今天先聊一聊用户运营中，有关活跃的基础话题。
对一家互联网公司来说，如果没有设置单独的数据运营岗，那么用户运营是和数据最贴近，也必须是最了解用户的。
用户运营核心的方法论就三个：拉新，促活和留存。拉新可以作为渠道推广单独讨论，而促活和留存则相辅相成。
非运营岗，或者其他类型的运营，通常只会注重一个活跃数据的果，而不会注意活跃数据的因。我们在这里就抽丝剥茧，教大家比较快速地了解活跃体系。
互联网公司对活跃用户的定义大同小异，主要以用户打开APP一次记为一个活跃用户。
按此基础可以在时间维度引申出周活跃用户，月活跃用户。即在一个自然周内打开一次APP，则本周为周活跃用户。月活跃用户同理。
我们假设有一款新产品，这是它四个月内的活跃数据。嗯，看来不错。
产品专注的市场领域不同，活跃用户数天差地别。一款小众的垂直领域产品和泛社交类产品，单纯看活跃用户数，你很难界定它们好坏。
好的数据指标，都应该是比例或比率。
我们设定一个新指标，活跃率：某一时间段内活跃用户在总用户量的占比。
按照时间维度引申，有日活跃率DAU，周活跃率WAU，月活跃率等MAU。
例：月活跃，本月活跃用户在截止月末的总注册用户中占比。
一般而言：活跃用户数，看的是产品的市场体量。活跃率，看的是产品的健康度。
实际得承认，不同产品，用户需求（高频或低频）不同，活跃率也有差异。用户运营更多的职责是监控活跃率的变化，并且提升它。
看，我们的活跃用户数上升，活跃率下降，这对新产品来说很正常。你不能要求每一个用户都使用我们产品不是？
别急，我还没补刀呢。
我们统计了注册用户数，那么我们也可以统计出本月新增用户数，很简单，两个月相减。
是不是看出来什么了？
要知道，按照活跃的定义，新注册的用户肯定是打开APP的用户，他也一定是活跃的用户。
所以，我们拿每月的注册总用户数减去新增用户数，计算老用户数。并且将新老用户的活跃率独立出来。
指标拆分后，我们发现老用户的活跃率比预期低。
实际在产品早期、渠道投入资源推广、或一次成功的病毒营销后，因为新增用户数量的暴涨，总是会带动活跃数的上升。
A产品打算在五月份做大投入，在APP上进行活动，希望用户大力参与，同时在B渠道进行推广。在常规的统计指标中，发现活跃数据上升。事后分析发现活跃为新增活跃，老用户的活跃数据没有显著上升。配合其他活动数据，证实活动效果较差。
C产品获得投资后，通过大规模的烧钱推广，获得一个正向的活跃数据反馈。此时活跃有不小可能是由新增用户撑起的。产品自身的打磨若不好，老用户活跃率不会提高，这也是我们常说的留存概念。导致钱白白浪费不少。
产品进入稳定期后，有了一定用户规模，新增活跃一般对活跃数据就不会有大的影响了。
那么以新老用户区分活跃统计就够了？我们简单定义三个场景：
用户A下载产品后，把玩了一段时间，发现这是他想要的功能，爱不释手，成为发烧用户；
用户B下载产品后，看了几眼就不再使用。产品2.0发布后，觉得有个新特性不错，于是回来继续使用，逐渐成为活跃份子；
用户C从网上看到随便下载的，用了产品觉得一般，吐槽几句并且卸载，不再使用；
用户包含各种类型，反应了不同群体的特征和想法。在使用整个产品的周期中，我们应定义更全面的指标：
流失用户：有一段时间没有再打开产品，那么我们就视为流失用户，根据产品的属性，可以按30天，60天，90天等划分。
不活跃用户：有一段时间没有打开产品，为了和流失区分开来，需要选择无交集的时间范围。比如流失用户是60天以上没打开产品，那么不活跃则是0～60天没打开。
