用户活跃不是“签到抽奖”的表面热闹，而是业务增长的底层支撑。这篇文章从“活跃的本质”出发，系统拆解活跃分析的五步法：定标准、找规律、查异常、追原因、定计划，不仅提供了实操路径，更重塑了数据分析师的业务视角。

上一篇【用户流失分析，这是我见过最好的模板】以后，有同学强烈呼吁写用户活跃。因为用户相关的话题很多，为了便于大家阅读，这里把各种话题做一个归类如下图，这样看着清楚一些。今天我们来系统的分享一下：用户活跃这个话题。

一、用户活跃分析核心问题

陈老师常讲：做数据的懂业务会导致问题。可在用户活跃分析中，往往是业务盲目拉活跃导致问题。登录7天签到送福利、登录就抽奖最高888、种树20天送一袋猕猴桃……结果按下葫芦浮起瓢。活跃率做高了，转化率跌了，费用烧干了，到头来更纠结……

想破局，就得想清楚：到底活跃对我们意味着什么？除了微信/抖音这种超级应用，真的有另一个应用是用户无可替代每天一看的？（如下图所示）

从本质上看，互联网应用讲用户活跃，就像传统企业讲顾客到店一样：

• 活跃是一切的基础，必须关注
• 不能空活跃不转化，得联起来看
• 影响因素太多，必须抓大放小，聚焦行动

在讲用户流失分析的时候，我们说过：流失分析的目的不是消灭流失率，而是把流失控制在可控范围内。在用户活跃分析的时候，道理类似：做活跃分析，不是为了逼用户天天来戳一下，而是为付费、转介绍提供稳定的支持（把这句话背下来）。

二、用户活跃分析基本思路

1、定标准：目前业务需要什么样新增、活跃、付费结构

2、找规律：常规的活跃走势，该是什么样

3、查异常：区分常规变化、异常变化

4、追原因：对异常变化进行追踪，分析

5、定计划：根据问题轻重缓急，制定应对

最重要的当然是定标准。作为业务方，心理要有判断：我需要多少活跃用户，需要多少活跃率。并且不能割裂看一个指标，要关注AARRR的整体形态。

1、定标准的常用办法

定标准主要参考三点：

1. 业务特征：不同业务需要的活跃用户数活跃率不一样。
2. 发展阶段：新上线更倾向于聚集人（做大DAU），到一定程度才做付费转化。
3. 竞争策略：策略不同，意味着对活跃、付费的要求不同。

比如最基础的三大策略（如下图所示）：

请注意，竞争策略才是定标准的核心。比如传统观点认为金融服务是低频业务，可做金融APP时，完全可以把财经新闻、理财教育、本地吃喝攻略、电影信息这些和消费有关的东西做进去，把一个低频应用做成高频应用。

因此，一般同类业务特征和发展阶段只是参考。

更重要的，是业务内心的声音：“我们要做成一款XXX的应用，相比之市场上的产品，我的目标是XXX”。

2、找规律的常用办法

规律包含三类：

1. 政策规律。政策发布以后，产生的巨大反响。
2. 自然规律。全年1-12月，本身就包含了很多影响活跃的因素（如下图所示）
3. 运营规律。常见的运营事故（商品缺货、系统宕机、宣传误导……）运营措施（抽奖、签到、互动游戏）都能引发活跃数据变化。

这些具体的政策、事件、运营动作，才是指标变化的本质原因。因此在分析之前，应该先大量收集内外部事件，拿着事件思考问题。这样做，可以节省大量分析时间，而不是做了一堆分析，还被吐槽为：“我早知道了”“它就是这样的呀”。

3、查异常的常用办法

遭遇异常，要关注：

• 幅度：单日波动是否足够大
• 持续性：是否有持续增大、持续回落的走势
• 规律性：是否是有规律的、计划内的波动
• 关联性：关联的注册、付费指标是否同样波动

注意，不是所有的波动都值得追击，大幅度、持续性、非规律、波及其他指标的优先处理。偶尔地波动一下很正常，但是要记录发生时间，观察走势，当问题出现恶化时容易溯源。这样做，不用让数据分析师陷入无休无止的纠结里，更容易找到真正的异常问题。

4、追原因的常用办法

确认是异常波动，常见的形态有三种：

1. 事件型：一次性的，大幅度下跌
2. 持续型：从某一节点开始，持续下跌
3. 系统型：自身波动小，但始终比竞品差

先判断是哪一型的问题再追原因。追原因的难度是：事件型》系统型》持续型。一次发生的事件最容易查到源头。系统型差异，可以通过竞品分析得到答案。持续性问题反而最纠结，有可能过着过着自己没了，有可能是一次重大事件的余波，也有可能是深层次的问题。

需要注意，我们常说DAU=DNU+DOU（日活跃用户=每日新用户+每日活跃老用户，一般新注册用户都直接计入活跃），往往系统型问题会影响DNU，在用户注册后T+1，T+2…T+N的时间内没有做好引导，导致用户不活跃甚至流失。

