如何获取app的新增用户，活跃用户，启动次数，使用时长等数据？

最近和几个人聊天,大家对于活跃都有着自己的看法,此外因为一些标准的问题,不熟悉分析术语的很多人把活跃,留存等很多信息都搞混了后来发现这是一个很现实的问题。在一些我 看来不是问题的问题都变成了问题了，因此在此特地说说活跃的事，帮助更多从事游戏数据分析的小白们成长。
究竟什么是活跃在日常与外界合作过程中，我们经常日活跃、周活跃、月活跃等等信息，貌似听起来比较简单，但是真正如果自己实施 *** 作统计数据时却发现自己又不懂这些定义，因此作为一些分析师、甚至开发人员就会发现很难去 *** 作。以下我将描述三个活跃的定义、使用方式、分析方法以及注意事项，限于篇幅今天就说说日活跃的分析使用。
日活跃
统计标准
日活跃的统计标准有很多种，在RPG中有日活跃角色数和日活跃账号数。这类游戏由于存在创建角色的问题，所以一般会分成两种统计方式。一般比较多见的是日活跃账号数，可以认为就是日活跃用户数。当然，很多游戏室不存在这样的多角色概念，因此通用日活跃账号数来作为统计的标准为最佳。
当然，还有一种统计标准就是设备的唯一标示，比如MAC，这样统计日活跃设备数量，不过价值相对不大。
定义标准
统计日登录过游戏的账号数，此处要去重。
比如某日有1000个账号登录过游戏，总计登录次数为1600次(因为存在某些账号重复登录游戏)，那么该日的日活跃账号数为1000。不要小看这个解释，在实际 *** 作中，经常会出现问题，例如我们在写SQL语句提取数据时就应该加上distinct 进行去重 *** 作：
Select count(distinct passportid) from playerlogintable
如果没有加上distinct 统计的就是所有登录玩家的总计的登录次数，这样就会出现大的问题。
日活跃能分析什么
单单一天的日活跃其实只能与前一日或者历史同期做一个环比或者同比的分析。但是日活跃的能发挥的作用远远超出你的想象。
核心用户规模
核心用户规模的衡量其实和产品周期结合起来来看，在大部分游戏中，日活跃大概的构成可以分成以下的部分。
其中，新登用户对于日活跃用户的影响是最大的，一般新登占比达到40%，而这个比例其实是可以判断游戏核心用户规模的依据之一。
从上图的构成来看，如果新登用户在后续不断转化稳定的老用户以后，那么老活跃用户的规模是在不断增长的，同时，如果新登用户的注入水平保持不变，这样来看，游戏的核心用户有规模是在增长，并且新登用户所占的日活跃百分比是在下降的;如果新登用户注入水平也在增长，且不断转化为老用户，即核心用户规模也在增长，那么新登用户所占百分比会在一个区间稳定的变化的。
刚才所提到的核心用户规模，之所以使用日活跃用户来衡量，原因在于，以每日作为一个衡量的单位比较客观反映用户的游戏积极性，以日作为统计长度，恰好符合用户游戏的最短的周期性循环。
那么在日常的分析中，我们可以简单计算一个周期内，每日新登用户和活跃用户的关系比例，看一个长期趋势，一定程度上反映了目前核心用户的规模增长情况。
那这里有人会问，怎么看待回流用户的作用呢
实际上，回流用户对于日活跃用户的贡献比例是极低的，但是该部分的贡献却不能够忽略，因为在重大节日、渠道推广等各种营销手段上线以后，会对于游戏日活跃产生一个很大的贡献值。但是一般而言，该部分的贡献比例比较低。
说了这么多，那么老用户和回流用户的定义究竟是怎样的这里只给出参考的标准：
回流用户：统计日登录游戏，但是之前7天未登录过游戏的历史用户(所谓历史用户就是非新登用户，历史上登录过游戏的用户)
老活跃用户：如果粗略的计算，可以如下计算：
•日活跃用户数-日新登用户数-日回流用户
当然如果要精确衡量老用户规模，可以给予老用户定义，例如：
统计日登录游戏的用户，在此之前7日内再次登录过游戏(注意此处没有严格区分新登用户的情况，即也把新登用户的次日登录的部分计算为老用户，可按照实际需要提出此部分对于老用户的影响)。
下面我们通过几个曲线来简单说明一下怎么利用DAU分析问题。
首先我们要得到划定时间区段的DAU和DNU的曲线图，如下图：
在该图中，我们DAU和DNU的走势基本上是一致的，DNU对于DAU的影响还是比较大的，但是随着后期波动的减小，我们发现从106天到280 天，两条曲线是呈现缓慢的下滑趋势的，但是这不足以说明问题，仔细观察，我们发现夹在两条曲线之间的面积是逐渐缩小的，而这部分面积就是DAU中除去 DNU的部分，即我们可以认定是老用户的部分，这个面积的缩小，意味着用户的流失加剧，活跃用户的控制不得当，此外，也可能是新用户在短期内留存率不高引起的，那就需要结合留存率来看问题了，这里不讨论。
在发现上述的情况后，我们可以使用DAU-DNU的差值做一条曲线来进行分析这个问题。如下图所示：
可以很明显的看到，这个差值在逐渐走低，也就是说用户的活跃度是在下滑的，这个下滑可以认定是后期渠道导入用户质量不高造成的，也可以是产品本身的用户周期问题造成的。但是断定一点的是，这个时期，需要紧急的拉动用户规模增长，因此，可以看到，随后进行了两次相应的拉动，其规模有所提升。
此外，我们还要看一下新用户所占的比例曲线，如上文所述，基本维持在40%的水平上，但是有一个值得关注的是，当处于一个相对的稳定期时，即使有大范围的推广和拉动新登增长，那么这个比值的变化也不会太剧烈，唯一剧烈的原因就在于，原本游戏的老活跃用户规模就在下滑，流失较多。
当然了，用户的流失、产品的粘性等等都可以通过对DAU不同角度的解析获得相应的信息，这点也是要和其他数据结合来分析的，比如次日留存率，用户流失率、启动次数、登录时长分布等数据，找出来DAU中的虚假用户，例如1-3s用户非常多，那么在正常的网络和设计情况下，这种数据就可能是很多假用户造成的，也就是作弊行为。
再比如的情况，我们可以通过事件管理，区分推广和非推广时期的用户增长对DAU的影响，比如自然增长时期的新登用户对DAU的影响，判断DAU的质量，渠道的质量;或者推广时期的新登用户对DAU的影响情况分析。
如果需要的也可以结合用户的登录习惯，比如登录次数，登录天数等等数据进行忠诚活跃用户的阈值确定，以此来保证DAU的质量。
其实在DAU的背后，隐藏的问题和分析的要素很多，这个也是需要结合自己的业务需要来进行的，这里只是给大家提供一个分析的思路和方式。至于具体的问题，还要结合具体需求进行分析。不过话说回来，DAU的解析离不开细分数据和其他数据的支持，但是也是不一定一直细分进行数据的分析。因为有一些因素不是靠细分数据就一定能够得到的，还要经验积累，有关这部分的分析参见这里。
文章来源：博客园

