dau拉新的简单介绍
今天给各位分享dau拉新的知识，其中也会对进行解释，如果能碰巧解决你现在面临的问题，别忘了关注本站，现在开始吧！
本文目录一览：
- 1、互联网运营人需要掌握哪些数据分析方法？
- 2、【干货】数据化运营中的数据分析方法（2.1）-方差分析
- 3、产品日活DAU下降，我们该如何分析？
- 4、日活跃用户的优缺点
- 5、用户增长
- 6、抖音极速版拉新有上限吗
互联网运营人需要掌握哪些数据分析方法？
互联网运营需要掌握的数据分析方法有：细分分析、对比分析、漏斗分析、同期群分析、聚类分析、AB测试、埋点分析、来源分析、用户分析、表单分析等。
细分方法可以分为两类，一类逐步分析，比如：来北京市的访客可分为朝阳，海淀等区；另一类是维度交叉，如：来自付费SEM的新访客。
对比分析主要是指将两个相互联系的指标数据进行比较，从数量上展示和说明研究对象的规模大小，水平高低，速度快慢等相对数值，通过相同维度下的指标对比，可以发现，找出业务在不同阶段的问题。
漏斗帮助我们解决两方面的问题：在一个过程中是否发生泄漏，如果有泄漏，我们能在漏斗中看到，并且能够通过进一步的分析堵住这个泄漏点;在一个过程中是否出现了其他不应该出现的过程，造成转化主进程收到损害。
同期群（cohort）分析在数据运营领域十分重要，互联网运营特别需要仔细洞察留存情况。通过对性质完全一样的可对比群体的留存情况的比较，来分析哪些因素影响用户的留存。
聚类分析具有简单，直观的特征，网站分析中的聚类主要分为：用户，页面或内容，来源。
【干货】数据化运营中的数据分析方法（2.1）-方差分析
推断分析---通过分析少量数据的特征，推断整体数据特征。
方差分析
样本检验
趋势预测
1.方差分析----通过数据复盘衡量运营策略在产品运营中，我们会遇到各种需要评估运营效果的场景，包括促活的活动是否起到作用、A/B 测试的策略有无成效等等。
具体例如，产品升级前的平均 DAU 是 155 万，产品升级后的平均 DAU 是 157 万，那么如何判断 DAU 提升的 2 万是正常的波动，还是升级带来的效果呢？
本质都是在对比不同分组数据间的数据变化，或是对比同一组数据在实施某些策略前后的数据变化，及其变化背后的原因。也就说，判断数据波动是否是某一因素（活动/策略）导致的，便是方差分析。
我们把分组叫作样本，把变化叫作差异，差异的大小程度叫作显著性。
对比不同分组数据间的数据变化，叫分析不同样本间的差异显著性；
对比同一组数据实施某些策略前后的数据变化，叫分析同一样本在策略前后的差异显著性。
而分析以上差异显著性是否明显的方法，就叫作方差分析。
应用：
某用户运营工作重点之一，就是搞清楚在优惠金额对用户的购买转化率是否能起到有效作用。
抽取了过去半年产品上投放的所有促销活动，并把活动中的优惠金额分成了以下三个组，最后按照不同区间分组去分别计算用户的购买率。
用户行为是随机的，不管有没有促销活动，用户的购买转化率本身就会发生一定的波动，可能某天某组的某个用户心情大好，或者发了年终奖了就会在产品上剁手。而这些随机因素都与优惠金额无关，所以我们不能说某组的转化率高，是这个区间的优惠金额效果好导致的。那么应该如何正确认识用户数量与购买率之间的关系呢？这就需要用到正态分布图了。
（1）正态分布图
绝大部分用户的购买率都集中在某个值附近，这个值我们叫作整体购买率的平均值。如果每个客群分组自身的购买率均值与这个整体购买率平均值不一致，就会出现以下两种情况。
第一种情况
蓝色分组的购买率平均值（蓝色线）比整体平均值（黑色线）要高，有可能是最右边那个很高的购买率把分组的均值抬升的，同时蓝色分组的数据分布很散（方差大），此时不能有十足把握说明该组用户的购买转化率很高。
第二种情况
绿色分组购买率平均值（绿色线）比整体平均值（黑色线）高，但是绿色分组的数据非常集中，都集中在分组的平均值（绿色线）附近，此时我们可以认为该组的转化率平均值与整体有明显区别。
“组内方差”，即描述每个分组内部数据分布的离散情况。
对于上面蓝色和绿色分组的“组内方差”，显然蓝色的组内方差更大，绿色的组内方差更小。
所以，如果上面三个分组的用户购买率平均值不在中线（整体购买率）左右，而是有明显的偏高或偏低，且该组内的每个转化率都紧紧围绕在该组购买率平均值的附近（即组内方差很小）。那么我们就可以断定：该组购买率与整体不一致，是该组对应优惠金额的影响造成的。
（2）方差分析之定性、定量分析
将上表中三个组的转化率放进了这个图中，尝试通过分析工具在转化率数据中得到结论。
定性分析
这三组的购买率数据的分布都很相似，即虽然各组的均值不尽相同，但各组的数据分布的都比较散（方差大），总有很大或很小的购买率来提升或降低了组内的平均值，所以不能仅从各组的购买率均值本身来断言该组的购买率与众不同。
因此，可以看到，这三组数据并无区别，用户的购买率与优惠金额之间没有明显的关系，当然这是一个定性的分析过程。
定量分析
F 检验值用来精确表达这几组差异大小的，F crit临界值是一个判断基线
