内容类产品用户生命周期的4个阶段和19项数据指标

文章从用户生命周期的四个阶段并贴合活跃这一维度，罗列了Pinterest内部关注的20多项指标。从Pinterest我们可以延伸至内容类产品来看待这些指标，因为和电商、互金等产品相比，活跃的波动对内容类产品有着更直接的影响。为了便于理解，文章最终提炼出了19项指标并部分添加了描述和解读，供参考。

以下为译文：

总是有很多人问我这样一个问题：在我的数据指标看板上，我到底应该关注哪些指标？在这篇文章中，我将结合场景给大家说说Pinterest内部的指标看板到底长什么样？

我们梳理了出了产品的用户增长模型，模型中的最高级指标就是月活（MAUs）。这也是我们的终极目标。然后基于用户生命周期漏斗，先后分为用户获取阶段、用户活跃阶段、用户深度参与阶段以及流失召回阶段，最后基于各阶段设定相关指标。

在着手提升活跃之前，需要从以下6个维度明确当前现状：

（月活跃用户数：一款互联网产品一个自然月或30天使用产品的人数，也即这一时间段内每日活跃用户之和并去重）

1、明确可提升空间：明确当前的MAU值以及当前季度我们有多大的提升空间。

2、科学预测：基于过去几年同时期的增长趋势，预测我们的一个期望值。可以看出，我们也考虑了这一指标的增长受季候的影响

3、移动端的月活

4、月活基于性别的分布

5、月活基于城市的分布：在一张表上即可看到具体每个城市的月活情况甚至基于国家的分布，横坐标比如美国、英国等。并且这些国家也会基于互联网的普及程度、互联网广告投放等去统计。

6、活跃拆分：帮助我们找到对月活贡献最大的因素。特别是把月活用户数拆分成新注册用户数、沉睡唤醒用户数、老用户的流失数、新用户流失数。

（注：月活跃用户包含了当月的新增用户、留存用户、曾经流失又唤醒的用户。这也就涉及对老用户、新用户、流失用户的定义，并且清楚的知道这三个维度的数据。相关定义下文会有显露。）

一、用户获取指标

1、总注册量

2、APP端注册量

3、注册基于来源渠道的分布

4、病毒传播系数（参与邀请的人数、邀请发送的次数、被邀请注册用户数）

二、用户活跃指标

1、整体激活百分比：7天为一个周期，我们通常追踪那些在一周内来过或者是来了多次的用户注册转化率，换句话说，统计当周的注册用户中有多少是来过多次以后才注册的。

2、APP端的激活百分比：1?中整体激活百分比基于平台的分布，通常在不同平台，这一百分比都会有戏剧性的不同

3、激活用户基于渠道来源的分布

4、激活用户基于性别的分布

（解读：虽然不同性别整体趋势一致，但是绿色代表的用户性别显然要比棕色代表的性别激活要高）

5、有核心行为的访客在7天内的注册转化：和1中提到的转化类似，只是具体到有过pin行为或是进入Pin页面的用户完成注册的百分比。这是评估我们关键节点转化率的一个高级指标。

6、APP端在新增7天内有核心行为的访客数量

7、APP端在新增7天内有核心行为访客的注册转化率

8、APP端用户从注册到有关键行为的漏斗转化：这一指标追踪了新注册用户在注册之后的28~35天内依然有关键行为的用户周留存情况。特别是，用户注册35天后，还有多少用户留存、有多少百分比的用户还有关键行为（比如查看pin页面或有点击Pin按钮）

9、注册用户中有关键行为用户的占比，并且基于性别分布

10、用户注册之后35天内的周留存：这是我们活跃指标中比较重要的一个。我们会追踪一个用户注册后的1个月内的周留存情况。（一个月内的每7天都至少有一次活跃的百分比），特别是会看注册后的28~35天依然活跃的百分比（28~35天后的留存率）

三、用户深度参与指标

1、活跃指标之间的占比：日活占月活的百分比，周活占月活的百分比、日活占月活的百分比。活跃用户之间的占比是衡量用户参与度的一个非常重要的指标

（解读：以第一个图为例，表示每一天活跃的用户占周活跃用户的百分比，准确点是占7天内活跃用户的百分比，每天的占比越接近1说明用户的粘性越高）

2、EDM漏斗转化率：邮件发送总数、到达率、打开率、内容点击率并且基于类型的分类统计

3、Push漏斗转化率：Push总条数、到达率、打开率，并且按推送类型和平台分类统计（Android?&?ios）

四、沉睡用户唤醒指标

1、被唤醒的用户基于平台的分布：沉睡了28天的用户被重新召回的数量，并且基于不同平台的分布

2、不同来源渠道的唤醒率

总结来看，你会发现以上内容大都是在强调活跃这一指标（从获取一个用户到转化成一个活跃用户甚至一个月留存用户），这是因为我们认为活跃决定了后续增长的可持续性。（可持续性可以理解为：一但增长策略能提升活跃，那这一策略就是直接影响着之后的新用户）如果你想为数以亿计的用户提供服务那一个较高的活跃是非常必要的。当然，也要基于用户性别、城市、渠道等多维度去深度理解不同用户在产品上的不同兴趣点并能找到表现不是很好的维度。

原作者：John?Egan，原链接，编译：韩重明。

文章首发于GrowthHub（id：growthhub）推荐关注，获得最新的国内外行业案例、最佳实践，特别是基于数据驱动的增长方法论。每周更新一篇。如果你有相关实践经验，欢迎投稿，与我们一起思考、实践并传播。