把核心结论放在最前面
我对活跃度数据分析这件事的判断，可能和大多数人的直觉不太一样：活跃度不是一个“用户行为指标”，而是一个“业务健康指标”。它表面上回答“有多少人在用”，实际上回答的是“产品价值有没有被反复验证”。过去五年我跟踪过十几个产品团队的活跃度分析体系，发现那些把活跃度当“报表数字”来做的团队，几乎都陷入同一个循环，周报里写着“DAU周环比+3%”，但业务没有任何可执行的后续动作。
这篇文章要讲清楚三件事：活跃度分析的底层逻辑是什么，常见分析框架错在哪里，以及在不同业务阶段应该用什么样的分析策略。我会结合自己实操过的数据和踩过的坑来写，不提供“放之四海而皆准”的模板。
先给出这篇文章最核心的判断：活跃度分析的价值不在于“度量”，而在于“归因”。度量告诉你发生了什么，归因告诉你为什么会发生。没有归因的活跃度分析，本质上只是给老板看的一张安慰剂。
2022年我接手过一个企业协同工具产品的用户增长分析项目。当时团队最头疼的问题是：产品功能迭代了不少，但“周活跃用户/月活跃用户”这个比值长期徘徊在12%-15%。在SaaS产品里，这个数字意味着用户粘性存在明显短板。团队负责人一开始的想法很简单：看用户活跃趋势、拆渠道来源、对比版本差异。
第一步，拉取过去180天的日活跃用户数和周活跃用户数，画出趋势线；第二步，按获客渠道拆分活跃用户占比；第三步，按用户注册时长做同期群分析。这套流程看起来很完整，但结果出来以后，团队完全不知道下一步该做什么。
例如，我们发现某个渠道带来的用户活跃度特别高，但排查后发现，这个渠道的样本量只有200人，而且全部来自一家与我们深度合作的客户，属于典型样本偏差。另一个发现是：注册超过90天的用户的活跃度明显下降，但当我们尝试针对这部分用户做召回推送时，却几乎没有任何效果。
后来我们复盘，发现问题的根源不在分析工具，也不在数据质量，而在于分析思路把“活跃”当成了一个结果，而不是一个过程。我们只关注了“谁活跃了”，却没有分析“活跃的用户到底在产品里做了什么、为什么要回来”。
于是我们换了一种视角：把所有活跃用户按行为深度分成三层。第一层是“访问型活跃”，用户打开产品但只停留在首页或看了一篇文档；第二层是“协作型活跃”，用户参与了评论、编辑、审批等至少一项协作行为；第三层是“管理者活跃”，用户创建了项目或者发起了流程。重新分类之后，我们发现一个之前完全被忽略的规律：协作型活跃用户占比虽然只有全部活跃用户的35%，但这部分用户的次月留存率是访问型用户的3.8倍。
这个发现彻底改变了团队的分析重心。从那以后，我们不再只盯“活跃用户数”，而是建立了一套“活跃质量分层”的监控体系。这个经历让我深刻理解到：活跃度分析的第一步，是定义“活跃”的质量，而不是定义“活跃”的数量。
在我接触过的几十个产品分析场景里，有一些误区反复出现。我把它们总结为五类，每一类都对应着具体的数据表现和分析错误。
这是最普遍的问题。很多团队把日活跃用户数或者月活跃用户数当作核心KPI，但活跃数只是一个“总量概念”，它掩盖了用户结构的变化。举个例子，如果某个月的活跃用户数持平，但新增用户占比从15%降到了5%，老用户占比提升，这个数字看似健康，实际上产品正在失去拉新能力。只看总量，永远发现不了结构变化。
是打开就算活跃，还是要有至少一个有效行为才算？是当天有行为就算日活，还是按“当天发起的行为且第二天仍有行为”才算？不同口径下，同一个产品的日活跃用户数可以相差30%以上。很多团队在对比自己与竞品的活跃数据时，没有先对齐口径，导致对比结论完全失真。
趋势分析只能告诉你“涨了”还是“跌了”，但回答不了“为什么”。如果你发现某天活跃用户数突然下降10%，第一反应应该是看版本发布记录、渠道投放变化、节假日因素和服务器稳定性，而不是直接去查报表。没有归因的活跃度趋势分析，就是给业务部门制造焦虑。
