本文作者依據(jù)工作中項目實踐的所思所想，并結(jié)合案例等分享了關于“日凈增登錄”數(shù)據(jù)相關的知識，供大家一同參考和學習。

一、什么是「日凈增登錄」？

1. 指標提出背景

日凈增登錄，來源于我今年在登錄率提升專項中的實踐運用，并提出的一個數(shù)據(jù)指標。為什么會提出「日凈增登錄」這個概念呢？原因是：

（1）登錄率不是絕對值，被分子、分母兩個耦合數(shù)值同時牽制，數(shù)據(jù)變動不太方便歸因。

比如在“日登錄率=日活躍用戶中的登錄用戶/日活躍用戶”的口徑下，日登錄率降低，代表“日活躍用戶中的登錄用戶”的提升速度不及“日活躍用戶”的提升，那么問題來了，這是因為登錄率低于大盤的用戶（比如新用戶）占比提升？還是某類細分用戶（比如新用戶）的登錄率降低？在追溯原因上相對復雜；

（2）登錄率有較多的歷史數(shù)據(jù)包袱，今天的數(shù)據(jù)不是今天的成果，策略下的數(shù)據(jù)預估困難。

比如今日由于策略多拉了10W的登錄，登錄率由48%提升到50%，那如果明天再多拉10W登錄，能從50%提升到51%或52%嗎？答案是否定的，因為明天的起始值不再是今天的50%，如（1）中所述，明天的起始值由諸多因素導致。于是就出現(xiàn)了這樣的疑問：

1. 我究竟要拉多少登錄用戶才能在Y月達到某個登錄率目標值？
2. 或者，我預計每天可以拉XX的登錄，那到了Y月的時候登錄率會是多少？
3. 再或者，我拉了XX萬的登錄用戶對Y月的某個登錄率目標值究竟貢獻了多少？

（記住以上3個疑問，將在應用部分得到解答）

因此，在這樣的背景下，需要有一個指標，它是登錄率的“唯一”牽引指標。能夠和「登錄率」互相推導，且推導所用的過程變量相對穩(wěn)定（可以被當成常數(shù)）；

A. 易于拆解。是一個絕對值，它的拆解由獨立的加減而不是耦合的乘除組成；

B. 易于觀測。對策略敏感，隨著策略的變動而變動且明顯；

C. 易于預估。沒有歷史數(shù)據(jù)包袱，今天的數(shù)據(jù)就是今天的成果；

「日凈增登錄」則是這樣一個指標。

2. 指標定義

日凈增登錄：指今日活躍的用戶在今日的登錄狀態(tài)和上次活躍的登錄狀態(tài)差值的總和。公式表示如下：

日凈增登錄 = ∑ Ci （i=1,2,…..n）

其中：

• n代表日活躍用戶數(shù)；
• Ci代表第i位活躍用戶在今日的登錄狀態(tài)和上次活躍的登錄狀態(tài)差值，取值為0/+1/-1
• Ci=0表示該用戶今日和上次的登錄狀態(tài)一致，均有登錄或均未登錄；
• Ci=+1表示該用戶今日有登錄，上次未登錄（新用戶登錄屬于這類情況）；
• Ci=-1表示該用戶今日未登錄，上次有登錄；

為方便業(yè)務應用，公式可簡化為：

日凈增登錄 = 日流入登錄 – 日流失登錄

*注：

（1）本文的登錄均指活躍中的登錄。業(yè)務不同可能口徑不同（如播放中的登錄），但可同理套用；

（2）本文的“用戶”指設備；

（3）判斷用戶當日是否登錄，可按照用戶當日剛開始活躍時的登錄狀態(tài)，也可按照用戶活躍結(jié)束時的登錄狀態(tài)，但判斷條件只能始終選其一；

通過如上定義，不難看出「日凈增登錄」是易于拆解、易于觀測、易于預估的，符合最開始提出的條件BCD。那針對條件A，「日凈增登錄」能夠和「登錄率」互相推導嗎？

答案是，能！下面將介紹兩者之間的推導邏輯。

二、「日凈增登錄」與「登錄率」之間的推導邏輯

由于目標是「日凈增登錄」和「登錄率」之間可實現(xiàn)相互推導。那么先嘗試通過「登錄率」推導出「日凈增登錄」。

首先為了保證推導所用的過程變量相對穩(wěn)定，需要擴大時間維度以抵消或降低部分不可控因素（如MAU會比DAU更加穩(wěn)定），而我們?nèi)粘５臄?shù)據(jù)統(tǒng)計在時間維度上一般為日、周、月、年這4個維度，在本文中將采用月維度做為轉(zhuǎn)化標準；再者「日凈增登錄」屬于差值，我們則需要從擴大時間維度后的變量里去尋找合適的差值；最后再將“月”維度的的差值拆分成“日”維度差值，形成最終我們想要的「日凈增登錄」。

