如何判断产品的健康情况呢？

引言

你的产品现在是否健康，是否可持续发展，如何判断产品正在往好的地方发展，还是往坏的地方发展呢？

这篇文章我会和你一起讨论一下，关于产品健康度的意义以及衡量方式。

产品健康度公式

有一个公式，可以比较容易的判断产品健康度：

通过新用户在日活用户当中的占比进行判断，新用户占比越高，产品健康度越低，新用户占比越低，产品健康度越高。

产品健康度（H）=1 - 用户 / 今日登录用户

这个公式遵循“老用户”至上的原理，新用户在日活当中的占比越低，表示老用户占比越高。

这表示产品具备留住新用户，并将新用户成功转化为老用户的能力。

同时，这也可以引申出另一个更精准的判断公式。

对于一款健康的产品而言，新用户在今日登录用户中的占比会越来越低。

因为昨天的新用户，将会成为今日的老用户，从而带来分母的增长，但每一天的新用户却并不是累计增长的。

H1=前日产品健康度

H2=昨日产品健康度

H3=今日产品健康度

H3>H2>H1

如果在某一天，我们发现健康度比昨日低，也就是H3低于H2时，基本都会由两种情况构成。

A. 存在爆发式增长，B.老用户流失

对于前者而言， 意味着我们需要特别注意这批用户的留存状况，只有将这部分爆发增长的用户进行有效的留存，才能最终成为我们的有效用户。

对于后者而言，极有可能是在老用户常用的功能板块出现了异常情况，甚至于老用户无法登录的情况也时有发生。

此时，需要立即进行产品测试，要立即排除可能影响数据的BUG，再进行深入分析。

案例

这是 我曾经接手过的一个项目，我们观察 了 7 天数据如下。

新增用户与日活用户已经不在一个数量级了，这让我们难以从健康度上进行有效的判断。

我们更多的是去判断连续多日的数据，观察健康度是否呈现增长的趋势，昨日的健康度是否比前日的健康度更高。

案例当中，红色表示负值，也就是该日的健康度出现了下降。

这个健康公式尽管适合大部分的C端产品，但也有不适用的情况。

产品早期，场景触发的应用，产品后期并不太适合使用这个公式。

当产品过于早期，没有稳定的用户留存方式，还无法积蓄老用户时，这个公式就不太合适了，就如同肉眼可见的病症 就不需要公式作为仪器来观察。

还有一些由场景触发的应用，不太适合这个公式。

比如小程序，典型的场景化触发式应用，留存极低，新用户在今日登录用户占比可超过50%以上。

即使统计出来了也没有意义，这是载体本身所具备的特性。

我们在案例当中也能直观的发现，当用户量足够大时，健康度会无限趋近100%。

这并不表示产品是健康的，仅仅表示新用户和老用户在量级上的差异，这种差异，已经影响了我们对产品健康度的观察。

针对第三种情况，用户量足够大的产品，我们也有另一套健康度判断方式，相对会复杂一点。

用户生命周期越长，产品越健康

这是我们探讨的第二种判断产品健康度的方式，累计用户百万以上的产品，都可以尝试使用这种方法。

实际上，产品初期，用户较少时，也可以尝试使用这种方法，他比第一种会更加精准，只是成本比较高。

通过用户生命周期来判断产品健康度，本质上是去判断这个周期里的时长，也就是说用户从使用产品到流失，中间会经历多少时间？

我们可以将生命周期的长度，理解成用户的生命力，用户生命力越长，表示产品的健康度越高。

我曾和一些创业者交流自己的项目，当谈及到用户生命力时，多数情况会直观的表达具体的天数。

比如30天生命力，45天生命力，我们其实对于用户在产品的寿命有准确的认知和判断。

通过用户生命力进行产品健康度判断的原理，其实在于我们对 “活跃”这个词的理解。

所谓的活跃用户，意思是指今日，或者特定时间段内有登录行为的用户，再引申一点，活跃用户，其实就是还活着的用户集合统计。

站在用户存续和死亡的角度来看待活跃度，就不难发现 这个活跃度存在一个上限值。

我们可以借助用户生命周期，将已经确定死亡的用户抛出，而活跃度的上限值，也就是该时间点疑似存续的所有用户。

假设 用户的生命周期是25天，某日的活跃上限值，便是最近25天累计的新增用户，而不是全部的注册用户。

这样的局部统计方式，会让数据量级的影响降低许多，可分析性也会高许多。

实际上 ，我一直不太提倡与总用户结合产生的比值，他几乎是不可逆的，这项比值注定越来越低，能够分析得到的信息，其实非常薄弱。

在资深产品经理里，我们或多或少会掌握一些局部统计的方法，这能让我们挖掘更多数据背后的信息，也比全局的统计更加清晰和精准。