把“人均使用时长”或“人均启动次数”拿来当一个指标看，很容易被极端值带偏。100个用户里，有5个重度用户每天用2小时，其余95个每天只用1分钟，平均使用时长是2分钟左右。这个平均值根本没有业务意义。正确的做法是看分布，比如P50、P90和P99分位数。
我曾经看到有人拿着社交产品的活跃率标准去要求一款企业级工具产品，这种对标没有任何意义。工具的活跃周期天然比内容产品更长，不能拿同一个“活跃”标准去套所有产品。协同办公产品的核心活跃指标应该看“周活跃用户中至少完成过一次协作行为的占比”，而不是“次月留存率”。
要建立有效的活跃度分析体系，必须有一套判断逻辑。我这几年逐步沉淀了一套自己的分析框架，叫“活跃漏斗与行为分层分析法”，核心思路是把活跃度从“结果指标”拆成“过程指标”。
不同产品要定义不同级别的活跃行为。我一般把活跃分成四个级别：访问级活跃、行为级活跃、价值级活跃和付费级活跃。访问级活跃只代表用户记得你，价值级活跃才代表用户离不开你。具体定义需要和产品运营对齐，不能只让数据团队拍脑袋。
（1）访问级活跃：用户打开应用或网站，且页面停留时间超过3秒。
（2）行为级活跃：用户至少完成了一次核心操作，比如发布内容、发起审批、创建任务、搜索关键词等。
（3）价值级活跃：用户的行为触达了产品核心价值闭环，比如完成了交易、完成了项目交付、达成了协作目标。
（4）付费级活跃：用户不仅使用了产品，还完成了付费或续费行为。
只看总活跃用户数，你无法判断活跃的来源。我习惯把日活跃用户数拆成两个部分：当日活跃中的新增用户占比、当日活跃中的留存用户占比。新增活跃占比突然上升，可能是因为渠道投放加量；留存活跃占比上升，则可能代表产品版本改版生效。这两个趋势是不同含义的信号，需要分开看。
这是最关键的一步。用户从活跃变成沉默，通常不是一夜之间发生的，而是经历了一个渐变过程。比如一个用户连续7天活跃，然后变成3天活跃，再变成只在周末活跃，最后彻底离开。如果你只监控“活跃”和“不活跃”两个状态，会错过中间的预警区间。我建议把用户状态分成四档：高活跃、中活跃、低活跃、濒临流失。每一档都定义明确的行为特征和阈值。
| 用户状态 | 行为定义 | 关注重点 |
|---|---|---|
| 高活跃 | 每周活跃天数≥5天，且每周至少一次价值级行为 | 充分发挥价值，做推荐和裂变 |
| 中活跃 | 每周活跃天数≥3天，但价值级行为较少 | 引导使用核心功能，推送高级功能教程 |
| 低活跃 | 每周活跃天数≤2天，且只有访问级行为 | 做召回策略，推送个性化内容 |
| 濒临流失 | 连续7天无活跃，但此前曾有行为级以上的活跃 | 优先做干预，发送优惠或人工触达 |
简单趋势分析看不出来“某个月新增的用户在第二个月表现如何”，同期群分析才能回答这个问题。我每个月都会固定生成一组同期群报表，来观察不同月份新增用户的活跃衰减曲线。这张表的价值在于：你可以通过对比不同月份同期群的衰减速度，来判断产品改版对长期留存到底是正面还是负面影响。如果1月新增用户在第30天的活跃留存率是40%，但2月新增用户在第30天的活跃留存率只有32%，那么2月产品的某个改动很可能伤害了用户习惯。
接下来用一个完整案例，把前面提到的思路串起来。2023年，我帮助一个内容社区类产品做活跃度诊断。那个产品当时的日活跃用户数大约在35万左右，但月度活跃和日活跃的比值偏低，团队感觉到增长乏力，但不知道问题出在哪里。
我们做的第一件事不是看数据报表，而是定义“内容社区的核心活跃行为”。团队一开始认为“发帖”是核心活跃行为，但经过用户访谈和数据分析后，我们发现超过60%的日活跃用户只在“浏览”，从不“发帖”，但这些浏览型用户贡献了40%的广告库存和75%的内容消费时长。如果只围绕“发帖率”做活跃度分析，会严重低估产品的真实价值。
于是我们重新定义了这个产品的内容消费行为链：浏览内容、点赞、收藏、评论、转发、发布内容。我们把“浏览+收藏+评论”定义为“深度消费活跃”，把“发布”定义为“创作活跃”，把“转发”定义为“传播活跃”。
