數(shù)據(jù)是對產(chǎn)品分析的重要組成部分和評價標準。通過數(shù)據(jù)分析，可以清楚、明確地看到產(chǎn)品的用戶活動趨勢與特征，用戶活躍度變化等。所以，掌握數(shù)據(jù)運營對產(chǎn)品運營來說相當重要，做到這一點，就能不斷優(yōu)化運營策略。

無論是微信、還是博客，在發(fā)出時都會有相應(yīng)的時間戳，它的目的就在于告訴用戶——信息發(fā)出的時間坐標是什么，距離現(xiàn)在的長度是多少。

時間是社交信息中的本質(zhì)，如果沒有時間的標示，用戶得到的信息就會失準。

以約會為例，在已知信息不明確的情況下，如果你沒有第一時間打開收到的消息，那你就不會知道用戶要在什么時間跟你約會（信息中，時間、地點、人物是三大要素）。

綜上所知，時間與社交是正相關(guān)的。

如果以盈利而并非傳播為目標，那么社交產(chǎn)品的大部分功能一定是優(yōu)先保證GMV，這就要靠“時間”來搞定了。

大多數(shù)人認為社交變現(xiàn)的方式是電商，其實不然，和商業(yè)行為一樣，社交活動的滯留時間越長，消費心智越強，社交本身可以通過時間進行變現(xiàn)——尤其是在封閉社交環(huán)境中，足量滯留時長就是消費的溫床。

與此同時，社交類產(chǎn)品有著特定的發(fā)生場景和觸發(fā)條件，于是就會產(chǎn)生很多數(shù)據(jù)；而這些數(shù)據(jù)就是產(chǎn)品分析的重要組成部分和評價標準了。

可以說，數(shù)據(jù)既是產(chǎn)品的方向，也是丈量產(chǎn)品深度的一把尺子；它能客觀、詳實地反映出產(chǎn)品生命周期和整體產(chǎn)品運營情況，所以數(shù)據(jù)運營是產(chǎn)品必備的運營方式。

這次數(shù)據(jù)分析中，友盟＋平臺帶有一些關(guān)鍵數(shù)據(jù)指標，本次X圈可以通過友盟+移動統(tǒng)計（U-App AI版）得到了更詳細的數(shù)據(jù)，能夠協(xié)助產(chǎn)品進行更完整的監(jiān)測。

本次X圈的定位是——在陌生人社交外，還同時存在著圈層關(guān)系。我們要通過運營圈層關(guān)系來構(gòu)建社區(qū)，它的本質(zhì)是社交消費模式而并非社交電商。通過增加用戶在社交產(chǎn)品中的停留時長，來達到消費條件；例如積分體系和會員體系等，而不僅是引入B端商家。

接下來，我會拆解一部分基本指標，來體現(xiàn)數(shù)據(jù)的作用（數(shù)據(jù)為脫敏數(shù)據(jù)，不具備真實性，請勿當作真實數(shù)據(jù)）。

一、通過基本指標獲得用戶活動地圖

（示意圖）

1. 新增用戶（今日）

新增用戶指標包含兩種：一是新增用戶數(shù)量，二是變化率。

不同于普通數(shù)據(jù)，變化率能夠客觀地反映出用戶量變化程度。

以4月28日為例，新增用戶17040，變化率為＋12.206%。相比4月27日的15186是有相應(yīng)提升的。而24小時圖表在每小時對照產(chǎn)生的圖形，能直觀反映出新增加用戶習慣在13點、19點打開X圈。

通過這兩天的數(shù)據(jù)，可以得到一個結(jié)論：13點、19點為活躍時間段，而這段時間是剛午餐過后和下班通勤時，由此可知新增用戶主要是辦公室職員。

這一點對下一步劃定用戶畫像范圍有很大幫助，也能讓我們認識到：在同一社交圈層內(nèi)，陌生人社交不是一種偶發(fā)性事件，而是一種在特定時間段發(fā)生的高頻剛需。

2. 啟動次數(shù)（今日）

啟動次數(shù)指標包含兩種：一是啟動的用戶數(shù)，二是重復啟動用戶數(shù)。

還是以4月28日為例，啟動次數(shù)是231074，較4月27日的212060增加了8.96%；結(jié)合之前的新增用戶數(shù)，我們發(fā)現(xiàn)重復啟動數(shù)變高了，而重復啟動數(shù)變高則說明用戶粘性增加了。

結(jié)合剛上線的PO圖片定制水印的功能，可以得出“定制水印受到用戶喜愛”的結(jié)論。

從功能倒推需求的話，再添加之前三月兩天的連續(xù)數(shù)據(jù)，可以知道某功能上線后對用戶啟動次數(shù)產(chǎn)生了明顯影響。

3. 時段累計日活（今日）

時段累計日活是去重后的數(shù)據(jù)，而每小時去重后的數(shù)據(jù)能反映實際用戶日活，基本能反映出用戶量和每天的峰值—— 一般來說用戶在20點達到峰值，在22點開始回落。

從里面能反映出：自我展示是用戶的普通需求而并非是核心需求。

通過這三項指標，能準確繪制出用戶心理地圖，例如用戶的使用時段、喜歡的功能、具體的用戶畫像等。

二、整體趨勢直觀反映用戶變化

（示意圖）

1. 新增用戶（7日平均）

總結(jié)一周新增用戶量（平均），可以得到最近一周平均每日的用戶增加量。不同于之前的數(shù)據(jù)，該數(shù)據(jù)能得到周/每日穩(wěn)定增加數(shù)量。