当 F F crit，这几组之间的差异超过判断基准了，认为不同优惠金额的分组间的购买率是不一样的，优惠金额这个因素会对购买率产生影响，也就是说通过运营优惠金额这个抓手，是可以提升用户购买转化率的；
反之，当 F F crit，则认为不同优惠金额的分组间的购买率是一样的，优惠金额这个因素不会对购买率产生影响，也就是说需要继续寻找其他与购买转化率有关的抓手。
A、B、C 三组的方差分析结果。如图所示 F (1.5555556) amp;lt; F crit (3.8852938)，所以从定量分析角度，我们也能判定优惠金额不会对购买率产生影响。
方差分析也叫 Analysis of Variance，简称 ANOVA，也叫“F 检验”，用于两个及两个以上分组样本的差异性检验。
方差分析标准路径
第一步，判断样本是否满足“方差分析”的前提条件
（1）第一个条件：每个分组中的每个值都必须来自同一个总体样本
比如，同一家店铺中男性顾客和女性顾客（即样本），都来自这个店铺的成交客户（即总体），所以是同一个总体，可以用方差分析来分析不同性别客单价的差异；但如果想分析这个店铺中口红品类的用户购买率和其他店铺口红品类的用户购买率的差异，就不能用方差分析，因为这两个用户群体不是来自同一个总体。
判断样本是不是都来自同一个总体，其实就是看这些样本是不是同一个功能的用户、是不是同一种类型的用户、是不是同一个业务流程的用户。
以下就是来自同一总体的用户：
高留存的注册用户和低留存的注册用户；
DAU 里面的新增用户和唤醒用户；
从同一个入口进来的成功购买用户和流失用户。
以下这些就不是来自同一总体的用户，不能用方差分析来分析他们之间是否有差异：
产品的注册用户和游客，因为不是同一类型用户；
沉默用户和活跃用户，因为不是同一类型用户；
使用过功能 A 和未使用功能 A 的用户，因为不是同一功能的用户；
从活动落地页进来然后完成购买的用户，和从首页 Banner 进来完成购买的用户，因为不是同一业务流程的用户。
（2）第二个条件：方差分析只能分析满足正态分布的指标
在产品运营中大部分指标都是正态分布。
几乎所有转化率都满足正态分布：购买率、点击率、转化率、活跃率、留存率、复购率等。
几乎所有的业务量都满足正态分布：客单价、每日新增用户数、渠道引流的流量等。
几乎所有的用户画像指标都满足正态分布：年龄、城市、登录次数、使用时长等。
但是，以下这些就不是正态分布的指标，不能用方差分析。
注册用户中男性和女性的数量，它们并不会集中在某个区间，所以不能用方差分析去分析不同客群的男性数量和女性数量的差异；但男女的比例是正态分布的指标，根据产品客群不同始终集中在某个占比区间。？？
不同客群的累计消费金额，不是正态分布指标，因为累计类指标只会增长，并不会集中在某个区间；但是每日消费金额是正态分布的指标，因为每日的消费金额虽然有波动，但产品的客群是稳定的，消费金额也是集中在某个区间。
（3）第三个条件：分析的样本必须是随机抽样
每个用户的购买率就是随机抽样来的。最简单的随机抽样就是均匀抽样，例如 10 万用户，我就按照顺序，每隔 5000 人抽一个出来，就能随机抽样出来 20 人。
第二步，计算 F 检验值和 F crit 临界值
若 F F crit，则各个分组的指标值有显著差异；
若 F F crit，则各个分组的指标值无显著差异；
第三步，如果有差异，需要评估差异大小
当 F F crit，则各个分组的指标值有差异，但是差异有多大呢？用一个新的指标来表示：
R2=SSA/SST，其中 R2 表示差异大小，SSA 是组间误差平方和，SST 是总误差平方和。
可把 R2 看成相关系数，所以可以用相关系数的判断标准来给出差异的大小：
当 R20.5，认为各个分组间的差异非常显著；
当 R2 在 [0.1,0.5] 之间时，认为各个分组间的差异一般显著；
当 R20.1 时，认为各个分组间的差异微弱显著。
应用：
1.产品升级前后，使用时长有了一定提升，可以说升级有效果吗？
升级后的平均使用时长为 1分 34 秒，升级前为 1 分 26 秒。升级后使用时长提升了不到 10 秒钟，能说产品升级有效果吗？
1）判断样本是否满足“方差分析”的前提条件
使用时长来自同一群用户，就是产品的使用用户，是同一总体；并且使用时长满足正态分布，所以要分析升级前和升级后有无效果，就是分析升级前的使用时长和升级后的使用时长是否有差异，也就是可以用方差分析来判断。
2）计算 F 检验值和 F crit 临界值
F 检验值是 5.97，F crit 临界值是 4.1959，所以 F amp;gt; F crit，所以这两组数据有差异，也就是说升级后使用时长的提升是有效的。
3）评估差异大小
结果是 0.1757，属于一般显著。
结论：此次产品升级对使用时长是有效果的，平均使用时长提升了 8 秒，但提升效果一般。
2.最近做了一次活动，活动后的 DAU 有所提升，可以说活动有效果吗？