（1）深度消费活跃用户占日活的比例：从28%提升到46%。
（2）创作活跃用户占日活的比例：从5.2%提升到8.4%。
（3）传播活跃用户占日活的比例：从3.1%提升到6.7%。
通过拆解行为链，我们发现了一个极其重要的现象：用户如果在激活后的第7天内没有完成至少一次“深度消费”行为，那么第30天留存率会直线下降到不足5%。但如果用户在第7天内完成了深度消费，即使还没有发布过内容，第30天留存率也能达到28%。这个发现直接改变了运营策略。
团队原本把大量运营资源放在拉动用户发帖上，但案例数据显示，“先让用户深度消费、再引导用户创作”的路径远比“直接要求用户发帖”的路径顺畅。我们做了一个A/B测试：对照组引导新用户“发一篇帖子完成新手任务”，实验组引导新用户“收藏3篇感兴趣的内容”。经过4周测试，实验组的第30天留存率比对照组提升了17%。
基于以上发现，我们重新设计了一套活跃度运营策略。这套策略的核心不是“提升活跃”，而是“减少用户从深度消费到沉默的加速度”。具体动作包括：
这些动作执行了两个季度后，深度消费活跃率从28%上升到46%，创作活跃率从5.2%上升到8.4%。更重要的是，整体日活的“质量”发生了变化：虽然日活跃用户数只涨了11%，但人均单日使用时长从12分钟提升到了19分钟，广告变现效率提升了约34%。
不同产品类型的活跃度分析思路差异很大，我不建议拿同一个框架到处套。根据我的经验，至少需要区分以下四类产品。
内容型产品的活跃度瓶颈通常在“内容消费深度”上。只看日活和月活远远不够，还需要看“人均内容消费条数”、“深度消费用户占比”、“分享率”。我建议把“阅读/观看完成率”和“内容收藏率”一起纳入核心监控指标。
工具型产品最容易陷入“用户打开一下就走”的尴尬。这里的活跃不应只看启动次数，而要看“关键动作完成次数”。比如协同工具，关键动作包括创建项目、指派任务、发布审批等。我的建议是：干脆不要看日活跃用户数，重点盯“周有效使用率”。
交易产品的“活跃”如果脱离交易行为，价值会大打折扣。某个电商产品曾经因为大促活动，日活翻倍，但转化率掉了一半。这种活跃本质上是“冲动活跃”，不具备长期价值。因此，交易型产品的活跃度必须与加购、下单、支付、复购等行为绑定。
游戏类产品的活跃度分析已经非常成熟，但容易陷入一个误区：把所有用户都当成“核心玩家”来运营。我建议在活跃分析中增加“新手引导完成率”和“前期关卡流失率”这两个指标。如果大量用户激活当天就流失，活跃度再高也只是一个空壳。
| 产品类型 | 核心活跃指标 | 最关键的过程指标 | 最容易忽略的盲区 |
|---|---|---|---|
| 内容型 | 深度消费用户占比 | 激活后7日内深度消费率 | 只看打开不看阅读深度 |
| 工具型 | 周关键动作完成率 | 单用户每周关键动作数 | 把启动当活跃 |
| 交易型 | 付费用户活跃占比 | 加购-支付转化率 | 活动型伪活跃 |
| 游戏型 | 新手引导完成率 | 前期关卡推进深度 | 核心玩家与大众玩家混淆 |
最后一部分，我想聊几个我反复遇到的决策取舍。活跃度分析不是越精细越好，也不是把指标做得越多越好，关键是清楚每一条分析线索的边际成本和决策价值。
日活跃用户数适合用来监控短期波动，但如果你发现某一天的日活突然跌了20%，而这个跌幅在下一天又自动恢复了，我建议不要花太多时间去深挖，那大概率是统计延迟或网络故障。把分析重心放在周活跃和月活跃上，更容易看到用户行为习惯的实质变化。高频指标用于“报警”，低频指标才用于“诊断”。
有些阶段，“活跃总量比活跃质量重要”。例如新产品刚上线时，需要验证产品是否有吸引力，这时看日活增长是合理的。但当产品已经进入成熟期，继续追求活跃总量会逼着团队做“运营动作变形”：频繁推送打扰用户、把内容标题做得越来越夸张、甚至制造虚假社交氛围。我的建议是：在产品验证期之后，主指标应该从“活跃用户数”切换为“活跃质量指数”。这是我最想强调的取舍。
