数据是对产品分析的重要组成部分和评价标准。通过数据分析，可以清楚、明确地看到产品的用户活动趋势与特征，用户活跃度变化等。所以，掌握数据运营对产品运营来说相当重要，做到这一点，就能不断优化运营策略。

　　无论是微信、还是博客，在发出时都会有相应的时间戳，它的目的就在于告诉用户——信息发出的时间坐标是什么，距离现在的长度是多少。

　　时间是社交信息中的本质，如果没有时间的标示，用户得到的信息就会失准。

　　以约会为例，在已知信息不明确的情况下，如果你没有第一时间打开收到的消息，那你就不会知道用户要在什么时间跟你约会（信息中，时间、地点、人物是三大要素）。

　　综上所知，时间与社交是正相关的。

　　如果以盈利而并非传播为目标，那么社交产品的大部分功能一定是优先保证GMV，这就要靠“时间”来搞定了。

　　大多数人认为社交变现的方式是电商，其实不然，和商业行为一样，社交活动的滞留时间越长，消费心智越强，社交本身可以通过时间进行变现——尤其是在封闭社交环境中，足量滞留时长就是消费的温床。

　　与此同时，社交类产品有着特定的发生场景和触发条件，于是就会产生很多数据；而这些数据就是产品分析的重要组成部分和评价标准了。

　　可以说，数据既是产品的方向，也是丈量产品深度的一把尺子；它能客观、详实地反映出产品生命周期和整体产品运营情况，所以数据运营是产品必备的运营方式。

　　这次数据分析中，友盟＋平台带有一些关键数据指标，本次X圈可以通过友盟+移动统计（U-App AI版）得到了更详细的数据，能够协助产品进行更完整的监测。

　　本次X圈的定位是——在陌生人社交外，还同时存在着圈层关系。我们要通过运营圈层关系来构建社区，它的本质是社交消费模式而并非社交电商。通过增加用户在社交产品中的停留时长，来达到消费条件；例如积分体系和会员体系等，而不仅是引入B端商家。

　　接下来，我会拆解一部分基本指标，来体现数据的作用（数据为脱敏数据，不具备真实性，请勿当作真实数据）。

　　（示意图）

　　新增用户指标包含两种：一是新增用户数量，二是变化率。

　　不同于普通数据，变化率能够客观地反映出用户量变化程度。

　　以4月28日为例，新增用户17040，变化率为＋12.206%。相比4月27日的15186是有相应提升的。而24小时图表在每小时对照产生的图形，能直观反映出新增加用户习惯在13点、19点打开X圈。

　　通过这两天的数据，可以得到一个结论：13点、19点为活跃时间段，而这段时间是刚午餐过后和下班通勤时，由此可知新增用户主要是办公室职员。

　　这一点对下一步划定用户画像范围有很大帮助，也能让我们认识到：在同一社交圈层内，陌生人社交不是一种偶发性事件，而是一种在特定时间段发生的高频刚需。

　　启动次数指标包含两种：一是启动的用户数，二是重复启动用户数。

　　还是以4月28日为例，启动次数是231074，较4月27日的212060增加了8.96%；结合之前的新增用户数，我们发现重复启动数变高了，而重复启动数变高则说明用户粘性增加了。