为了提升 DAU，做了一个促活的活动，把活动前后的 DAU 抽样 15 天的数据对比，发现活动后 DAU 均值是 55567，比活动前的 DAU 均值 54198 有所提升，可以说活动有效果吗？
我们不能单纯地看 DAU 均值提升就认为有效果，也有可能是正常的波动，所以我们需要准确对比这两个分组间的差异。
1）判断样本是否满足“方差分析”的前提条件
因为两组的 DAU 都来自产品的 DAU，所以认为是来自同一总体，同时 DAU 满足正态分布，所以可以用方差分析来进行分析。
2）计算 F 检验值和 F crit 临界值
因为 F(0.022) amp;lt; F crit(4.1959)，所以这两组数据无差异，也就是说这两组 DAU 没有任何区别，均值的变化是正常波动，促活活动并没有带来效果，所以不需要进行第三步，不需要评估差异大小。
上面的案例都是针对一种策略来分析效果。我们把这种形式的方差分析叫作单因素方差分析，因为只评估一种策略在不同客群、或不同渠道、或不同场景中的效果。下面我们看看一个更复杂的场景——多因素方差分析。
3.如何分析注册率是拉新活动带来的？还是渠道本身特性带来的？
渠道运营，涉及的渠道很多，同时在每个渠道上也会投放大量的运营活动，目的都是尽可能地将渠道的流量引导到产品上完成注册，才能进行后续更为深入的运营。
（1）渠道
刚开始我们对接渠道，由于资源有限，运营活动还是全渠道投放。想分析针对单一一个运营活动，各个渠道间的用户注册率是否有差别。
F(1.96) amp;lt; F crit(3.55)，所以各个渠道的注册率没有差异。
面对这样的问题，你自然会说可能是拉新活动的没有做出差异化的原因，所以你把拉新活动精细化，拆为权益类活动、品牌类活动和通用类活动。通过这三类细分活动再次投放到各个渠道上，再次评估各个渠道的注册转化率。
（2）活动
于是，除了渠道，还有活动来影响注册率。此时有两个因素来影响注册率，分别是渠道因素（有三组）和活动类型因素（有三组），所以我们用无重复双因素方差分析来做，
这里是两个因素，所以要从行和列分别去分析：
行的 F(8.46) F crit(6.94)，所以注册率在不同行（不同活动）上差异显著，并且 R2 为 0.796，属于非常显著；
列的 F(0.16) F crit(6.94)，所以注册率在不同列（不同渠道）上无差异。
所以，当我们给各个渠道投放多种类型的活动时，我们发现注册率和活动类型强关联。
（3）客群
把活动细分为三类只是精细化运营的开始，接下来你自然会想把这三类活动投放给每个渠道的不同客群，再看看对注册率的影响。
于是，除了渠道和活动，还增加了渠道中的客群（这里仅按照性别这个维度来分析）。此时每种类型的活动又针对男性客群和女性客群分别进行了投放，我们把这种情况叫作有重复因素。
有重复因素，即每个因素（活动类型）中都有两个重复值（男性和女性）。
样本是每个行中的男性客群和女性客群；
列是渠道；
交互是男性客群或女性客群，是否与渠道一起共同对注册率产生了影响。
从结果中我们可以看到：
样本的 F(10.57) F crit (4.25) ，所以不同性别的客群和注册率差异显著，再考察样本的 R2 为 0.64，为很强的显著关系；
列的 F(0.47) F crit (4.25)，所以不同渠道的客群和注册率差异不显著；
交互的 F (0.49) F crit (3.63)，所以不同性别的客群与渠道共同对注册率差异不显著。
此时我们可以下结论：不同渠道本身对注册率影响不大，可以排除渠道自身特征的影响；但是不同性别客群的拉新活动对注册率的影响非常大，后续可以针对渠道中的不同性别投入更多的拉新资源以提升注册率。
提醒：在本文的讲解过程中，对方差分析的原理和要求做了很多业务上的适应性的假设。而实际业务的情况非常复杂，在使用方差分析前应查阅统计学的资料后，确认业务情况符合方差分析的几个条件才能使用。如果硬套方差分析的方法来分析只会产生严重误导和偏差。
总结
方差分析适用场景：
第一类：同一客群在实施某个策略前后的指标对比，以评估策略效果。
第二类：两个或多个客群对比同一指标，以评估不同客群在这个指标上的差异，以评估不同客群的指标运营效果。
产品日活DAU下降，我们该如何分析？
在产品运营中，产品指标往往反映了产品状态与用户使用情况，而“日活”就是一个非常重要的产品指标，面对日活的异常波动，我们需要多方位进行分析，并对出现的问题进行及时修正。
背景：
APP的平时的日活跃稳定在了79万~89万，一天突然降到了78.8万，过了一天之后又降到了78.5万，这时产品负责人很着急，让我尽快排查下具体原因。( ´﹀` )礼貌的微笑。
一个日活跃在80万，一两万的波动其实不是一个非常大的波动，但是还是要排查下具体原因的。
具体步骤如下：
确定数据是否准确，是否系统出现了BUG；
确认数据是否是异常情况；
进行维度的拆分，确认影响因数，定位大致的原因；
了解业务的具体动作，最好是可以跟产品、技术和运营都沟通下；
根据现有的具体情况提供你建议；
一、确认数据是否准确
