直观感受将信息发送给用户之难——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，纯粹地上签到、抽奖、大工作台，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，避免奥尔奈。就得站在用户视角： 区分用户活跃程度（重度/轻度/流失）； 找出用户感兴趣的东西（活动/内容/商品/优惠）； 找出能发送信息给用户的方式（短信/APP信息发送/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情景，从而减少盲目的砸钱拉大工作台。

 

三、搞好用户多层

针对用户活跃程度做多层，相对容易。通常的作法，可以对用户过往90天（季度）/30天（月度）/7天（周）的登入天数进行统计，区分出频繁登入、偶尔登入、未登入用户。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。

难点是找出用户感兴趣的东西，给用户登入一个直接理由。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。比如说电商类APP，用户感兴趣的，可能是： 有大促，图便宜（意味着日常登入是很少）； 有网红产品，来抢货（意味着浏览/收藏/加购/消费的是某一商品）； 某品牌/店铺很忠诚（意味着浏览/收藏/加购/消费的是某一品牌/店铺）； 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）； 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）； 随便逛逛（无购买记录，无重度浏览内容）； 被推广活动吸引进来的新人（无购买记录，浏览记录也很少）。

那些情景中，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出规律。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）。

更好的作法，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能拿出手的网红产品数量是有限的，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，一方面直接提高DAU，另一方面测探用户需求，获取数据。

 

四、用数据检验冲高效果

有了情景分类，能区分出提高DAU方式的有效性，从而归纳出行之有效的方式。

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

这样不然，在搞好用户分类与情景划分以后，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，然后尝试更多未发送的可能性，直到找出更好的答案。

 

五、小结

从其本质上看，冲高DAU方式的分析目标，不是找一个方式，而是找低成本

的方式。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，是在盲目推广中，找出更多刚性需求，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，到分版本测试信息发送效果，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。

这里肯定有同学会问：那标签库要怎么建设，才能支持那些长期工作？我们下一篇分享，敬请期待哦。