如何做好app用户行为分析？（分享大数据的干货教程和大数据应用案例）

在数据分析的世界，队列经常被撇到一边，这似乎是因为其复杂的特性。那么学习这些分析能够获得什么帮助，以及是如何做到的。

在数据分析的世界，有一个工具经常被闲置。虽然是一个非常强大的分析工具，队列却经常因为其复杂的特性而被放在一边。随着数据分析的过程中它能给与很多帮助，人们的看法发生改变，现在让我们更加深入的认识队列。

36大数据专稿，原文作者：Jacob Joseph, 本文由36大数据翻译，任何不标明译者和出处以及本文链接http://www.36dsj.com/archives/44739均为侵权。

先解释什么是队列开始。队列能够帮助你分析一组人群在特定时间里共有的普遍特性，包括其操作或者行为。队列允许你从更多的“微”镜头看到数据，并提供你一些关于整体分析拼图中具体某一块的细节。

举例：每一个开发者或者分析学者首先想知道的关于他们的App的数据是留存率。你能让多少人下载你的App，更能让多少人保留你的App。留存率是关键指户留存标，因为“用是真实的增长而不仅仅是用户获取”。在这样的情况下，那些已经安装了你的App的用户，接下来的5天就是观察他们是否与App有互动，作为留存率的测试。

下面的信息以表格的形式显示：

注：cohort-队列 ，people-人，day-天，3-JAN-2016：2016/01/03(以此类推)，average-平均值

在上面的表中，有558个用户在2016年1月3号下载了这个App，第1天（DAY1）有30%用户登录使用了这个App，第二天是23%，第三天是24%，第四天是21%，第五天是25%。根据数据的显示，很难读出数据背后的含义，和作出快速的参考。作为分析人员，你想了解过去5天的（从下载后第1天开始）的留存趋势，以及固定时期内的趋势，那么说下下载后的第一天和第三天。

此外，你想测试留存的总数和（阶段）获得的用户。对于少数队列来说，合计是很有用的，一方面留存率可能很低，但是获得的用户人数很高，却不是理想的用户。我们对第一天，第三天和第五天的留存人数很感兴趣。下面队列数据在循环点里进行了可视化的总结：

上面的图表显示了日常队列随着选择的天数变化的趋势。如：从开始到第1天，第3天，第5天的三个队列。

柱状图中浅色和深色的阴影部分分别表示客户的留存数量和留存率。粉色条形图显示了第一天结束后的日常队列，绿色条形图显示了第一天到第三天的日常队列，紫色条形图显示了从第三天到第五天的日常队列。第一天1月3号，从粉色图表可以看出，获得的用户总数是558，而留存的用户是167。对于相同的队列，在第三天，下载总数不变，随着从第一天开始，留存的用户数量仅仅是167。在这167个人中，只有135个人留存下来。一个下降趋势开始出现。

三个图表的顶部的趋势分析各自显示了从第一天，第三天，第五天开始的日常队列的留存率。三种颜色的彩条显示了围绕着线所代表的置信区间，而围绕平滑线的彩条是关于留存率的。

获得的洞察力：

1、留存率明显向下的趋势已经出现。自安装App的三天后，留存率出现锐减。这需要进一步的调查，因为下降就是从第三天开始的。

2、1月3号获得用户有着最高的留存率，但是从第三天到第五天开始，留存率开始无预警的下降，跟其他日常队列不一样。应该深入挖掘1月3号当天获得的用户有哪些特性。另外，当天的用户人数相比其他时候的下载人数也是最高的。

3、1月4号获得的用户相比1月3号，留存率较低。到了第五天，它相比第一天和第三天，留存率低于置信区间较低的条形。

4、数据同样显示了在1月17号用户获得数量出现了高峰。通过队列的使用，我们可以学习整体趋势，特定时间段的趋势，极限值，以及当结合其他信息如市场营销策略和在测试期间实现的用户获得策略，我们可以将这些合理的结论记下来，用来进一步增强用户获得的策略和留存策略。

参考：

Interview: Mario Vinasco, Facebook on Advancing Marketing Analytics through Rigorous Experimentation.

采访：Mario Vinasco，Facebook通过缜密实验进行高级市场分析

Interview: Lloyd Tabb, Chairman & CTO, Looker on Front-line Analytics and Data Democratization

采访：Lloyd Tabb，主席&首席技术官，前线分析和数据民主化的观望者

Interview: Ksenija Draskovic, Verizon on Diss，acting the Anatomy of Predictive Analytics Projects

采访：Ksenija Draskovic，风口上的威瑞森公司，对预测分析项目进行分解

文章来源36大数据，微信公众号（dashuju36),36大数据是一个专注大数据创业、大数据技术与分析、大数据商业与应用的网站。分享大数据的干货教程和大数据应用案例，提供大数据分析工具和资料下载，解决大数据产业链上的创业、技术、分析、商业、应用等问题。