用户生命力越高，能够同时存在的用户数也就越多，生命力为45天的产品 与生命力为60天的产品。

在其他条件相同的情况下，前者日活数据必然低于后者日活数据。

原因则是因为后者汇集了60天的用户数量，比前者多了15天。

案例

在相同的案例里，我们发现用户的日活始终在450000左右徘徊，尽管每天都会新增10000多用户，但并没有带动日活的增长。

通过更深一步的数据分析，我们发现这款产品里用户的生命周期是90天，周期段的总用户只有90万（90*10000），

局部日活已经达到了50%。

在这种情况 提升日活最好的方法，是延续用户的生命周期，日活率不变的情况下，提升总量就能带来日活数据的增长。

我们通过对活跃用户进行深度的解刨分析，会发现判断产品健康度特别直观，就好像已经具备了洞察一切玄机的眼睛。

在活跃用户里，罗列用户生命力的正态分布是指将某一天具备登录行为的用户，按照生命力的时间输出正态分布的图形，观察每一种生命力的占比。

示意案例

假设一款产品 用户生命周期为7天，这款产品某日的活跃用户有100人。

我们可以通过生命力的正态数据得到以下数据。

通过对用户生命力的正态分布进行数据分析，结合产品健康度的原理认识， 很容易得到一些信息，比如新用户占比过多，又或者用户在生命里的哪一天开始断崖式下跌。

提高活跃的方法，从本质上都是推进用户生命里的延续，将第一天的推向第二天，将第二天推向第三天，最终将生命7天调整为生命力10天，达到延长用户生命周期的效果。

延续用户生命周期便是在提高产品健康度。

如何挖掘用户生命周期相关的数据呢？

基于用户生命力的数据分析，成本非常高，只有数百万乃至上千万用户体量的产品，才具备构造深度数据分析的能力。

这需要我们记录每一个用户的活跃天数，间隔时间，他甚至需要单独的表格，单独的字段用来存储数据。

手工版统计

我在一个创业项目当中也使用了这个数据分析的方法，为了减少开发资源的占用，基本都是通过excel表格进行计算。

简单来讲，我需要研发人员导出一份用户表，包含用户的注册时间，用户ID，就像这样。

我还需要研发人员每天导出一份今日登录用户的表，包含用户ID，登录日期，像是这样。

然后使用vlookup函数，以及一些数据标签，进行统计，最终我会得到这张结论表。

其中“-”表示用户还未注册，“0“表示用户未登录，“1”表示用户有登录行为。

最后还需要统计，每位用户的登录次数，间隔次数，以及一些复杂的表格处理，最终得到我所想要的健康度衡量指标。

是不是特别麻烦，因为创业初期，实在没有办法用开发资源实现这个命题。

毕竟产品不稳定的情况，投入数据挖掘分析的资源，并不是很明智。

一般团队没有很强的研发资源，只能向案例中的我一样，用繁琐的手工统计方式，还不一定准确。

当然，这是以前的环境，现在就不太一样了。

现在有一些工具非常巧妙，极大的降低了精准统计的门槛，也许只需要接入SDK，就能看清用户的生命力，解刨你的活跃数据。

（难道你不觉得这种数据分析方法，很像解刨吗，抛弃表面现象，看活跃数据的哪部构成）

友盟作为第三方数据统计系统，提供了针对用户生命周期进行监控的能力。

我们可以自定义用户的新手阶段，流失阶段，尽管现在还不能自定义成长阶段和沉默阶段，实际上已经能挖掘出许多有价值的信息了。

通过对新手阶段的用户进行更深层次的分析与解读，可以知道：在100位新手里，有多少会进入到成长阶段，有多少会在新人阶段就会流失。

这个数据会让我们非常惊讶，你会发现很多用户其实在新人阶段完成前已经流失了。

新人流失，是流失用户的重灾区之一。

对于很多产品而言，这或许是第一次 把新人的定义从“点”转变成了“线” ，我们观察的不是用户的第一次注册激活行为，而是在一个周期里的生长过程。

对于用户的成长阶段，也按照用户的单日访问时长分成了若干等级，我们可以自定义每个等级对应的数据阀值。

友盟将用户等级与用户价值画上了等号，用户价值越高，等级越高。

而判断用户价值的方法，则是通过单日使用时长。

我们认为用户与产品的互动时间越长，表示用户对产品的依赖性越强，越是产品的忠实用户。

而这类型忠实用户对产品具有极高的商业价值，不论是付费的头部玩家，或则是带动新用户的流量玩家，都来自于这部分忠实用户。

现在你只需要借助友盟提供的 关于用户增长，用户生命周期的统计模块，就能完成一次局部数据分析，就能够对活跃数据进行更深层次的解刨。