不管什么时候拿到一份数据，一定不要急着进行数据分析，首先要判断数据是否准确，特别是别人发给你的数据，先确认数据的准确性，后面可以少很多事情。
二、确认数据是否存在异常
确认了数据的准确性之后，我们再来看数据是否真的存在异常情况，因为有的时候只是周期性的变化，我们就没有必要着急。单一的数据我们是是看不出具体的情况的，我们需要结合之前的数据来发现异常情况的，比如上面的数据：
我们根据之前的数据可以发现：
不是周期性的变化
是在6月13号突然的下降，并且下降了三天了，可能会持续性的下降，需要警惕
从上面我们的数据我们可以知道日活度确实出现了问题。
完成了上面的步骤之后我们再进行数据分析。
三、进行维度的拆分
现在的问题是： 日活跃度下降了一两万。 所以我们要进行日活跃维度的拆分：
按照新老用户的拆分；
登入平台的的拆分，比如：IOS、安卓；
按照APP版本进行拆分；
按照登录渠道的拆分，比如APP、小程序；
按照区域的拆分，比如：国家、省份；
先计算影响系数，然后每一项数据在跟以往正常的数据做对比，算出影响系数。
公式：（今日量 – 昨日量）/（今日总量 – 昨日总量）
系数越大，表示影响越大
现在我们再来看下我们上面的数据，因为数据是在6月13号突然下降的，所以我们用6月12号和6月13号的数据来计算影响系数。
老用户影响系数 = (77.89-78)/(78.8-79.5)=0.16
新用户影响系数 = (0.98-1.5)/(78.8-79.5)=0.84
四、了解业务的具体动作
上面初步确定了原因之后，在跟产品、技术、运营人员进行沟通进一步确认原因出现在哪里，主要是沟通最近是否有什么业务上的动作。
结合我们之前发现的导致DAU下降的原因是因为新用户导致的，所以我们先跟投放推广的人员进行沟通，沟通之前我们先要整理下不同推广渠道的数据。
通过渠道拆分发现，我们发现6月13号的渠道3新用户下降严重，所以最后我们把问题定位到了渠道3上面。所以我们联系渠道3的负责人员一起定位问题。比如：渠道线索量降低？渠道转化率降低？渠道平台的问题？找到具体问题针对问题做具体的优化策略。
五、提供具体的建议
具体的建议我们是需要根据具体的问题来提的，比如：渠道平台的问题。我们看数据会发现，渠道3的DAU其实一直都是处在下降的趋势，只是在6月13号那天下降的厉害，把问题提现出来了。
我们就先假设，我们在渠道3有做拉新的活动的，而在6月13号的时候结束了，导致渠道3的日活下降了。之后我们在跟渠道3的负责人沟通的时候就可以问是否有相关业务的动作。
其实分析最重要的就是要提供建议，只有分析的结果没有建议的话，就会被别人说我早就知道，你分析的这个有什么用。所以最好是先初步确认问题出现在哪里，然后跟相关人员沟通，在根据你知道的情况再具体做分析。
数据是在网上找的，但是分析的思路是一样的，还是要特别说明：拿到数据异常一定要确认数据的准确性和数据是否异常，不然你的分析可能都是白费的。
希望这边文章对大家日后的工作有帮助，也欢迎大家关注点赞，后续大家也可以一起讨论更多的工作中的问题。
日活跃用户的优缺点
优点：保持了产品热度。缺点：日活跃用户不一定就是真正客户。
现在大家经常会用到所谓的「日活」（日活跃用户量，DAU）、「周活」（周活跃用户量，WAU）来监测我们的网站，有的时候会看到我们的「日活」在一段时期内都是逐渐地增加的，以为是非常好的现象，但是如果没有做留存分析的话，这个结果很可能是一个错误。比如某公司做了很多拉新活动，人是带来了很多，活跃用户数在不断上升，但是就代表客户在不断增长吗？也许这只是拉新人数太多掩盖了流失率居高不下的问题，实际上客户的留存是在逐渐降低的。
拓展资料
DAU(DailyActiveUser)，日活跃用户数量。一般用于反映网站、互联网应用等运营情况。结合MAU（月活跃用户数量）一起使用，用来衡量服务的用户粘性以及服务的衰退周期。
日均活跃用户数量(DailyActiveUser，DAU)是用于反映网站、互联网应用或网络游戏的运营情况的统计指标。日活跃用户数量通常统计一日（统计日）之内，登录或使用了某个产品的用户数（去除重复登录的用户）。受统计方式限制，互联网行业使用的日均活跃用户数指在统计周期(周/月)内，该App的每日活跃用户数的平均值。通常DAU会结合MAU（月活跃用户数量）一起使用，这两个指标一般用来衡量服务的用户粘性以及服务的衰退周期。
日均活跃用户数用于比较APP端或小程序端活跃用户规模，多应用于衡量中国移动互联网垂直行业发展中关注时间段内APP或小程序日均活跃用户数变化，或观察电商6.18，双十一等节假日期间用户规模变化。
用户增长
用户增长（User Growth，后文简称UG）这个概念是美国传来的，从趋势看，以后肯定会是各大互联网公司的标配。
但目前真正做过UG的人和公司比较少，所以大部分书和文章还都是摆出国外产品的案例，业内人都知道，国外和国内的互联网行业是两回事，看了国外的成功案例除了让你心里爽一下，没别的用。
