拥有100万的用户不是难题，真正难的是：如何在这100万用户里最大限度地提高用户活跃度？本文笔者将基于模块化数据分析方法，对一个亲身经历的低频产品项目进行分析，讲述如何更好地提高低频产品的用户活跃度。
我们经常说产品的0-1，那你知道现在对于一款C端产品，多少用户规模才算到1吗？
——100万用户才算到1，但是按照目前移动互联网的普及程度以及用户的教育程度，获得100万用户真的不难。
也许100万用户在你眼里已经很多了，而在投资者眼里，100万用户只是起跑线。除了用户规模，往往还有一个期限，越短的时间获得100万用户，越容易受到市场的青睐。（我曾主导过一款产品，上线一个月斩获100万用户。据我所知，还有的产品上线一周，就能获得100万用户）。
对于现在的移动互联网而言，最大的难题已经不是100万用户，而是在这100万用户里，有多少是活跃的，有多少是能持续留存下去的用户。
这是个很尖锐的问题，更是我们面临的挑战。
假如你的产品已经有100万用户了，但每天活跃的用户不足5万，你应该怎么办呢？
产品的粘性认知
以前我们会认为，导致活跃度低的罪魁祸首是业务需求的频次低，以至于在成立项目时，一定会仔细思考该需求的频次——即所谓的高频或低频需求。
这是老一代互联网人的观点，对于现在而言，已经不是那么适用了。实际上，在低频需求里也诞生了很多优秀的产品，最有代表性的便是电商领域的颠覆。
严格上来讲，电商产品也属于低频需求，大部分用户每个月只会有一次网购的诉求。这样的低频场景里，后起的拼多多在部分数据上已经超过了老牌京东。
我们越来越少谈及需求的频次问题，在人人都是产品经理社区，也几乎很难找到分析需求高频，或低频的文章，这是因为现在的产品手段已经能弥补需求的频次问题。
用户的使用频率已经从市场问题转移成了产品问题，又或者说，我们对用户活跃度有了更进一步的认识：需求的频次并不等同于用户的活跃度。
实际上，我们有其他办法提升用户的活跃度，提升产品的粘性，而需求频次仅仅是决定产品粘性的因素之一，甚至谈不上是主要因素。
吴军（硅谷来信的大神）在《见识》这本书里提到了“牙刷功能”这个概念，对于一些低频的产品，我们植入一些牙刷功能，就能有效的提升用户活跃度。而只有产品的粘性达到了某种指标，用户具备较高活跃度时，我们的业务才能得到持续性的使用，才能产生足够的价值，才有机会成为一款优秀的产品。
牙刷功能，意思是：让用户像刷牙一样，一天用3次，尽管每次只有几分钟的时间，持续时间长了，就让用户形成了使用习惯。
如果你现在仍然认为产品应该是纯粹的、单一的，不能接受一些与核心业务没有关系的模块，那不妨思考一下这个问题：
“拼多多”和他的“多多果园”，后者与前者的电商和拼团毫无关系，但却为前者提供了极大的粘性支撑，尽管没有数据支撑，但我相信多多果园的用户具备更高的下单率。而现在，拼多多毫无疑问是站在成功那一侧。
多多果园：用户可培养水果，持续培养一段时间后，可免费获得1斤或几斤水果。所谓的培养，便是要求用户每天登录产品，完成一些任务。整体来讲，多多果园是个游戏化的模块，拼多多还提供了非常多的游戏化模块，比如金猪赚大钱，一个用红包来购买用户使用次数的游戏化模块。
粘性模块与低频业务（实例）
用户是否活跃取决于产品内是否具备一些“牙刷功能”，可以提升用户的使用次数。
高频需求本身可以带来极大的使用次数，但对于一些以低频需求为核心的产品而言，在植入“牙刷功能” 也能达到高频需求相同的效果。
实际上，高频需求本身也仅仅只是一种“牙刷功能”，是可以被其他“牙刷”所替代的。
我们一度认为需求高于产品，产品仅仅是需求的附庸。但对于现在而言，真实的情况是：产品高于需求，产品是最接近商业模式的存在，也是直接承载商业价值的事物。
需求仅仅是产品体系内的一部分，很重要，但能够影响产品价值的，却远远不止是需求。这就像房屋里的承重墙特别重要，但是地段、楼层，乃至物业管理都能够影响房屋的商业价值。
下文是我实际经历过的项目，我对数据进行了模糊化处理，但整体的比例以及数据所传达的信息是真实的。
低频产品（实例）
我们已经知道电商产品是个低频的产品，大部分用户一个月只有一次的网购诉求，那么返利就是比电商更加低频的产品。
这是我亲身经历的一个项目，用户规模在百万级，我们暂时称之为A产品。
项目介绍：A产品是一款返利类的产品，平台为京东和淘宝建立合作关系，用户通过A产品可以用更低的价格在京东和淘宝购买到相同的商品。