DOU往往与事件有关，比如季节性促销，沉默用户唤醒，新品上市等等。因此在追踪原因时，可以分头观察。对新人关注注册到首次付费流程，对老人打标签，关注老人对活动的响应（如下图所示）

5、定计划的常用办法

定计划是一个业务动作，不在本篇的讨论范畴。

定计划主要看运营的业务能力，作为数据分析，可以提供的支持是：提供用户分群分析，找到活跃下降源头分析不同运营举措效果，挑选好的举措支持ABtest，验证促活效果，推广好经验。

别再拿结果解释结果！作者用十年血泪总结：一份能救命的经营分析报告，必须层层拆解从线索→成交的第三级过程指标，用关键因素锁定真问题，再以MECE逻辑剥洋葱，直达老板最想听的答案。数据不全？先学会这套思路再跳槽。

很多公司的经营分析报告写得长篇大论，几十页ppt，几百个指标，密密麻麻的数字。然鹅一旦上经营分析会，就会被批成：“分析不深入！”“观点不突出！”明明都摆了这么多数字和图表了，咋还不深入呢？

问题解析

因为这些报告，犯了“拿结果解释结果”的问题。很多经营分析报告，使用的都是财务指标，收入、利润、成本、费用等等。即使计算诸如：“盈利能力”“增长能力”指标，依然是利用财务指标做的二次加工。

站在业务角度，这些财务指标都是结果指标。如果只是拿结果解释结果，就会出现诸如“利润同比环比都低了，要搞高”、“利润低是因为成本高了，要搞低”这种没啥用的无脑结论。

听到“利润低了”的结果以后，人们更想知道的是：

1、是大环境不行还是我没有做好？

2、别光说大环境不行，有啥对策吗？

3、我哪里没做好，方向错了还是执行不力？

在输出报告的时候，应该对问题原因进行方向性判断。如果真是大环境问题，就寻找新环境下应对办法。如果不是大环境问题，就堵死那些甩锅人的借口，找到解决问题的办法。

想做到这一步，就得三步走：

1、不只看结果指标，增加过程指标

2、找影响结果的因素，识别关键因素

3、建立分析逻辑，找到问题的重点

增加过程指标

要增加的过程指标，能反应：“业务是怎么做出来的”。第一级的拆解是：业绩=客户数*转化率*客单价。注意！站在业务角度，客户数、转化率、客单价这些指标，照样是结果指标。还需要第二级，第三级拆解。

在收入端，第二级拆解，看从客户线索到成交之间，还经历哪些步骤。比如：常见的toB业务如下图所示，其中线索→跟进→需求确认→打样→议价，每一步的转化率与停留时长，是第二级过程指标。

第三级拆解，则需展示业务细节，比如上图中：

不同线索来源渠道（公域/私域/转介绍/业务员开发）

线索分配策略（按能力评估/过往业绩/先到先得分配）

不同产品型号/毛利（主力产品/搭配产品）

优惠力度（高/中/低）

有了这些细致划分，就能更深入分析

在成本端，处理手段稍有不同。在成本端，一般第一级区分变动成本/固定成本，第二级则根据成本动因，把财务指标里销售费用/管理费用，按成本东一拆分，让业务直观看到自己的动作带来的成本

这一步做好了，分析自然深入。如果只能拆解到第二级，甚至第一级，那么分析就相对粗线条。

识别影响因素

增加的过程指标是否都需要放进经营分析报告呢？当然不是。堆砌太多的过程指标，会让报告更冗长，更难看出结果。因此需要数据分析师们，识别出影响经营结果的关键因素，放哪些能代表关键因素的指标进报告。

对于外部影响因素，重点关注：

1、上游原材料、劳动力、资源对成本影响

2、下游客户需求数量、偏好种类、偏好渠道对收入的影响

3、竞争对手是否有发起针对性降价/是否在争抢上下游资源

对于内部影响因素，重点关注当前的业务策略是啥？具体包括：

1、人：以什么样客户为核心客户？

2、货：商品主打功能/价格/服务

3、场：以什么渠道为主，对量/质的要求是多少？

先了解业务策略，才好进一步观察：到底一线部门执行到位没有。如果业务策略定了：发展高端客户，可一线仍然在大水漫灌般引流，没有重点发力，那就是执行层面出了问题。如果大家都在按业务策略做，但不见效果。那就得找时间反思一下：策略是否需要调整。

当然，也有可能公司没策略，想到一出是一出。但是没策略的公司，一般都会出现：

1.产品线布局不合理，缺货/积压并存

2.收入涨，毛利跌，净利润跌得更快

3.销售费用增长远快过收入增长

在发现问题后，提示管理层逐一解决即可

建立分析逻辑

梳理完指标，确认关键因素后，就得建立分析逻辑。分析逻辑可以用MECE法来建立，基本的思路就是：正反方面，确认问题。用剥洋葱的方法，层层剖析找到答案（如下图）。

注意！分析逻辑并没有固定套路，完全以“解答领导问题”为导向。比如同样是大家都在抱怨“大环境不好”，有可能领导会指示：“寻找一下大环境不好下，还能怎么做？”也有可能领导指示：“就知道抱怨环境！堵他们的嘴！”这两种情况下，分析展开思路有明显区别（如下图）做分析逻辑的时候，一定要清晰：到底领导想要啥……