大家以后可以多关注和研究一下UG，会用的到，这类人才也会很抢手。
本文是我对UG的理解，应该是片面的，但终归是从实战中提炼出来的。
一、用户增长的意义
身边很多人说，这只是酷的概念，没啥实际意义——本来我们做的每一件事都是为了增长啊。
没错，在过去20多年里，国内互联网一直在关注增长，从最初的UV、PV，到之后的DAU、GMV，产品每做一次迭代，运营每做一个活动，都是为了提高这些数字，这不就是增长吗？
当然不一样，下面详细说。
要点一：用户增长是一套方法论
有些老板以为UG是密钥，拿到之后就可以打开产品增长的大门，快速看到数据的变化，这个肯定是不对的。
用户增长是一套方法论，就像做产品、做运营一样，不是特效药，不会一针见血。如果只是不成体系的单兵作战，谈不上是用户增长。
简单的说，就是下图中的AARRR模型。
无论什么产品，都是在这条主线基础上去做细分的尝试；只有在一次次优化和AB测试后，才能找到更优方案。
从上图可以看到，UG可不只是拉新，还包括留存，甚至是收入的增长。对UG来说，闭环思维是一个很重要的素质，需要更理性、更数字化的方法，关注整个用户的生命周期，直到商业化变现。
假设你做一个app，需要花钱做投放做活动推广，拉来一个新客需要20块。但平均每个用户可以给你带来30块的收入，ROI是正的。
这样就可以随便花钱投放，推广成本是无上限的，能限制你的只是你能获取的用户量。
因为你花出去越多的钱，给你赚回的钱越多，这就是闭环思维。
举个极端的例子，有个做两性约会的app，把名字和app的icon一换，同样的东西就复制了几十个，名字都类似「同城XXX」这种。他们的投放费用是无上限的，因为花出去的钱都是能赚回来的，这个闭环模式是跑通了的。
以上就是我对UG的理解，总结如下：
用户生命周期是主线
数据是导向
用户或收入增长是目标
整合产品、运营、技术做执行手段
换一个方式说：不管用什么方式，只要能带动增长，就是对的。
与UG相对应的，是目前大多数互联网公司的做法。
虽然产品、运营、技术、市场等部门的KPI都是用户量，但大家仔细想想，每个部门的工作内容，大多不会直接带动增长，而且相互是割裂的，这就引出了第二点。
要点二：用户增长是一种团队协作方式
目前大部分互联网公司的分工，都是以产品或业务线为单位划分的，分别对应了产品、运营、研发、设计等角色，而且通常情况下，这也是团队划分的方式，也就是PM是一个team，运营、研发同理。
这是一个很奇怪的现象，PM团队内部是很少需要协作的，是远远小于PM与研发的协作。
大部分的时候，PM是和研发、设计、交互在一起工作，那为什么让一堆PM组成团队，而不让经常协作的那些人组成团队呢。
可能是有历史原因吧，或者是「一堆PM」组成团队可以找一个更资深的PM去管理他们——不管怎样，现在这个模式已经变得不合理。
更严重的是，因为这样的分工模式，导致公司内出现「筒仓现象」——像一个个青蛙待在各自的井底，只顾抬头等老板发话，而信息共享和协作很差，整个公司都是割裂的。
为了解决这些问题，已经有不少公司去打乱传统分工，成立了多个「五脏俱全」的小规模项目组；这样可以通过优化协作，去解决效率的问题，但这样还是不够的。
需要UG团队，去串联公司所有的部门，打破「筒仓现象」，真正的以增长为目标去做点什么。
这么说还是虚，举个例子。一个电商产品希望提升新用户的购买转化，是不是要优化这里或那里，是不是要做一个给力的促销活动？
其实都不对，这就是没找到问题的源头，还是在割裂的思考。
按照UG的思路，要做好新用户购买转化，先要分析新用户的来源，把获取用户的几大渠道以此列出，比如：
广点通
应用宝
OV商店
百度SEM
这四个渠道覆盖了新用户的80%，而且每个渠道的投放特点和目标用户群都有差异，所以要逐一分析这四个渠道，拆解为以下问题：
精细化投放策略→获取用户画像→做针对性产品或运营措施→形成成熟方案
分析渠道的数据和投放策略，是否可以更精准。保证渠道获取的是优质和精准的用户，后续做的留存和转化才有意义。
获取每个渠道的用户画像和行为特征，这很可能是三不管地带，虽然渠道同学是需要的，但没那么大的动力去推进。
针对拿到的画像，不同渠道去做对应的转化实验，这是最核心的执行项，具体策略不限于产品或运营端。转化新客的问题，肯定不能全量新客一概而论的。
形成成熟方案落地，后续维持正常运转。UG不会持续跟进这个项目，一旦成型，就交给对应同事负责。
以上，是UG做这件事的大概思路。
可以试想，这事交给PM，肯定是不断梳理产品转化漏斗，重点肯定只是产品端优化；交给运营，估计是不断做精细化的促销活动，利用运营工具去推广，产品端想的就会少。
哪个方法是更合理和彻底的？
现在看就很清晰了。
这是一个具体案例，但UG和传统业务分工的区别，大致就是这个意思。
二、用户增长怎么做
具体做法要遵循上图，也就是用户生命周期AARRR模型，再发一次。
在这5步里，重点说前3步：获取、激活和留存。
第4步「变现」属于商业化产品关注的，这部分我平时很少涉及，这里也先绕开。
第5步「推荐」是一步延伸，主要依赖产品做得好，再附加给一些激励和刺激，就可以做到了。