这款产品深受用户好评，毕竟能为用户带来确实存在的利益，然而实际的数据结果却比较惨淡。
用户的活跃度相对其他类型的产品而言显得比较低，用户的生命周期也较为短暂，返利的产品非常多，只有少数几款产品活下来，更多的返利产品都死的不明不白。
我们组织过很多次用户回访，问题的根源其实不在于产品的核心业务，而是在于产品的粘性。用户在网购时，忘记了返利产品的存在，甚至对曾经注册过这款产品表示疑惑。而当我们向对方说明产品的作用时，对方则极为认可返利这种模式，毕竟能让用户获得真实的利益。
尽管如此，我们在后续的监测当中，该用户依然没有产生活跃度。
低频产品最大的困难，并不是业务需求本身的好坏，而是在需求的间隔时间里，产品被遗忘了，在非需求时间里，这些产品毫无存在感。
为了验证我的一个猜想，我做了一次数据分析，观察周期为30天，这次的分析对象并不是整个产品，而是将产品里的若干业务模块抽离出来，进行模块化分析。
这里我将一些有说明性的数据分享给大家。当然，数据本身经过了模糊处理，但从比例上来讲与真实数据出入不大。
名词释义：
- 购物：使用A产品完成淘宝购物或者京东购物的业务，是产品的核心业务；
- 好友助力：一个拉新功能，分享给好友，让自己获得更多的佣金；
- 摇红包：一个粘性功能，每天都可以摇红包，两次摇红包间隔5分钟，用户平均每天会参加10次摇红包；
- 早起打卡：也是一个粘性功能，和常见的早起打卡相同；
- 初始用户：是指针对该模块的新用户，比如第一次摇红包，第一次早起打卡；
- 留存：是指针对该模块的留存，比如第一次摇红包以后，第二天依然参与摇红包，视为该模块的留存，若用户使用了产品里其他业务，但没有使用摇红包，则不会记入该模块的留存；
- 活跃用户占比：该模块的活跃用户，在整个产品活跃用户里的占比，60%表示，摇红包的用户占比今日总活跃用户的60%，假如今天有1000人摇红包，那么A产品整个活跃用户就是1666，摇红包的用户占比整体活跃用户的60%。
这份数据的各项比例已经非常接近真实数据了，我们不难发现，摇红包的用户活跃度占据了非常重要的位置。换个角度来讲，如果我们将这个模块舍弃掉了，那么产品的日活将会降低60%，甚至更多。
从留存的角度去思考，摇红包的数据也远超其他模块，我们甚至可以认为：参与过摇红包的用户，将有更高的概率留存下来，甚至有更高的使用频率。
摇红包在A产品里，完全充当了“牙刷功能”，平均每位用户每天会参加12次摇红包，尽管每次只会停留2分钟的时间，但一天却会使用12次产品。
这是一种模块化分析的方法，我在数据分析的过程当中，舍弃了对整体数据的解读，改为对某个模块的数据进行深度分析。
由于分析的颗粒度更加细致，确实让我们发现了很多以前不曾考虑到的问题。
比如：我们发现用户的活跃度并不是取决于我们的核心业务，反而是一个支线业务带动起了用户的活跃行为。
我曾通过一些第三方数据平台做了一些调研，A产品在返利类产品里排名在TOP5，发展比较好的返利产品，均存在一些能够明显提升用户活跃度的功能，比如：花生日记的传销能力。
至于一些死亡的返利产品，几乎都不包含能够有效起到粘性作用的模块。
而现在，非常多的优秀产品，我们都不难从中去发现一些看似与核心业务无关，但又能极大提升用户活跃度，乃至裂变能力的模块。
借助这次模块化的数据分析，我们做了一个非常明智的决策，将新用户导流至摇红包模块，这样的一个决策，让整个产品的留存提升了30%，我记得日活也因此提升了15%。
基于模块的数据分析
在大厂，模块化的数据分析非常常见，因为他们的模块非常多，也是因为大厂里，一个项目组也许只负责一个模块。
但是我认为，更多的因素在于大厂有很多的前辈，那些有丰富实战经验的产品人，会将模块化数据分析作为一个要求，一个规范在团队里进行应用。对于野路子产品人，以及一些还没有成为大厂的潜力团队，其实很难接触到“模块化数据分析”的概念以及方法。
这很遗憾，但至少现在开始，还不算太晚。
我可以非常确定的告诉你，产品是由若干个模块构成的， 核心的业务需求仅仅是诸多模块里比较大的一块，就像房屋里的承重墙，非常重要但不是唯一的。
在产品里，每个模块扮演不通的角色，有的实现付费转化，有的实现商业营收，有的则负责裂变拉新，还有的则负责用户活跃度的提升，彼此互相关联，又完全独立。