Step1.將「登錄率」從“日”維度擴大到“月”維度，抵消或降低部分不確定因素

這里用到了大家應該比較熟悉的轉(zhuǎn)化式：

DAU * 30 = MAU * 月平均活躍天數(shù)

注：此處的DAU代表月均值；為方便理解，一個月均采用30天計算；

那么同理：

DAU中的當日登錄用戶數(shù) * 30 = MAU中的當月登錄用戶數(shù) * 月平均登錄天數(shù)

于是：

日登錄率= DAU中的當日登錄用戶數(shù) / DAU

=MAU中的當月登錄用戶數(shù) / MAU * （月平均登錄天數(shù) / 月平均活躍天數(shù)）

其中月平均登錄天數(shù)、月平均活躍天數(shù)在很多業(yè)務中，均是比較穩(wěn)定的值，并且兩者一般同降同升，相除更是抵消了波動性。所以（月平均登錄天數(shù) / 月平均活躍天數(shù)）完全可以被當成一個常數(shù)處理。在本文中，將其當作a，即：

月平均登錄天數(shù) / 月平均活躍天數(shù) = a （常數(shù)）

于是得出：

日登錄率 = a * MAU中的當月登錄用戶數(shù) / MAU

由于我們是通過「登錄率」推導「日凈增登錄」，即登錄率此時是已知的；而常數(shù)a則可通過業(yè)務的歷史數(shù)據(jù)計算所得；剩下「MAU」和 「MAU中的當月登錄用戶數(shù)」這兩個變量。

到了這里就比較明顯了，「MAU中的當月登錄用戶數(shù)」就是符合下一步差值訴求的變量。

Step2.從「MAU中的當月登錄用戶數(shù)」中尋找差值

這里的差值在實際的業(yè)務應用場景，為了排除自然波動的影響，用目標值與自然值之間的差值來計算會更合適也更簡單。因此涉及3個概念：

1. 自然值，只要業(yè)務在自然情況下登錄率趨勢穩(wěn)定或有規(guī)律可循，便可以從歷史數(shù)據(jù)中進行預測；
2. 目標值，可基于目標登錄率進行計算得出；
3. MAU，做為核心指標，一般在業(yè)務中也可預測或者已經(jīng)預測；

將上述3個值代入step1中的公式：

日登錄率 = a * MAU中的當月登錄用戶數(shù) / MAU

得到

差值X（策略干預下的凈增登錄）

=目標「MAU中的當月登錄用戶數(shù)」 – 實際「MAU中的當月登錄用戶數(shù)」

=MAU / a * （目標登錄率 – 自然登錄率）

Step3.將差值拆分成「日凈增登錄」

那么為了step2中的“差值X”在目標月達到指定量級，拆分到每天平均需要多少的“每日差值x”即“策略干預下的每日凈增登錄”才行呢？

這里我們假設活躍次月留存率為b，則今天的“每日差值x”在目標月也生效的概率為：

b^n

n代表今天所在月與目標月的月數(shù)間隔（如今天是5月，目標月是6月，則n=1）

于是:

差值X = x * 30 * ( b^0+b^1+b^2+….+b^n)

其中b^0+b^1+b^2+….+b^n為一個常數(shù)，為方便，命名為c

則：

每日差值x = 差值X / (30 * c)

由于：

日凈增登錄 = 日干預凈增登錄（每日差值x）+ 日自然凈增登錄

于是最終得到「登錄率」推導「日凈增登錄」的公式為：

日凈增登錄 =MAU * （目標登錄率 – 自然登錄率） / (30*a*c) + 日自然凈增登錄

其中：

• MAU 為預測的目標月活躍用戶數(shù)；
• 自然登錄率為不做策略時預測的登錄率；
• a = 月平均登錄天數(shù) / 月平均活躍天數(shù)；
• c = b^0+b^1+b^2+….+b^n , b為活躍次月留存率；
• 日自然凈增登錄為不做策略干預下的日凈增登錄，可通過歷史數(shù)據(jù)計算得出

從公式看出，如果想反推，即由「日凈增登錄」推導出「登錄率」，帶入相應值即可。

注：以上推導過程基于了一些假設和限定，主要包括

（1）登錄率的變動不影響活躍；

（2）自然情況下登錄率趨勢穩(wěn)定或有規(guī)律可循，即可預測；

（3）活躍次月留存率、「月平均登錄天數(shù)/月平均活躍天數(shù)」、在歷史數(shù)據(jù)中足夠穩(wěn)定。

三、「日凈增登錄」在業(yè)務中的應用

前面闡述了「凈增登錄」的定義、優(yōu)勢、推導過程，那在具體的業(yè)務中的它應用流程是什么呢？

在這里回顧下前面的3個疑問：

• 疑問1：我究竟要拉多少登錄用戶才能在Y月達到某個登錄率目標值？
• 疑問2：我預計每天可以拉XX的登錄，那到了Y月的時候登錄率會是多少？
• 疑問3：我拉了XX萬的登錄用戶對Y月的某個登錄率目標值究竟貢獻了多少？