以下逐一说具体做法，篇幅所限，只能点到为止。
第一步：获取用户（Acquisition）
就是拉新，说起来也简单，只要是能拉来新用户的方式，都可以。但需要关注这几个指标：新增用户、次日留存、单个用户成本、获取用户ROI。
这几个数其实是告诉你，要看拉新的人数，也要看用户质量，还要看花的钱值不值。
具体方法可分为三类：
1.渠道投放
对于有推广预算的公司来说，这是获客的最重要的方式，这里门道也很多，我并不专业，只从增长角度去谈。
渠道拓展和商务关系维护，这两点暂且不说，单说投放策略就有很多深挖的地方。
①优化投放素材，提升信息流、厂商、商店推广资源的CTR。
这是一个持续尝试、沟通、看结果的过程，有相对很多琐碎的工作，尤其是沟通环节。
理想的状态，是用算法策略顶替人工。算法可以千人千面的生成投放素材，并且可以快速更换素材，从而可以提升广告曝光和CTR。这又是一个比较庞大的分支，我用两句话带过了。
②精细化投放策略，提升ROI。
也就是就让投放更合理，想要「把钱花在刀刃上」。
举个例子，你每天要给10盆花浇水，但每天只有固定的1壶水。你可以平均分配给这10盆花，每盆都浇一点；
你还可以先看一下这10盆花，哪几盆该浇水了，哪几盆不需要浇水，你只需要把这1壶水分给需要浇水的花，或许还可以省下水，以后就可以养15盆花了，而所需的水是不变的。
精细化投放策略就是这个道理——不是通投，而是先分析用户，去制定投放策略，只把钱花在合理的地方。
比如，投放信息流广告，可以选择获取新用户，也可以唤起老用户。对于新用户，可以选择性别年龄地域兴趣等基础信息，尽量圈定适合自己产品的目标人群，做到精细化投放；对于老用户，可以选择投放给非高活用户，例如近30天内未访问的用户，避免对本来每天都会访问的用户进行投放。
再比如，更极端的情况，可以圈定产品无法触达的用户，或已流失用户，通过投放去触达和流失召回。这样的目的性更强，虽说量级可能不大，但策略是合理的。
③资源利用最大化，预装、厂商和第三方商店推广资源的最大化利用。
这点是以渠道商务为核心的，需要尽可能多的获取资源方的信息和资源，做好外部资源和内部团队的对接，为增长获取更多的方法。
比如，做了预装的产品，肯定有未激活的存量，利用厂商的推广资源去把存量激活，是快捷高效获取新用户的方式；
再比如，对于安卓各厂商来说，有很多资源和玩法可以去摸索，有的是官方的，有的是私下摸索的。
哪怕OV华米这几个大厂商空间很小了，也可以去研究一下相对小的一些品牌，没准有蓝海。
2.任务体系
拼多多的月GMV据说已经400亿了，京东电商做了6年才过100亿，而且日订单量已经超过京东。
趣头条用了一年半的时间，DAU已经过千万。
这是目前很受关注的两个产品，具体形态和定位不一样，但都是以「利」为诱饵，让用户去做裂变。
通过任务体系，可以让用户去「收徒」，获取新用户；还可以设置提升留存、评论、分享等行为的任务，用户完成后可获得现金或金币的奖励。产品通过用户行为获得广告收入，去cover奖励给用户的成本，形成闭环。
金币还可以直接兑换成现金，具体汇率是浮动的，这样可以保证ROI的稳定。
这是获取新用户的一种有代表性的形式，不是为了让大家都搞「收徒」，而是可以借鉴这种裂变的任务体系。
3.活动
对于活动的定义，有太多不同的解读。
比如京东美团的大促是活动，新世相的扔书是活动，网易的传播H5是活动，今日头条的百万英雄也是活动。
但这里我说的活动，完全是以拉新或提升留存为目的的，品牌曝光等收益不在此列。所以，以上提到的活动里，比较典型的UG方向的活动，就是今日头条的百万英雄。
视频答题这个形式，如果不是当时被叫停，估计也快成为标配了。
这类活动因为很低的参与门槛、诱人的现金奖励和复活卡的传播机制，为产品带来不错的新增用户。
什么样的活动才能带来用户增长？
下一个「百万英雄」是什么？
现在不知道，但有途径去探索。
建立一个专注在增长的活动项目组，成员包括活动策划、产品、交互、视觉、前端后端研发等，制定共同的目标，让大家都坐在一起，不断去快速尝试。甚至可以去copy国外已被验证的形式，就像视频答题一样。
4.把握红利
这点有点虚，但确实是一个方向。
UG需要时刻关注国内外最新动向，快速抓住新技术或新玩法的红利，用超强的执行力去落地，为产品获取新用户。
随便举个例子，支付宝发短信领红包（下图），就是一个很好的提升DAU的方式。成本可控，就是短信成本+红包成本；操作简单，复制短信再打开客户端，这个操作之前已经被教育过，很多用户都知道。
这类新奇玩法层出不穷，小到一条短信，大到一个视频答题的模式。UG的同学们必须保持对待新鲜事物的好奇心，以及快速执行的能力，才能抢占红利。
第二步：激活用户（Activation）
「激活」这两个字容易有歧义，其实这个阶段要做的就是新用户留存，从某种程度说这是最重要的一环。
因为当你某天获取1万新增用户之后，只能留下1千人，次留是10%。那么流失的9千人的成本是浪费的，而且实际上新增的用户只是1千，不是1万。