把活跃度按渠道、设备、地区、版本、用户层拆得很细，确实能发现很多规律，但也容易陷入“分析瘫痪”。我的经验是：每个分析周期只做一个维度的深拆。比如这个月专门看“版本更新对活跃度的影响”，下个月再看“不同城市活跃度的差异”，不要试图在一次分析里回答所有问题。
有一个案例让我印象很深。某产品在某次版本更新后，日活跃用户数显著提升，团队庆祝了一番。但半个月后，用户投诉率开始飙升，很多用户因为被强制频繁弹出功能引导而反感。表面上看，活跃度上升是被“过度引导”刺激出来的，并非用户真正认可了产品价值。这种活跃度上升，本质上是对用户体验的透支。从那以后，我在做活跃度分析时，一定会同时看“负面行为指标”，比如投诉率、卸载率、差评率。活跃度必须和用户体验的“健康度指标”一起解读，才不会被虚假繁荣误导。
活跃度波动几乎从来不是单一因素导致的。版本更新、渠道投放、竞品动作、节假日、宏观经济环境，都会一起作用。我见过很多分析报告试图把某次活跃度下跌完全归因于某个页面的改版，这种结论大多数情况下是自欺欺人。正确做法是：建立多因素假设，用控制变量法逐步排查，而不是一上来就锁定一个“凶手”。
说了这么多，我最想留给你的核心观点是：活跃度分析不是一门“事后统计”的学问，而是一门“事前预警”的学问。你要盯的不是“这个月活跃是多少”，而是“哪个分层正在发生异常变化”。
如果你正在搭建自己产品的活跃度分析体系，我建议你下一周只做三件事：第一，定义属于你自己产品的活跃行为分层；第二，停止用“日活跃用户数”作为唯一决策指标，新增一个“深度活跃用户占比”指标；第三，拉出最近90天的数据，看看你的用户在激活后第7天和第30天的表现差异。
活跃度数据本身不会告诉你答案，但一个定义清晰的活跃度分析框架会帮你问出正确的问题。先承认“活跃”不是一个单一的数字，而是多种行为构成的复杂画像，你才能从数据里看到真实的产品健康状况。
我负责的产品日活一直涨，但实际转化没变化。我们用的是“打开APP”就算活跃，我感觉这定义太宽松了，到底该怎么定义活跃才科学？有没有通用的标准？
要科学定义活跃用户，先要区分“活跃”和“启动”。我踩过一个坑：早期把“打开App”当作活跃，结果运营团队疯投买量，DAU冲得很高，但付费毫无起色。后来我改用“触发关键行为”作为活跃定义，数据才真正反映产品价值。不同产品需要不同的活跃定义。
工具类产品建议把“完成一次核心操作”算活跃，比如文档产品里“新建/编辑一次文档”；内容产品可以用“阅读时长超过60秒”或“看完一个页面”来定义；社交产品要用“互动行为”（发消息、评论、点赞）而不是单纯打开。判定标准还要考虑计算周期。
DAU适合高频刚需产品，WAU适合周活型产品（如SaaS工具），MAU适合低频但依赖型产品。我建议用“自然周内活跃天数≥1天”作为周活标准，用“自然月内活跃天数≥5天”作为有效月活，避免把只打开一次的人算进去。如果要更精细，可以计算“活跃时长”和“活跃频次”。
我给某电商App做分析时，发现“活跃时长超过10分钟”的用户，30日复购率是普通用户的2.3倍。所以我会把活跃用户分成三个等级：轻活跃（触发1次关键行为）、中活跃（每周≥2天且有时长）、高活跃（每周≥5天且完成多次核心行为）。最终要基于产品的业务目标来定。
我建议先列核心价值行为，再设定“最低触发次数”和“使用时长阈值”，通过对比一次活跃用户的后续留存来验证定义是否合理。
如下表： | 产品类型 | 推荐活跃定义 | 示例 | | 工具类 | 完成一次核心操作 | 新建/编辑文档 | | 内容类 | 有效阅读时长≥60秒或读完关键页 | 阅读文章≥1篇 | | 社交类 | 产生一次互动行为 | 发/收消息、点赞、评论 | | 电商类 | 浏览商品详情页≥1个 | 查看商品并停留≥10秒 | 我在实践中发现，很多团队纠结“好定义”，其实更重要的是一致性。
定义一旦确定，至少一个季度不要变，否则所有对比分析都会失真。用旧定义算同比，用新定义算环比，是分析大忌。