回流用户：有一段时间没用产品，之后突然回来再次使用，则称为回流用户。回流用户是活跃用户，且是由流失用户或不活跃用户唤回而来。
活跃用户：一段时间内打开过产品。
忠诚用户：也可以叫超级活跃用户，长期持续使用产品，比如连续四周，或者一个月内15天等。
现在我们发现，不论是活跃用户还是不活跃用户的维度，都一下子丰富了起来。
通俗的理解一下用户活跃的变化
上文ABC的三位用户活跃路径为：
A：新增—活跃—忠诚
B：新增－不活跃－回流－活跃－忠诚
C：新增－不活跃－流失
回到一开始那款产品的数据，我们将分解后的新指标统计出来。（定义忠诚用户一个月内有15天活跃；流失用户为两个月没打开过）
（以上数据以月末当天的统计为准）
你看，指标开始变得复杂了。产品有长期使用的忠实用户，也有流失用户。有用户回来继续使用，也有用户不怎么爱用产品。
数据是为了方便讲解随手编的。实际的情况可能会更复杂，可以根据情况灵活应对。
用户活跃可以简化为一个最简单的公式： 新增用户的数量要大于流失用户的增加量。 可以想成一个水池，运营会一直往里灌水，但是水池也会漏水，如果漏水速度太大，那么水池就干了。一款产品可能因为市场竞争、拉新乏力导致新增用户数下降，也可能因为产品改动，运营策略失误造成后续流失用户变多。
将数据制作图表：
(活跃用户和不活跃用户可以拆分出来，周活跃同理)
用户运营们可以按照日、周、月维度维护三张报表，监控活跃数据的变化（建议花更多精力在周报表上）。
如果是一个好的用户运营，他会继续思考：每天有多少活跃用户变得不活跃？有多少忠诚用户变得不活跃？又有多少流失用户被我们唤回来等，并且分别是什么原因引起的。
怎么样更详细的监控活跃数据的变化呢？我们引入桑基（Sankey）图的概念。
这时，活跃数据比单纯的表格清晰多了，而且我们也能够显著观察到不同活跃层的变化。万千变化，存乎一图。
有了数据和趋势，我们应该聚焦更多精力到怎么去应用在运营和业务上。
观察忠诚用户，发现他们有什么特征，为什么爱用我们产品。同样的道理，我们也能观察流失用户；
忠诚或流失用户是否在推广渠道上有显著差异（配合新增留存数据）；
某一段时间回流用户增加，是产品更新，市场推广，还是活动营销；
本周，变成不活跃的用户比以前多，要不要做一次用户访谈看下原因；
活跃的用户用Push营销，流失的用户用短信营销，这是不是一个好方法；
以上种种，皆是用户运营需要考虑，也是要和各部门协同解决，贯彻整个产品一生的运营方向。
活跃类指标有一个显著特点需要明白，它们都是后见性的指标，也就是事情发生后我们才能观察到。比如我们发现某一段时间流失数据（假定两个月没打开APP为流失）上升，往前倒推两个月，发现当时刚好展开一次活动，那么我们有理由相信活动造成了一批用户卸载，可惜运营此时已经无能无力。 先见性预防比后见性观察对运营更重要 。
根据不同的用户活跃状态，依据产品的特性能采取很多运营手段。这是精准化运营的第一步。接下来则是划分用户层次等，进行更精准的运营，不过那是另外的话题了。
用户运营路漫漫修远兮，用我偶然得之的一句话做结尾吧。
别低头，活跃会掉，别流泪，报表会笑。
Tips：
1.以上主要针对移动产品，对网站，或者网站手机端混合，乃至微信端。可能要采用另外一套统计逻辑，这里不展开了。
2.市面有许多第三方应用或SDK能达到类似的数据统计。不过我建议，若只能统计，不能拿到数据，为了后续运营还是辛苦点做一套活跃统计系统写入数据库吧。
3.下一期，我们可以引申出用户运营的其他框架，或者怎么用有趣的桑基图，做更性感的分析。