如果可以把新用户留存提升到20%，每天就可以带来1千人的增量活跃用户，一个月就是3万。
新用户留存是获取新用户和活跃老用户的中间环节，这一步做不好，会造成断流，新用户流失了，也没有积累到老用户，整个大盘就不会增长。
举个例子，你的小饭馆刚开张，大概的思路就是服务好第一批客人，这样他们就可以再次光顾，而且还会带来更多的朋友。做一个app也是一样的，新来的第一批客人得服务好，慢慢老顾客才会越来越多。
具体可以有以下方法：
1.用户访问路径的优化
梳理用户从不同来源访问产品的路径，一步步列出，看看哪些环节是可以优化的。保证新用户使用产品是流畅的、愉快的，留下一个好印象，才会有后续的留存。
以摩拜的新用户使用路径为例，下图分别是优化前和优化后的情况；可看出，不仅节省了步骤，还优化了体验（扫码速度）。
需要注意的是：要把用户体验的方方面面都考虑进去，比如页面加载速度，广告带来的负面体验等。用户在不同机型（尤其是低端机）和不同网络环境下（非WIFI），有可能会出现加载慢或出错的情况，这些都是坐在办公室的PM们很难想象到的，所以必须多测试，多调研，去分析数据漏斗。
2.利益刺激
还是以小饭馆为例，当你第一次光顾时，给你发一张满100减20的券，但只能下次使用，有效期还是在1个月内。
这就是用利益刺激的方式，达成新用户留存。
如何定义这个「留存」，其实不只是狭义的「次日留存」，而是能对用户留存有帮助的「指标」。
比如，通过数据分析可以发现，新用户中有行为的用户的留存，会远大于没有行为的用户。所以，要做好新用户留存，就是提升这部分新用户的有行为用户占比，这是达成目标的拆解路径。
有点绕，套用案例来说：
社交产品：留下个人资料的用户留存，比没留的高；
互金产品：买过理财产品的用户留存，比没买的用户高；
电商产品：领券用户的留存，比没领的高；
资讯产品：有评论行为的用户，比没有的高；
以上这些案例是怎么做到的，利益刺激是其中一个方法。
美团在几年前补贴大战的时候，通过发券刺激新用户下单。在这个阶段也没办法获取足够的用户画像，所以不知道新用户的喜好，只能是在用户浏览的品类里，发放优惠券。
还有些产品，给新用户发放红包，连续7天，每天都可以领。这就是最直接的利诱，拉动用户前几天的留存。但这种活动要做到成本可控，单个次留或7日留存的成本太高是不合理的，但拉低成本会导致用户对红包无感知。
3.资源倾斜
试想一下，当你发出一条朋友圈之后，你在想什么？
是不是期待会有朋友来评论或点赞？如果有，甚至有很多，你会获得快感和满足感；如果没有，就会比较失望。
这种体验，用户在使用你的产品时也会有。
假设你在知乎、贴吧这样的社区类产品，作为新用户发布一条内容之后，如果能展现在重要的位置，或者快速获得几个回复或点赞，你就会很开心，留下来的可能性就会很大。
这就是为什么做社区运营的小伙伴，会不断刷帖子，看到新人发内容了就马上去回复，就是为了让对方感觉到那种「快感」，认为这里有很多用户在讨论，很热闹的样子。
传言滴滴冷启动时只有很少的司机在用，于是程维让几位员工去打车绕着城区转，这样会让这些使用滴滴的司机觉得这事靠谱，能拉到客人。这个行为带来的效果，其实就是新用户留存。
再回到小饭馆的案例，当老板发现这桌客人是第一次来时，可能会去聊两句，套套近乎，送个水果拼盘什么的。老板这个行为，也是为了做新用户留存。
在以上几个案例里，社区运营去回复新人的帖子、滴滴自己花钱去打车、饭馆老板去套近乎，这些都是有针对性的为新用户投入资源。所以，资源向新用户倾斜，也是提升留存的方式。
第三步：留存用户（Retention）
在获取用户，并有针对性做了留存工作后，留下的用户就进入了「老用户」的池子，不再受到前两步措施的影响，接下来就要对这部分「老用户」做留存。
其实，如果产品本身对产品是有价值的，是能跑起来的闭环，那么本身就可以对老用户达成留存。但实际情况并非那么理想，所以我们还是要做点什么的。
1.激励体系
这是很大的话题，这里不适合展开，只说原则性观点。
不能把激励体系等同于积分、等级、签到、勋章等具体方案，要将用户需求和产品卖点结合，再思考解决方案。而具体的解决方案，也不限于上述几种。
可以看到很多做「签到」产品，都只是把这个功能当成提升留存的工具，但并没有设计完整的闭环，用户并没有什么理由来签到，做这个操作之后没有及时有效的反馈。
同理，大部分产品的积分等级都做成摆设了，反而做的比较成功的产品，比如微信公众号、知乎、豆瓣等，都没有这些。
微博等级做的就没啥价值，keep的等级特权比较鸡肋，勋章想打纯精神激励，但感觉也没到位。
微博和keep的用户体系
滴滴的任务和会员，提供了价格优惠和优先派单，这对用户就是有价值的。不知道数据，猜测会比上图的微博和keep要好。
另外一个截图是游戏「皇室战争」的任务界面，用户通过任务可能获得用钱才能买到，甚至用钱也买不到的卡牌，这对用户来说也是有价值的。而且多任务的设置，可以保证用户一天多频次的访问，以及发起多个操作。