这一步需要看菜下饭。因为不同公司面临的问题不一样。同一个问题，老板们思考重点不同。做经营分析，为管理层服务，就得了解管理层真正需求，而不是盲目年数字。

小结

综上可见，想做到高质量的经营分析，需要多方面努力：

1、业务有一定数字化程度，能采集到过程数据

2、数据分析师对业务有充分了解，有丰富标签库描述业务行为

3、数据分析师与领导有良好沟通，能把握分析方向

当然，并不是所有企业都有这么好的条件。很多小厂子，待遇差，工资少，数据基建一塌糊涂，只有少得可怜的订单数据，领导还指望着分析出惊为天人的结论，这个难度就着实大了。这个时候，建议采用一些平价替代方案，训练一下自己打标签、建分析思路的能力，之后尽快跳槽到正规大厂比较好。

拆解、相关、实验、匹配……四种因果推断方法一次讲透！十年数据老司机拆解优劣，附真实踩坑案例，帮你选对模型、找准真因，不再被业务追问哑口无言。

很多人，都怕被问到：“到底导致问题的原因是什么！”大家都会觉得多种因素相互交织，很难分析清楚。今天介绍4种常见办法，从土办法到模型都有！

1  常见方法1：拆解法最常见的方法是：拆解法。

把一个结果指标，从多个角度拆解，找到影响它的原因。举例：昨天有4个推广渠道，一共获客100，今天只获客80，问为啥获客少了。

‍拆解法做法（如上图）：

1、把总获客数，按四个渠道拆解，发现A渠道获客最少。得到结论1：因为A渠道少了，所以总获客少了。

2、把A渠道的获客，按获客流程拆解，拆解为展示页-落地页-转化三步，发现是转化环节少了，得到结论：因为A渠道的转化环节出了问题，所以总获客少了。

3、总结：因为A渠道转化环节出问题，这是获客少的原因。看起来回答得很完美，原因找到了！可这种答法经不起业务部门再问一句：那为什么A转化差了呢？

我也没改文案呀？

投放经费也没少呀？

前后只差1天，为啥差异这么大？

为啥只有A变差了，其他又不变呢？一个都回答不上来……所谓的拆解法，本质上只是通过细分，锁定了问题发生的位置。并不能找到元凶。所以常常被用来发现问题，而不是解释问题（如下图）

2  常见方法2：相关系数法

统计学里有相关分析的方法。而且有个看起来很复杂公式（如下图）：

这次有一个复杂的公式做支撑，应该很科学了吧？但是！这么搞，很容易搞出来统计学领域经典的“龙脉梗”

1、中国GDP年年涨

2、我家门前的树年年涨

3、把两个数据带进去，算出相关系数0.994、所以我家门前的树是中国的龙脉！相关分析，本质上不是“分析”，而是计算。

只要两列数字保持相同/相反走势，就能算出来很高的相关系数。至于这个相关系数在现实中，到底有没有含义，就不管那么多了。

因此，相关分析可以大范围地筛选指标，过滤掉纸面上不相关的，真正的因果分析还要深入做（如下图）

3  常见方法3：随机实验

从本质上看，因果推断问题难解，是因为有多重因素共同作用。因此，朴素的解题思路，就是：控制其他因素的影响，只测试我们关心的那个因素的影响。

我们可以把影响因素记作X，结果记为Y，分析目标是得出X→Y的效果如何控制影响因素呢？最好的办法就是做随机实验！随机实验被称作因果推断的黄金法则。

只要随机分组做的足够充分，就能生成两个一模一样的个体，从而剔除其他因素影响。之后，对其中一组施加我们想要的影响，另一组不施加影响。然后观察两组指标差异（如下图）

但是，实际工作中开展ABtest会很复杂，因为需要产品准备不同设计，开发做不同版本，工作量太大。

而且当测试的因素很多时，因素之间可能存在：1）

交叉效应：两个动作同时生效时，产生更好/更坏作用2）

新奇效应：新上功能时大家图好玩，事后又不喜欢了3）

覆盖效应：影响大的把影响小的覆盖掉4）

季节效应：只在特定时期，人们需要这个功能所以，一定要提前做好功课：1）

到底我测试的X是啥2）我想影响的Y是啥3）有没有季节问题4）有没有重大事件干扰5）有没有可能多因素交叉最好是提前做好分析，找到问题最大的点以后再逐一测试

综上来看，随机试验方法很好，但是需要较多前期准备，且可能涉嫌区别对待用户，不太适合在线下开展，更适合在线上开展（它区别对待了，你也难感受到）

4  匹配法注意！

很多场景没法上ABtest，比如线下门店，不可能同一个商品，一个客户来了收30，另一个收20，会被投诉到工商局的！此时可以用匹配法，常见的，比如：DID：找发展趋势相同的匹配，对比政策影响效果PSM：先算评分模型，找评分接近的匹配，对比效果RDD：以某个特殊时间点（比如18岁成人礼），做前后时间对比