我经常看到用户活跃曲线忽高忽低，但不知道是新增用户的问题还是老用户流失了。我该从哪下手？别人说同期群分析很好用，但我不知道具体怎么做，怎么解读？
同期群分析能回答“这批用户随时间推移还剩下多少人在活跃”。我接手一个知识付费产品时，发现总体DAU稳定，但付费率跌了一半。我用同期群一看，根因是最近3个月的新用户次周活跃率只有10%，而半年前是25%。这个差距，看总量完全看不出来。
核心做法是：把用户按首次活跃的周（或月）分组，然后统计每个组在后续第1周、第2周、第4周的活跃人数占比。比如2025年3月第1周新增了1000人，在第2周还有180人活跃，则次周活跃率为18%；第3周还有120人，则是12%。我建议用表格呈现。
下面是我做过的一个真实周次留存例子（数字已脱敏）：
| 首次活跃周 | 首周人数 | 第2周留存率 | 第3周留存率 | 第4周留存率 |
|---|---|---|---|---|
| W1 | 5000 | 22% | 15% | 11% |
| W2 | 6000 | 18% | 12% | 8% |
| W3 | 5500 | 12% | 7% | 5% |
解读时，优先看同期群的“斜率”。
如果同一期用户从第2周到第3周下降了40%，说明产品在粘性上有问题；如果不同期群的相同周期留存率逐期下降，比如W3的第2周留存只有12%，说明新用户质量或激活流程坏了。我还发现一个独特角度：不要只分析“活跃率”，要分析“活跃天数分布”。
同一群用户中，有些人每周只活跃1天，有些人活跃5天，后者才是你需要聚焦的核心活跃用户。我习惯把每个同期群拆成“活跃1天、活跃2-3天、活跃4-7天”三档，再观察它们的演变。实操中，我建议使用“活跃次数”而不是“活跃天数”来判断留存，因为“打开一次也算活跃”会虚高。
比如某办公软件用户，每天打开5次以上才是有价值的活跃，那我在同期群统计时就只统计“当天触发过任意核心操作”的用户。这样得到的数据更能指导产品优化。如果你手头没有现成的同期群工具，用SQL也能算。先给用户表打上“首次活跃周”标签，然后按天统计每个标签组中当天活跃的人数，再除以首周人数。
或者直接用某用户行为分析平台，里面多半有内置Cohort模型。但要注意，平台默认的“活跃”可能是“启动”，你需要自定义为“关键行为”。最后，同期群分析不是只做一次。我建议每月固定跑一次，并把结果自动化到看板。这样你能第一时间发现某周新增用户质量的突然变化，及时调整渠道策略。
不要在问题发生后一个月才去看，那已经晚了。
我负责的产品最近一个月日活从10万降到了8万，老板天天问为什么。我看了大盘，但不知道是先看渠道还是先看功能？活跃度下降的原因分析有没有一套系统的排查思路？
日活下降，第一件事不是看功能，而是先拆结构。我会把日活拆成“新增活跃”和“存量活跃”。新增活跃看渠道投放节奏和落地页转化；存量活跃看老用户的次回访。如果新增没跌，那就聚焦老用户。我踩过一个大坑：曾经把活跃下降归咎于某个功能改版，做了回滚，结果日活还在跌。
后来发现是一个活动渠道的包月刷量到期了，那批假用户不再打开。所以第一步先清洗数据，剔除异常来源和虚假设备，再看真实曲线。第二步做三维拆解：渠道维度、设备维度、版本维度。渠道维度看哪个渠道的活跃贡献下降最多；设备维度看iOS/Android差异；版本维度看是否某个App版本崩溃率高导致用户流失。
我常用一个“降幅贡献度”计算：某维度降幅 =（上期值-本期值）/(总活跃上期-总活跃本期)。再看功能与路径。日活下降往往不是因为单一页面，而是“核心行为入口被堵”或“关键路径调整”。我会对比“核心功能使用人数”和“总日活”的比值。
比如某社交App的日活降了20%，但“发消息人数”降了40%，说明互动环节出了问题；如果“刷广场人数”没降，那问题在消息触达。一个有效方法是做回访调查。我曾在某内容平台看到，日活下降后所有数据都指向老用户减少。