实际上不仅仅是对活跃数据进行解刨，友盟提供的用户生命周期里。还包括了对用户阶段性数据进行第二次解剖的能力。

比如：

通过对成长阶段的数据进行分析，挖掘出用户的质量分布，我们的主要用户群体是集中在高价值用户，又或者低价值用户，这将会一目了然。

再谈产品健康度

通常情况，我会将用户划分成5个阶段，包括新人阶段，成长阶段，稳定阶段，沉默阶段，流失阶段，每个阶段都有其特殊的定义和对待方式。

新人阶段：

启动10次以内 都可以划分为新人阶段，我会关心新人阶段的成长性和流失率，为了提高新用户的成长性，还会构造一些新人专属的业务模块，从而提升新用户变老用户的几率。

成长阶段：

这个环节仅次于对新人阶段的重视，处于这个阶段的用户多数已经知晓产品的使用方式，以及产品为用户提供的价值。

但仅仅是这样还是不够的，我们会将用户的知晓转变成行动。

我们会把成长阶段的用户划分两个标签，低频用户，高频用户，并且想办法提升高频用户的占比。（对应友盟的低价值用户与高价值用户）

稳定阶段：

这部分群体是产品的老玩家，我们在做一些转化的任务时会优先拉拢的群体。

但在产品日常迭代中，反而会刻意忽略这部分老玩家。

因为他们的占比比较小，且稳定性比较高，我们更多时间会考虑如何获取更多的新用户，如何让新用户向老用户发展。

沉默阶段：

低频用户十分容易进入沉默阶段，我们可以理解成两次行为之间的间隔时间太长，以至于进入了假死状态。

当沉默阶段的用户有了增长趋势时，我们就会非常关注产品内活跃度模块的设计和补充，通过增加使用场景的方法，增加用户的使用次数。

“流失阶段”：

这表示用户已经彻底流失了，我们只能进行总结和复盘，原则是我不太提倡 换回老用户。

原因在于 ，叫醒老用户的成本比获取一个新用户的成本还高许多。

对于产品健康度而言，需要更细致的数据划分，也就是我们要对一些“汇总”数据进行解刨，找到问题的根源所在。

最粗糙的 健康度公式 便是去判断 新用户在日活用户当中的占比， 占比越高，产品质量越差， 因为这些新用户没有能成长为老用户。

但仅仅从表面进行数据分析，很容易让比值无限接近于0%，两者的数量差距实在太大，这就要求我们对局部数据进行分析，把一些有干扰的数据进行抽离。

比如，我们仅需要对7年内注册的用户进行健康度分析，而不需要把今天的注册用户，与过去一年乃至数年的用户进行综合分析。

在分母的位置，减少一些干扰，就能提高数据的参照性 以及可读性。

对数据进行局部分析在以前可能是很重成本的一种分析手段，但现在，你可以用友盟这样的第三方系统，很便捷的就能达到我们的目的。

产品的健康度与用户的生命周期密切相关，实际上，我们的日活就等同于存续用户的集合。

在局部分析里，日活率通常不会以累计用户作为分母，仅会以生命周期范围内的用户总数作为分母。

假设一款产品的用户生命周期为45天，那么45天内的用户总和，便是计算活跃率的分母，超过45天的用户，等同于死亡用户。

又或者，我们惊讶的发现用户生命周期的到了延长，对应的就增加分母的覆盖范围即可。

在这个理论之下，提升产品健康度，提升日活数据的方法就呼之欲出了，比如 延长用户生命周期，又或者减少新人流失率，减少成长阶段的流失率。

以下是三种 局部分析的数据模型，抛砖引玉，一起讨论下吧。

模型均是将单日活跃用户按照生命力的数值进行正太分布。

模型1

新人多，老人少

这个模型表示 产品获客能力非常不错，但产品自身的留存能力极低。

 获取到的新用户缺少转化为老用户的能力，只能是来多少用户流失多少用户。

如果你的产品出现此症状，可以考虑暂缓拉新推广的任务，优先弥补产品自身的粘性，继续进行拉新，恐怕是没有意义的。

模型2

新人少，老人多

这个模型表示产品自身粘性能力已经比较成熟了，具备新用户转老用户的能力。

此时，你可以放心的进行推广，列表，甚至买流量。

模型3

新人少，老人也少

这个模型表示 新用户最终未能成为老用户，我们发现用户分布的峰值处于第四天的位置。

这表示，用户的流失点建立在第四天，对应正常使用的状况。

当你出现这种状态时，可能存在以下原因，不妨仔细思考一番：

用户生命周期比预估的还要短，也许只有5天或则6天的生命力

某个通用模块存在残缺，影响了普通用户的使用体验。

我们可以将产品没有吸引力，没有持续的推动力都归结于 生命周期短暂，也可以将所有阻塞性的原因都归结于BUG。

此时，应该要做的事情，延长用户的生命周期。