增长分析-在缓慢变化中的跳变

增长中的用户分群，如何动态圈选用户，分析其中的增长机会呢？聊一聊一种基于缓慢变化维度的分群方式。

本文首发于腾讯内部知识分享平台「乐问KM」、腾讯官方公众号「腾讯大讲堂」《数据分析：在缓慢变化中寻找跳变——基于缓慢变化维度的用户分群》，作者日后创建个人公众号，以转载形式发布本文。

在数据分析中，常常有下面几种分群方式

基础属性类：年龄、性别、城市、学历等等

- 特点：基本不变化，虽然年龄、城市等等标签也会发生变化，但本质上是作为用户固定属性分析

- 优势：用户属性稳定，分群较少发生变化

- 劣势：维度有限，很多需要分析的标签，较难找到固定属性

图：某业务用户数分年龄段曲线（来自腾讯灯塔截图）

动态属性类：当天启动方式、当日拉活渠道、新老用户、当日有效使用、当日是否领取红包等

- 特点：基本上是基于用户当天的一些行为或状态，例如启动方式，但每天的启动方式都可能变化

- 优势：优点是与业务行为强相关，分群方式灵活，能够迅速定位问题。

例如：a.今天领红包的用户留存率降低了，可以快速定位可能是红包产品出现了问题；b.主动启动来源的用户留存率持续上涨，说明产品在朝着正向发展，是个不错的发展趋势。

- 劣势：用户的属性经常变化，比较难解释是用户结构变化还是用户的行为变化，容易引入互为因果的问题。例：今天领红包的用户留存率降低，我们要分析到底是红包产品出了问题，还是今天有一大批留存低的用户领了红包？因果关系不容易分析。

图：某业务，按用户当日领取金额分群的有关数据（来自腾讯灯塔截图）

------ 基于运营的缓慢变化维度 ------

选择一种合适分群方式，可以考虑结合基础属性和动态数据的优势。

例如，分析红包业务，分析红包对用户的留存率产生的影响，我们设想几种方式：

1、当日是否领取红包将用户分群，分为「领取红包用户」「未领红包用户」两个群体，洞察用户留存，这里会受领取红包渗透率影响较大，另外每天领取红包的用户，缺少了用户群的一致性和连续性（每天不是一批用户，动态变化）

2、通过特征判断，假设某个群体（例如小学生喜欢领红包），分析小学生群体的特征，但可能无法用小学生代表红包用户群体业务

3、通过号码包圈选，圈选出过去1个月有领取过红包N次以上的用户，观察这批用户的留存率变化，这种方法相对好一些，但是受圈选日期的影响较大

这里我们更关心，真正喜欢领取红包的那批人，他们究竟在留存率指标上有什么变化？

引入了数据仓库中缓慢变化维度的概念，例如，每天均将用户按照过去1个月领取红包的天数做分段，这样，群体的用户是非常缓慢变化的，一定程度解决了分群一致性问题，监控的指标一般是短期指标（如次日留存率等），可以很好的监控出业务异动。

图：按最近1个月（每日向前滚动计算1个月）领取红包天数分层，DAU用户留存曲线

如上图，可以看到，红包敏感的群体（滚动计算过去1个月领取「22-28天」红包）群组的用户留存率在明显下跌，

如果按「当日领取红包的用户」分群，分析这批用户的留存，那么这批红包敏感群体会被大量的不敏感但领取用户稀释掉

可以基于业务视角，构造出很多与业务强相关的缓慢变化维度（我们后文称呼为「运营指标构造的缓慢变化维度」），如：

- 滚动计算过去1个月的活跃天数分段分群

- 滚动计算过去1个月有观看直播的用户群

- 滚动计算过去1个月发布视频天数分段分群

通过在运营指标构造的缓慢变化维度上分析异动数据，比较容易找到业务的交集影响和变化

红包敏感群体（缓慢变化维度中，过去1个月领取红包22-28天的群体），使用发布器的渗透率在逐渐升高，这说明红包模块和发布器模块，用户产生了较强的交集，这里可以分析出，在产品层面迭代，促进2个模块的相互互动

运营指标构造的缓慢变化维度的构造维度需要注意如下几点：

1、维度的选择，要滚动较长的周期，例如历史滚动28天、历史滚动90天领取红包的天数分段，这里滚动周期越短，时效性越好，能够反映用户最近的状态；滚动周期越长，维度的稳定性越好，用户群的一致性越稳定

2、维度的选择，选择鲁棒性好、受极端值影响小的指标分段，如历史28天内领取红包的天数，就比历史28天内领取红包的次数要更好，因为领取次数可能更容易受极端值影响，鲁棒性不好，不容易反映出用户的真实分层情况

3、分析指标的选择，指标的时间跨度远小于维度的时间跨度，例如，按照历史28天分层，分析「XX指标」，这里的「XX指标」可以选择次日留存率，3日留存率等，但不适合选择28日留存率

总的来说，运用运营指标构造的缓慢变化维度，本质上是，在一个低频变化上发现其中的高频变化。

------ BI工具的应用 ------

对于大多数BI工具，一般是有维度表和事实表，现在很多BI工具就可以支持「按天变化的维度表」，可以方便快捷进行异动分析，

以腾讯内部BI产品-灯塔为例

图：腾讯灯塔关于缓慢变化维度的适配

目前团队中，已经将较多长周期用户行为数据进行分层分群，作为用户基础画像的一部分，引入到数据分析之中，在日常的运营分析和异动监控中广泛应用。

作者：刘健阁

本文首发于腾讯内部知识分享平台「乐问KM」、腾讯官方公众号「腾讯大讲堂」《数据分析：在缓慢变化中寻找跳变——基于缓慢变化维度的用户分群》，作者日后创建个人公众号，以转载形式发布本文。

点击上方卡片，进入首页，点击 关注

欢迎 喜欢作者（赏）、分享、收藏、赞、在看