我们通过给流失用户推送问卷，发现真正原因是消息通知推送被系统误杀，点击率从8%掉到1%，用户想不起来打开App。修复推送后两周日活恢复。如果数据允许，要分析“活跃用户流失前的最后动作”。
我做过一个案例：一款日程管理App的日活在第20周下降，我们看流失用户最后5次会话，发现70%的人是在“创建日程”那一步失败后不再回来。后来修复了日历同步bug，活跃回升18%。最后，我建议把“活跃下降”拆成“减少进入”和“减少回访”两类。进入减少与渠道、推广、新用户激活有关；
回访减少与产品价值、习惯养成、竞品吸引有关。用这个二分法，能快速定位责任部门，而不是让所有人一起复盘。
我们产品功能很多，但用户来了之后不知道做什么，活跃度一直上不去。我们试过做新手任务，但做完就走了。到底该怎么分析用户行为路径，通过哪些功能引导才能提升活跃度？有什么真实有效的实操方法？
提升活跃度的核心不是增加功能，而是让用户更快地体验“价值时刻”。我做过一个效率工具，发现用户第一次创建文件后，次日留存是没创建文件的8倍。所以我们的首要目标是让新用户第一次会话内完成“创建-编辑-保存”这个闭环。要先画出关键行为路径。我会用漏斗分析看用户从进入首页到完成核心行为的转化率，找最大断点。
比如某社区产品，看到“浏览帖子”到“发帖”的转化率只有2%，但“回复帖子”到“发帖”有35%。于是我们把“发帖”入口改到了评论区旁边，总发帖率提升27%。操作上，我习惯用“功能点击热度”和“用户分群”结合。先找出高活跃用户最常用、且点击率高的功能，再把它们依次引导给新用户。
我在某电商App做过一个事情：发现高活用户每天使用“我的订单”页面平均6次，而低活只有0.5次。我们就在首页加了一个“订单进度”卡片，低活用户的周活跃提升21%。不要只做一次性新手引导，要做“循环引导”。常见做法是当用户完成一个关键行为后，立即推荐下一个相关行为。
我做过一个在线课程产品，用户看完一节课，我们不是弹“评分”，而是推荐“下一节的预习材料”，带动完课率提升15%。这个思路同样适用于提升活跃。还要重视“次日唤醒”的机制。我发现很多产品把推送集中在早上9点，其实效果不好。我测试过三个时段（早9点、午12点、晚8点），晚8点的点击率是早9点的2.4倍。
因为晚上用户有更多碎片时间，也更愿意互动。后来我们把通知改为“按用户活跃时间点”发送，次日留存提升了12%。如果你打算做AB测试，我建议优先测“行为召回的动线”，而不是“样式”。比如某办公产品把“新建文档”按钮从汉堡菜单移到首页中央，点击率提升41%。这类动线优化对活跃的影响大且见效快。
但一定要用历史数据做对照，避免因季节性波动高估效果。最后，我强烈建议建立“活跃目标”的北极星指标，而不是盯着DAU。比如我的北极星是“每周至少完成3次核心操作的人数”。所有功能引导、运营活动都围绕这个指标来设计。这样团队的目标一致，活跃度提升也会更稳健。
如果你没有定义清晰的“核心操作”，任何提升技巧都只是打空气。
读者评论
做了一年多活跃分析，看到统计口径那一段深有同感。我们产品'打开就算活跃'和'完成核心操作才算活跃'两个口径能差出近40%，之前还拿这个数据跟竞品比，后来才发现完全是鸡同鸭讲。文章的活跃质量分层很有启发，现在我们也在试着把用户按行为深度拆层，而不是只看一个总量数字。
对那句'没有归因的活跃度分析是安慰剂'特别认同。以前每周汇报都写DAU涨跌，但老板问为什么涨、为什么跌，完全答不上来。后来我们借鉴了同期群分析，才发现某次改版把新用户留存拉低了近10个点，这种结论是单纯看趋势线永远得不出来的。真正有用的分析就是得能指导下一步该做什么。
内容社区那个案例里'先把用户引导到深度消费再谈创作'这一点很实在。我们之前也死磕发帖率，把新手任务全设计成引导发内容，效果很差。数据同样告诉我们，先收藏、先评论的用户后续留存明显更高。不过文章说的'不要用平均值'我还是想问：在资源有限的情况下，怎么平衡对P90重度用户和P50普通用户的分析投入？