数据是对产品分析的重要组成部分和评价标准。通过数据分析，可以清楚、明确地看到产品的用户活动趋势与特征，用户活跃度变化等。所以，掌握数据运营对产品运营来说相当重要，做到这一点，就能不断优化运营策略。
无论是微信、还是博客，在发出时都会有相应的时间戳，它的目的就在于告诉用户——信息发出的时间坐标是什么，距离现在的长度是多少。
时间是社交信息中的本质，如果没有时间的标示，用户得到的信息就会失准。
以约会为例，在已知信息不明确的情况下，如果你没有第一时间打开收到的消息，那你就不会知道用户要在什么时间跟你约会（信息中，时间、地点、人物是三大要素）。
综上所知，时间与社交是正相关的。
如果以盈利而并非传播为目标，那么社交产品的大部分功能一定是优先保证GMV，这就要靠“时间”来搞定了。
大多数人认为社交变现的方式是电商，其实不然，和商业行为一样，社交活动的滞留时间越长，消费心智越强，社交本身可以通过时间进行变现——尤其是在封闭社交环境中，足量滞留时长就是消费的温床。
与此同时，社交类产品有着特定的发生场景和触发条件，于是就会产生很多数据；而这些数据就是产品分析的重要组成部分和评价标准了。
可以说，数据既是产品的方向，也是丈量产品深度的一把尺子；它能客观、详实地反映出产品生命周期和整体产品运营情况，所以数据运营是产品必备的运营方式。
这次数据分析中，友盟＋平台带有一些关键数据指标，本次X圈可以通过友盟+移动统计（U-App AI版）得到了更详细的数据，能够协助产品进行更完整的监测。
本次X圈的定位是——在陌生人社交外，还同时存在着圈层关系。我们要通过运营圈层关系来构建社区，它的本质是社交消费模式而并非社交电商。通过增加用户在社交产品中的停留时长，来达到消费条件；例如积分体系和会员体系等，而不仅是引入B端商家。
接下来，我会拆解一部分基本指标，来体现数据的作用（数据为脱敏数据，不具备真实性，请勿当作真实数据）。
一、通过基本指标获得用户活动地图
（示意图）
1. 新增用户（今日）
以4月28日为例，新增用户17040，变化率为＋12.206%。相比4月27日的15186是有相应提升的。而24小时图表在每小时对照产生的图形，能直观反映出新增加用户习惯在13点、19点打开X圈。
通过这两天的数据，可以得到一个结论：13点、19点为活跃时间段，而这段时间是刚午餐过后和下班通勤时，由此可知新增用户主要是办公室职员。
这一点对下一步划定用户画像范围有很大帮助，也能让我们认识到：在同一社交圈层内，陌生人社交不是一种偶发性事件，而是一种在特定时间段发生的高频刚需。
2. 启动次数（今日）
启动次数指标包含两种：一是启动的用户数，二是重复启动用户数。
还是以4月28日为例，启动次数是231074，较4月27日的212060增加了8.96%；结合之前的新增用户数，我们发现重复启动数变高了，而重复启动数变高则说明用户粘性增加了。
结合刚上线的PO图片定制水印的功能，可以得出“定制水印受到用户喜爱”的结论。
从功能倒推需求的话，再添加之前三月两天的连续数据，可以知道某功能上线后对用户启动次数产生了明显影响。
3. 时段累计日活（今日）
时段累计日活是去重后的数据，而每小时去重后的数据能反映实际用户日活，基本能反映出用户量和每天的峰值—— 一般来说用户在20点达到峰值，在22点开始回落。
从里面能反映出：自我展示是用户的普通需求而并非是核心需求。
通过这三项指标，能准确绘制出用户心理地图，例如用户的使用时段、喜欢的功能、具体的用户画像等。
二、整体趋势直观反映用户变化
（示意图）
1. 新增用户（7日平均）
总结一周新增用户量（平均），可以得到最近一周平均每日的用户增加量。不同于之前的数据，该数据能得到周/每日稳定增加数量。
例如，4月20日-4月27日每日平均新增用户为4125人，同比增加4.36%。
（还能在下面增加不同时间，做版本对比）
2. 新用户次日留存率（7日平均）
通过该数据可以知道：4月20日-4月27日，新用户平均次日留存率达到30.32%，同比增长3.27%。
该周用户留存率较上周有所增加，说明现在的产品形态保持在一个上升期，虽然上升率不高，但至少没有留存的回落。
通过分析产品生命曲线，可以看到产品处于种子期，在建设型种子用户的培育上，配合次日留存数据有助于筛查出具体新增种子用户数量。
其他几个数据不多做赘述，讲下总崩溃率。
3. 总崩溃率
总崩溃率是一个非常好的指标，因为跟其他指标不同，总崩溃率可以直接对接开发。
作为一个产品的风险控制系统，崩溃率是经常被忽略或者说最容易被运营忽略的一个问题，而总崩溃率能反映产品的稳定程度。
我们总认为只有开发和这个事情有关，但其实它也和产品运营息息相关，尤其是在产品故障的时候，它也会极大地影响用户留存。
除了种子用户外，新进用户的忠诚度非常低，很容易受到总崩溃率的影响。
但是我们也看到了：0.1.2版本总崩溃率为0.1%，而0.2.2版本总崩溃率仅为0.08%——开发团队的控制能力是在提升的。
类似于运营数据可视化，下面TOP版本的扇形图能够反映出不同版本的各种用户指标占比。
例如，不同版本的新增用户占比都可以通过环状图来表示——0.1.2版本占比21%，0.2.2版本占比63%。
通过这一环节，我们知道产品经过版本迭代后更有竞争力了，也进一步明确了产品运营方向。
三、 排名提升权重
（示意图）
1. 行业数据图
在行业数据板块，友盟+移动统计（U-App AI版）还能够提供排名，而这个排名对X圈的意义非常大。
以往，我们只能通过对竞品下载数量进行一个行业排名预估；但现在有了排名，我们就能实时监测/对比我们在同品类产品中所处的位置，以及品类所处整个市场的位置。
（示意图）
2. 用户活跃度
根据用户活跃度数据可视化，可以得知我们的活跃用户数量级，以及活跃天数，这对我们精准分类活跃用户有极大的帮助。
（我们一般将用户按15天为周期进行分类，有5天活跃、10天活跃、最高等级是15天活跃。通过用户活跃等级划分出来的有ABC三种用户群，一般分专人维护，并在社群里做二次激活。）
四、 关于数据运营的一点思考
作为一个数据运营老兵，什么是最重要的？
其实就是：整合数据的能力。
友盟＋提供的数据可视化，极大地便利了数据统计和汇总，可视化让用户趋势变得非常明显；还能够实时监测上新版本的情况，及时跟踪反馈数据变化等。
这在之前是难以想象的，因为以前都是通过数据走查或者抽查的形式来确定病症，会错失大量宝贵的时间，而数据运营贵在一个“捷”字，这也是友盟＋提供的数据可视化带来的好处。
相关阅读
你的坚持值得被肯定｜2019「友盟杯」数据分析大赛结果公布
一款家居后APP，如何用增长黑客方法实现从0到40万增长？
产品高于需求：低频产品也可以有高用户活跃度
渠道评估怎么做，才能让App假量灰产无处遁形？
我的朋友老曹，居然用数据工具搞了这么多事
针对直播产品的成熟期，重构用户运营体系方案
如何利用数据驱动，从0.5到1搭建App积分体系？
场景分析：游戏关卡难度对玩家流失的影响
以抖音和陆金服为例，解构数据分析三个核心原理
用AB实验分析个人中心的首页改版