用户体系的建设，务必以用户需求为中心，去制定解决方案，不能被已有模式束缚，否则就会做出类似微博的等级。要想办法做出真正有价值的东西，让用户和产品都受益。
2.用户触达
老用户对产品的品牌有认知，有忠诚度，但还需要适时去「提醒」一下，把用户勾回产品，这就是用户触达。
大概有四种常见形式：push、系统消息、短信、邮件。前两个还可以用，后两个效果在大多数场景下是很差的。
push有以下几个要点：
内容。可选的发布内容数量多、分类多、及时性强，无论全量或个性化push都可以保证效果；
通道。保证push可以触达更多的设备，想办法让更多用户打开手机的push开关。
策略。对哪部分用户发、在什么时间发、每天发几条、push文案是否加图、声音是否可以调整等，都是push策略要做的。
另外，push还要做好管理，保证发布的内容和分类是稳定和合理的。建立每天监控数据效果的报表，及时review每一条的效果，便于尽快调整策略。
这四个触达用户的方式，push是最有效，且难度也是最大的。这里用简单几个要点带过，其他三个也不再赘述。
3.活动
线上活动的主要收益是老用户促活，提升活跃频度，比如活动前是3天来一次，活动后提升到每天都来。反而靠活动去拉新是很难的，从成本角度来说还不如让渠道投放去做。
今日头条在春节期间做的「集生肖」活动，拉新和促活的作用都有，但这里只说促活。
想要集齐12生肖，就需要每天都启动app，通过这样的活动激励去提升老用户留存。当然，这是个多维收益的活动，可以拉新、社交、绑卡，但成本可控，从第三方数据来看，对今日头条整体DAU也有拉动作用，这就是一个好活动的效果。
三、做用户增长会遇到的问题
说完UG的意义和做法，最后讲讲常见问题，毕竟理论和现实有很大差距，而且这个理念还没有被很广泛的理解，所以缺乏快速生长的土壤。
问题一：数据基础薄弱
大多数国内互联网公司的员工，都会觉得自己的产品数据基础薄弱。
这个太正常了。
首先，大部分抱怨者都是「用数据」的人，并非「做数据」的。从自己需求角度出发，总是会觉得数据不能让人满意。
其次，小公司没时间、没成本、没必要去重视数据，大公司有很多也不是数据或技术导向的，这是行业现状。
但问题是数据对UG来说是很重要的，不是依赖数据做决定，而是需要数据去验证主观推测，这样就可以快速做大量的AB测试，从而落地最终方案。在这方面做得好的公司，每天成百上千个AB测试在线上跑，有成熟的技术平台，完全不依赖客户端发版。
即使数据弱也没关系，只要判断是必要的，就可以一点点去建，哪怕多花一些时间。
这种基础设施建设，虽然并非快速见效，但坚持推进去建设，从长远来讲收益是很大的。
问题二：内部协作效率问题
我的感受是，做UG最难的不是业务技能方面的，只要主线清晰，团队给力，不断去推进优化，一定能看到效果。
难点是因为整个公司对UG理解层面不同，导致落地难，重点体现在公司内部协作效率低，沟通不顺畅。
因为产品、运营、研发、渠道、市场等，分属不同部门，被不同的老大管，甚至KPI都不一样。而UG恰巧需要把这几个角色整合到一起做做事，势必会遇到协作的问题，也会与现有业务冲突。
比如从UG角度来讲，需要去优化某个产品模块，但这个需求就与本身在做基础产品的需求冲突，而且最终落地的也不是UG的同学，那这个需求就要有足够的理由被认同，才能被排进去。
有的时候，可能不是「需求」的问题，而是「蛋糕」的问题。UG团队会触及原有团队的利益，合作必然不会顺畅。
解决这个问题，很难，也很简单，必须公司、老板的层面去认可和推动，只有这一条路能从根本上解决。
问题三：缺少人才
一个公司想做UG，首先想到的就是找有经验的人。但目前业内真正做过这事，并有些方法论沉淀的人不多，对比需求缺口，差距就更大。
对于人才来讲，这是个很好的机会，之前做过产品、数据分析这样的同学，转做UG更有优势，至少需要有逻辑思维和数据分析能力，以及很强的沟通和推动能力。
对于公司来讲，能直接找到合适且有经验的人，是最理想的。如果找不到，也可以从内部挖掘，至少执行层团队是比较容易搭建的。难点是需要有一个懂UG的leader，这是个大项目，需要有人掌舵和协调推进。
以上，就是我对UG的理解，问题太大，导致很多分支问题只能点到为止；眼界所限，可能也不算是UG的全貌，但至少是从实战中提炼的，希望对大家有帮助。
链接：
抖音极速版拉新有上限吗
没有上限。
抖音的玩法并不能说完完全全是新的，但这款音乐短视频产品风头正劲：日均 VV（视频播放量）过亿，各路明星网红纷纷转发，甚至酷我音乐等在线音乐软件上已经出现了抖音热歌榜，抖音DAU已在数百万量级。
2018年3月1日至3月31日，抖音平台累计清理27231条视频，8921个音频，89个挑战，永久封禁15234个账号。4月，针对“抖音”短视频平台涉嫌发布售假视频的舆情报道，北京市工商局海淀分局及时对该平台经营主体北京微播视界科技有限公司进行约谈。约谈会上，企业负责人反馈了调查情况，表示针对平台涉嫌违规内容已采取删除、封禁措施。
dau拉新的介绍就聊到这里吧，感谢你花时间阅读本站内容，更多关于、dau拉新的信息别忘了在本站进行查找喔。