例如，4月20日-4月27日每日平均新增用戶為4125人，同比增加4.36%。

（還能在下面增加不同時間，做版本對比）

2. 新用戶次日留存率（7日平均）

通過該數(shù)據(jù)可以知道：4月20日-4月27日，新用戶平均次日留存率達到30.32%，同比增長3.27%。

該周用戶留存率較上周有所增加，說明現(xiàn)在的產(chǎn)品形態(tài)保持在一個上升期，雖然上升率不高，但至少沒有留存的回落。

通過分析產(chǎn)品生命曲線，可以看到產(chǎn)品處于種子期，在建設(shè)型種子用戶的培育上，配合次日留存數(shù)據(jù)有助于篩查出具體新增種子用戶數(shù)量。

其他幾個數(shù)據(jù)不多做贅述，講下總崩潰率。

3. 總崩潰率

總崩潰率是一個非常好的指標，因為跟其他指標不同，總崩潰率可以直接對接開發(fā)。

作為一個產(chǎn)品的風險控制系統(tǒng)，崩潰率是經(jīng)常被忽略或者說最容易被運營忽略的一個問題，而總崩潰率能反映產(chǎn)品的穩(wěn)定程度。

我們總認為只有開發(fā)和這個事情有關(guān)，但其實它也和產(chǎn)品運營息息相關(guān)，尤其是在產(chǎn)品故障的時候，它也會極大地影響用戶留存。

除了種子用戶外，新進用戶的忠誠度非常低，很容易受到總崩潰率的影響。

但是我們也看到了：0.1.2版本總崩潰率為0.1%，而0.2.2版本總崩潰率僅為0.08%——開發(fā)團隊的控制能力是在提升的。

類似于運營數(shù)據(jù)可視化，下面TOP版本的扇形圖能夠反映出不同版本的各種用戶指標占比。

例如，不同版本的新增用戶占比都可以通過環(huán)狀圖來表示——0.1.2版本占比21%，0.2.2版本占比63%。

通過這一環(huán)節(jié)，我們知道產(chǎn)品經(jīng)過版本迭代后更有競爭力了，也進一步明確了產(chǎn)品運營方向。

三、 排名提升權(quán)重

（示意圖）

1. 行業(yè)數(shù)據(jù)圖

在行業(yè)數(shù)據(jù)板塊，友盟+移動統(tǒng)計（U-App AI版）還能夠提供排名，而這個排名對X圈的意義非常大。

以往，我們只能通過對競品下載數(shù)量進行一個行業(yè)排名預(yù)估；但現(xiàn)在有了排名，我們就能實時監(jiān)測/對比我們在同品類產(chǎn)品中所處的位置，以及品類所處整個市場的位置。

（示意圖）

2. 用戶活躍度

根據(jù)用戶活躍度數(shù)據(jù)可視化，可以得知我們的活躍用戶數(shù)量級，以及活躍天數(shù)，這對我們精準分類活躍用戶有極大的幫助。

（我們一般將用戶按15天為周期進行分類，有5天活躍、10天活躍、最高等級是15天活躍。通過用戶活躍等級劃分出來的有ABC三種用戶群，一般分專人維護，并在社群里做二次激活。）

四、 關(guān)于數(shù)據(jù)運營的一點思考

作為一個數(shù)據(jù)運營老兵，什么是最重要的？

其實就是：整合數(shù)據(jù)的能力。

友盟＋提供的數(shù)據(jù)可視化，極大地便利了數(shù)據(jù)統(tǒng)計和匯總，可視化讓用戶趨勢變得非常明顯；還能夠?qū)崟r監(jiān)測上新版本的情況，及時跟蹤反饋數(shù)據(jù)變化等。

這在之前是難以想象的，因為以前都是通過數(shù)據(jù)走查或者抽查的形式來確定病癥，會錯失大量寶貴的時間，而數(shù)據(jù)運營貴在一個“捷”字，這也是友盟＋提供的數(shù)據(jù)可視化帶來的好處。

相關(guān)閱讀

萬元懸賞數(shù)據(jù)高手｜2019「友盟杯」數(shù)據(jù)分析大賽報名啟動！

你的堅持值得被肯定｜2019「友盟杯」數(shù)據(jù)分析大賽結(jié)果公布

一款家居后APP，如何用增長黑客方法實現(xiàn)從0到40萬增長？

產(chǎn)品高于需求：低頻產(chǎn)品也可以有高用戶活躍度

渠道評估怎么做，才能讓App假量灰產(chǎn)無處遁形？

我的朋友老曹，居然用數(shù)據(jù)工具搞了這么多事

針對直播產(chǎn)品的成熟期，重構(gòu)用戶運營體系方案

如何利用數(shù)據(jù)驅(qū)動，從0.5到1搭建App積分體系？

場景分析：游戲關(guān)卡難度對玩家流失的影響

以抖音和陸金服為例，解構(gòu)數(shù)據(jù)分析三個核心原理

用AB實驗分析個人中心的首頁改版

作者：王識欽，資深運營，人人都是產(chǎn)品經(jīng)理專欄作家

本文為「人人都是產(chǎn)品經(jīng)理」社區(qū)和友盟＋聯(lián)合舉辦的“2019「友盟杯」數(shù)據(jù)分析大賽”中獲獎作品，未經(jīng)作者及平臺許可，禁止轉(zhuǎn)載

本文部分數(shù)據(jù)有脫敏處理，非全部真實數(shù)據(jù)

題圖來自Unsplash，基于CC0協(xié)議