尤其是现在的产品市场，已经足够成熟了，产品设计的方法也是一个接一个，仅仅是打造一个核心业务已经完全没有办法在现在的环境里与其他人展开竞争。
趣头条用户已经过亿，和传统资讯产品不同，趣头条的文章质量并不高，在阅读层面也和腾讯新闻、今日头条有非常大的差距。然而，趣头条的裂变模块确实其他资讯产品所没有的。
趣头条的做法，在曾经的互联网被称为不务正业，这样脱离主业务，另辟蹊径的做法不是没有人想过，而是不被团队所接受，又或者过不了自己这一关。
云集也是如此，电商并不是云集的竞争力体现，店长系统才是，300万店长，为云集带来了3000万用户。
产品开始进入模块化时代，市场竞争的舞台已经逐渐从核心业务竞争，转移到了明确数据指向的模块竞争，我们比的是谁的裂变模块能带来更多新用户，谁的粘性模块能带来更高的用户留存，用户活跃。
鉴于这样的市场情况，我们掌握基于模块化的数据分析方法以及具备对应的能力就变得尤为重要。
很多的问题放在整个产品上很难找到解决办法，但把问题分配给对应的模块，就比较容易找到解决办法。
在模块化的数据分析里，我们提倡将产品进行肢解，这会分成几个阶段。
我们以粘性模块为例：
- 先给每个模块进行标签化管理；
- 将用户的每次使用行为进行单独的数据存储；
- 对比用户的首次使用日期，计算用户每天的留存情况；
- 对全平台的用户进行正态分布；
- 得到一份基于模块的留存数据报表。
整个过程，相当于做了一个迷你版本的BI系统，复杂度和成本还是比较高。
这样的一份模块化的数据留存报表，可以帮我们更清晰的判断模块的质量，模块的价值，最终会影响我们的三个重要决策。
- 新用户向哪个模块导流，因为模块的留存能力能直接作用于新用户，从而极大提升新用户的留存能力。
- 那些看上去很重要，实际上留存较低的模块表示用户并不会持续性的使用该模块，或者该模块的使用频率比较低，并不能起到“牙刷功能”的作用，我们可以停止对该模块的资源投放，甚至舍弃掉这个模块。
- 留存和粘性也是用户信任度的一种表示，处在该模块的用户往往对产品具备更高的信任度，相对于其他模块的用户而言，他们更具备付费可能性，甚至于多次付费，复购的可能性，这个模块的用户，会更容易诞生产品的超级用户。
有的国家，仅仅依靠某一个城市，就能带动整个国家的游客规模。比如：柬埔寨与吴哥窟，对于前者而言，超过80%的外来游客，都会集中在吴哥窟这个地方。
产品和国家一样，并不需要每一个模块都那么的吸引人，很多模块仅仅是为了完成某种业务的支撑， 这些模块是有价值的。但我们要明白，价值和吸引人并不完全相同，除了有价值的模块，我们还需要一些看上去没有太大业务价值，但却吸引人的模块。
如何进行模块化数据分析？
对于大多数团队而言，要进行模块化数据分析非常困难，原因在于我们没办法支付“数据模块化”的研发成本，这相当于一个本地版的BI系统，成本和难度都非常高。
我在尝试模块化分析时，仅仅是数据埋点和挖掘就用了两周的开发时间，还没有算上我自己进行的计算和模版化设计时间。
排除自己开发的选项，有一个值得我们作为从业人员庆幸的事情，部分第三方数据统计系统也具备了模块化统计的能力，只要简单接入和设置就可以进行模块化的数据分析。比如：友盟+的自定义留存，便能满足我们对每个模块进行留存监测的需求，我们可以很轻松的看到哪些模块的留存高，哪些模块的留存低。
这个功能确实非常的适用。我们可以将自己的粘性模块都接入自定义留存系统，设置好事件的名字，便能跟踪监测到每个模块的新用户（初始用户），以及用户在该模块下的留存情况。
这让每个团队都具备了模块化粘性数据分析的能力，尽管更多的模块化统计我们都还在摸索当中。
总结
我们一起探讨了用户粘性的问题，当我们试图提升用户粘性时，可以尝试植入一些具有“牙刷”性质的功能，用户对自模块的粘性会传递到产品本身。
我们也通过实际案例，知晓了模块化数据分析的方法，可以通过模块划分，对每个模块进行独立的数据分析，来获得更具有指向性的信息。
对于粘性模块而言，可以尝试分析该模块自身的留存能力，以及活跃用户相对产品活跃用户的占比，来判断该模块的质量以及潜在价值。
最后，与大家分享了友盟+提供的自定义留存功能，能够让我们很简单的实现关于粘性的模块化数据统计及分析。
未来有机会，我们可以继续探讨，裂变模块以及付费转化模块的数据分析方法。
相关阅读：
作者：枯叶
来源：产品经理充电站
扫一扫 微信咨询
商务合作 联系我们
微信扫一扫