　　结合刚上线的PO图片定制水印的功能，可以得出“定制水印受到用户喜爱”的结论。

　　从功能倒推需求的话，再添加之前三月两天的连续数据，可以知道某功能上线后对用户启动次数产生了明显影响。

　　时段累计日活是去重后的数据，而每小时去重后的数据能反映实际用户日活，基本能反映出用户量和每天的峰值—— 一般来说用户在20点达到峰值，在22点开始回落。

　　从里面能反映出：自我展示是用户的普通需求而并非是核心需求。

　　通过这三项指标，能准确绘制出用户心理地图，例如用户的使用时段、喜欢的功能、具体的用户画像等。

　　（示意图）

　　总结一周新增用户量（平均），可以得到最近一周平均每日的用户增加量。不同于之前的数据，该数据能得到周/每日稳定增加数量。

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

　　（还能在下面增加不同时间，做版本对比）

　　通过该数据可以知道：4月20日-4月27日，新用户平均次日留存率达到30.32%，同比增长3.27%。

　　该周用户留存率较上周有所增加，说明现在的产品形态保持在一个上升期，虽然上升率不高，但至少没有留存的回落。

　　通过分析产品生命曲线，可以看到产品处于种子期，在建设型种子用户的培育上，配合次日留存数据有助于筛查出具体新增种子用户数量。

　　其他几个数据不多做赘述，讲下总崩溃率。

　　总崩溃率是一个非常好的指标，因为跟其他指标不同，总崩溃率可以直接对接开发。

　　作为一个产品的风险控制系统，崩溃率是经常被忽略或者说最容易被运营忽略的一个问题，而总崩溃率能反映产品的稳定程度。

　　我们总认为只有开发和这个事情有关，但其实它也和产品运营息息相关，尤其是在产品故障的时候，它也会极大地影响用户留存。

　　除了种子用户外，新进用户的忠诚度非常低，很容易受到总崩溃率的影响。

　　但是我们也看到了：0.1.2版本总崩溃率为0.1%，而0.2.2版本总崩溃率仅为0.08%——开发团队的控制能力是在提升的。

　　类似于运营数据可视化，下面TOP版本的扇形图能够反映出不同版本的各种用户指标占比。

　　例如，不同版本的新增用户占比都可以通过环状图来表示——0.1.2版本占比21%，0.2.2版本占比63%。

　　通过这一环节，我们知道产品经过版本迭代后更有竞争力了，也进一步明确了产品运营方向。

　　（示意图）

　　在行业数据板块，友盟+移动统计（U-App AI版）还能够提供排名，而这个排名对X圈的意义非常大。

　　以往，我们只能通过对竞品下载数量进行一个行业排名预估；但现在有了排名，我们就能实时监测/对比我们在同品类产品中所处的位置，以及品类所处整个市场的位置。

　　（示意图）

　　根据用户活跃度数据可视化，可以得知我们的活跃用户数量级，以及活跃天数，这对我们精准分类活跃用户有极大的帮助。

　　（我们一般将用户按15天为周期进行分类，有5天活跃、10天活跃、最高等级是15天活跃。通过用户活跃等级划分出来的有ABC三种用户群，一般分专人维护，并在社群里做二次激活。）

　　作为一个数据运营老兵，什么是最重要的？

　　其实就是：整合数据的能力。

　　友盟＋提供的数据可视化，极大地便利了数据统计和汇总，可视化让用户趋势变得非常明显；还能够实时监测上新版本的情况，及时跟踪反馈数据变化等。

　　这在之前是难以想象的，因为以前都是通过数据走查或者抽查的形式来确定病症，会错失大量宝贵的时间，而数据运营贵在一个“捷”字，这也是友盟＋提供的数据可视化带来的好处。

　　万元悬赏数据高手｜2019「友盟杯」数据分析大赛报名启动！

　　你的坚持值得被肯定｜2019「友盟杯」数据分析大赛结果公布

　　一款家居后APP，如何用增长黑客方法实现从0到40万增长？

　　产品高于需求：低频产品也可以有高用户活跃度

　　渠道评估怎么做，才能让App假量灰产无处遁形？

　　我的朋友老曹，居然用数据工具搞了这么多事

　　针对直播产品的成熟期，重构用户运营体系方案

　　作者：王识钦，资深运营，人人都是产品经理专栏作家

　　本文为「人人都是产品经理」社区和友盟＋联合举办的“2019「友盟杯」数据分析大赛”中获奖作品，未经作者及平台许可，禁止转载

　　本文部分数据有脱敏处理，非全部真实数据

　　题图来自Unsplash，基于CC0协议