帶著疑問我們一起來看下「日凈增登錄」的應用框架，供大家參考。

注：里面所使用的數(shù)據(jù)均為假數(shù)據(jù)，不代表業(yè)務數(shù)據(jù)

1. 收集數(shù)據(jù)確定「日凈增登錄」值

疑問1和2均可在這一步得到解答。

【疑問1】我究竟要拉多少登錄用戶才能在Y月達到某個登錄率目標值？

這個疑問代表目標登錄率是已知的，于是收集得到以下數(shù)據(jù)：

• 啟動策略月：4月
• 目標月：6月
• 6月自然登錄率（預測）=40%
• 6月目標登錄率=50%
• 6月MAU（預測） = 1000萬
• 日自然凈增登錄數(shù)（歷史數(shù)據(jù)） = 2700
• 活躍次月留存率（歷史數(shù)據(jù)）=50%
• 月平均登錄天數(shù) / 月平均活躍天數(shù)（歷史數(shù)據(jù)） = 1.1

帶入各項值到公式，得到：

日凈增登錄數(shù) = 2萬（其中「日干預凈增登錄」為1.7萬）

【回答疑問1】我從4月開始平均每天要拉2萬（含自然登錄0.3萬）登錄用戶才能在6月達到50%的登錄率目標?；诖耍梢赃M入下一步拆解指標來看看可以從哪些細分指標上去做提升和策略。

疑問2則是將「日干預凈增登錄」做為已知值反推目標登錄率，這里不再贅述。

2. 拆解「日凈增登錄」指標

由前面的定義可知：日凈增登錄 = 日流入登錄 – 日流失登錄。可以以此做為二級指標拆解。同時再對「日流入登錄」和「日流失登錄」進行三級拆解，比如：

日流入登錄 = 新用戶新增登錄用戶數(shù) + 留存用戶新增登錄用戶數(shù) + 回流用戶新增登錄用戶數(shù)

日流出登錄 = 主動退出登錄用戶數(shù) + 被動退出登錄用戶數(shù)

其中三級指標里，比如覺得「留存用戶新增登錄用戶數(shù)」是重點提升對象，又可以進一步拆解：

留存用戶新增登錄用戶數(shù) = 留存用戶首次新增登錄用戶數(shù) + 留存用戶重新登錄用戶數(shù)

或者

留存用戶新增登錄用戶數(shù) = 低頻留存用戶新增登錄用戶數(shù) + 中頻留存用戶新增登錄用戶數(shù)+ 高頻留存用戶新增登錄用戶數(shù)

此處僅拋磚引玉，大家基于自己業(yè)務實際情況進行拆解。

另外有兩個注意項：

（1）在策略干預期，我們是無法將「日凈增登錄」拆解為「日干預凈增登錄」和 「日自然凈增登錄」的，因為前者計算時無法客觀剝離自然登錄用戶，所以將「日自然凈增登錄」做為一個固定基數(shù)，觀測「日凈增登錄」的數(shù)據(jù)即可；

（2）不要混淆日流入、日流出、日留存登錄用戶的定義，這三者之間是不能有交集的。比如用戶i今日在活躍過程中，從賬號A切換到賬號B，屬于日留存登錄用戶。

3. 搭建指標儀表盤

疑問3將在這一步解答。

【疑問3】我拉了XX萬的登錄用戶對Y月的某個登錄率目標值究竟貢獻了多少？

基于第一步的數(shù)據(jù)，平均日凈增登錄數(shù) = 2萬，則總凈增登錄數(shù)=2萬*60（天數(shù)）=120萬。假設拉了30萬的登錄用戶，則對6月50%的登錄率目標貢獻了25%；

如果有條件，可以利用上述推導邏輯搭建儀表盤直接觀測，比如采用可視化的進度條等

4. 校驗調(diào)整

由于指標公式里套用了預測值，而如果預測值不準，會導致「日凈增登錄」該指標值也不準。為了校驗，可以將當前的平均「日凈增登錄數(shù)」代入公式得到「登錄率」，與現(xiàn)有實際登錄率進行比較。從而進行調(diào)優(yōu)。

四、「日凈增登錄」的局限

1. 「日凈增登錄」指標的設計是為有策略干預場景而服務的，無法為自然情況下的異常進行歸因。比如在沒有任何策略的情況下，登錄率異常，通過該指標無法獲曉異常原因；
2. 「日凈增登錄」公式依賴文中提到的幾個假設和限定，如果這些假設不成立，會影響其準確性。

由于筆者經(jīng)驗的局限，在指標設計上可能有不嚴謹?shù)牡胤?，歡迎大家指正和探討。

本文由 @wen 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)作者許可，禁止轉(zhuǎn)載。

題圖來自Unsplash，基于CC0協(xié)議。