可以通过开通QQ会员加快升级速度
我们从统计数据出发，为“活跃天数”的计算做如下定义：
使用QQ在2小时（及2小时以上），算用户当天为活跃天，为其活跃天数累积1天。
使用QQ在05小时至2小时，为其活跃天数累积05天。
使用QQ在05小时以下的，不为其累积活跃天数

app的激活量是指:下载app以后有过启动行为的用户量
活跃度一般分三个时间维度计算：
日活跃用户：当天启动过app的用户数
周活跃用户数：一周内启动过APP的用户数
月活跃用户数：当月启动过APP的用户数
活跃率：XX时间段内启动过App的用户数/总用户数

一个APP最根本的便是用户，那么当然用户也分许多种类，比如活跃用户、留存用户、流失用户等等，那么一般情况下又是怎么来分析活跃用户的呢？首先，我们来看一下用户的具体分类。

不同类型的用户

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。
活跃用户

很多人对于什么是活跃用户的概念还很模糊，大多数运营数据分析平台上都直接给出了一个活跃用户的数字，那么什么是活跃用户呢？用户每天既会不断新增，也会不断流失，如果单独只看每日活跃用户数，是很难发现问题的本质的，所以通常会结合活跃率和整个APP的生命周期来看。

活跃率是指活跃用户/总用户，通过这个比值可以了解你的用户的整体活跃度，但随着时间周期的加长，用户活跃率总是在逐渐下降的，所以经过一个长生命周期（3个月或半年）的沉淀，用户的活跃率还能稳定保持到5%-10%，则是一个非常好的用户活跃的表现，当然也不能完全套用，得视产品特点来看。

概括来说，增长黑客在衡量“活跃度”时，会通过访问次数、访问时长、收藏指数和相关影响因素几个维度来判断用户的活跃情况，并按连续活跃天数和阶段内任意活跃天数2个时间维度对用户活跃度进行整体分析。

如何进行用户活跃度分析？

1通过日访问次数评估用户活跃度

访问次数代表用户每日使用产品的频次，我们将计算所有访问次数大于1次的用户，来计算这些用户的平均访问次数，或者设定一个固定值，例如某位用户连续7平均访问产品的次数为3-5次，那么我们就可以把4设定成固定值。

在基于访问次数计算出平均值或设定了固定值（A）之后，我们要统计每日访问次数大于1次并且小于A50%的用户，以及每日访问次数大于A50%并小于A的用户，以及日访问次数大于A的用户分别的数量。统计的目的在于通过访问次数将用户进行分层，高于A值的用户是我们产品的绝对活跃用户，对于没有达到A值的用户可以通过运营活动重点提升日访问次数。

2通过日访问时长评估用户活跃度

与通过访问次数计算用户活跃度的方式相同，找出用户使用时长的衡量值B，通过B对用户进行筛选分组。

3通过“收藏指数”评估用户活跃度

一般来说，用户产生收藏行为代表着对产品内容的认可，如某篇文章，某件商品。

在实际统计中，“收藏指数”因产品所在行业的不同而不同，需要针对产品所在行业进行个性化定义，例如社区类产品要统计有过发帖、回帖行为的用户，资讯类产品要统计日浏览文章大于5篇（举例）的用户，电商类产品要统计日浏览商品大于5件（举例）的用户等。

同样，通过对“收藏指数”的定义，计算出相关用户行为的衡量标准，我们称其为C值，C值为活跃用户必须满足的条件，继而可以筛选出高出C值50%、100%甚至更多的用户数量。

4找出用户活跃度的影响因素

在影响因素这项分析上，需要统计不同特征用户的活跃度人数。例如领取红包后1-3天的活跃用户变化情况，与非领取红包用户的活跃度进行对比，再比如连续打卡3天、5天的用户在活跃度上的变现差异。

以上是4项用户活跃度的衡量方式，在统计时，首先需要筛选出满足条件的用户数量，然后计算满足条件用户在整体用户中的占比。

---