用户增长：一种基于策略的登录指标——日净增登录(2)

这里的差值在实际的业务应用场景，为了排除自然波动的影响，用目标值与自然值之间的差值来计算会更合适也更简单。因此涉及3个概念：

1. 自然值，只要业务在自然情况下登录率趋势稳定或有规律可循，便可以从历史数据中进行预测；
2. 目标值，可基于目标登录率进行计算得出；
3. MAU，做为核心指标，一般在业务中也可预测或者已经预测；

将上述3个值代入step1中的公式：

日登录率 = a * MAU中的当月登录用户数 / MAU

得到

差值X（策略干预下的净增登录）

=目标「MAU中的当月登录用户数」 – 实际「MAU中的当月登录用户数」

=MAU / a * （目标登录率 – 自然登录率）

Step3.将差值拆分成「日净增登录」

那么为了step2中的“差值X”在目标月达到指定量级，拆分到每天平均需要多少的“每日差值x”即“策略干预下的每日净增登录”才行呢？

这里我们假设活跃次月留存率为b，则今天的“每日差值x”在目标月也生效的概率为：

b^n

n代表今天所在月与目标月的月数间隔（如今天是5月，目标月是6月，则n=1）

于是:

差值X = x * 30 * ( b^0+b^1+b^2+….+b^n)

其中b^0+b^1+b^2+….+b^n为一个常数，为方便，命名为c

则：

每日差值x = 差值X / (30 * c)

由于：

日净增登录 = 日干预净增登录（每日差值x）+ 日自然净增登录

于是最终得到「登录率」推导「日净增登录」的公式为：

日净增登录 =MAU * （目标登录率 – 自然登录率） / (30*a*c) + 日自然净增登录

其中：

• MAU 为预测的目标月活跃用户数；
• 自然登录率为不做策略时预测的登录率；
• a = 月平均登录天数 / 月平均活跃天数；
• c = b^0+b^1+b^2+….+b^n , b为活跃次月留存率；
• 日自然净增登录为不做策略干预下的日净增登录，可通过历史数据计算得出

从公式看出，如果想反推，即由「日净增登录」推导出「登录率」，带入相应值即可。

注：以上推导过程基于了一些假设和限定，主要包括

（1）登录率的变动不影响活跃；

（2）自然情况下登录率趋势稳定或有规律可循，即可预测；

（3）活跃次月留存率、「月平均登录天数/月平均活跃天数」、在历史数据中足够稳定。

三、「日净增登录」在业务中的应用

前面阐述了「净增登录」的定义、优势、推导过程，那在具体的业务中的它应用流程是什么呢？

在这里回顾下前面的3个疑问：

• 疑问1：我究竟要拉多少登录用户才能在Y月达到某个登录率目标值？
• 疑问2：我预计每天可以拉XX的登录，那到了Y月的时候登录率会是多少？
• 疑问3：我拉了XX万的登录用户对Y月的某个登录率目标值究竟贡献了多少？

带着疑问我们一起来看下「日净增登录」的应用框架，供大家参考。

注：里面所使用的数据均为假数据，不代表业务数据

1. 收集数据确定「日净增登录」值

疑问1和2均可在这一步得到解答。

【疑问1】我究竟要拉多少登录用户才能在Y月达到某个登录率目标值？

这个疑问代表目标登录率是已知的，于是收集得到以下数据：

• 启动策略月：4月
• 目标月：6月
• 6月自然登录率（预测）=40%
• 6月目标登录率=50%
• 6月MAU（预测） = 1000万
• 日自然净增登录数（历史数据） = 2700
• 活跃次月留存率（历史数据）=50%
• 月平均登录天数 / 月平均活跃天数（历史数据） = 1.1

带入各项值到公式，得到：

日净增登录数 = 2万（其中「日干预净增登录」为1.7万）

【回答疑问1】我从4月开始平均每天要拉2万（含自然登录0.3万）登录用户才能在6月达到50%的登录率目标。基于此，可以进入下一步拆解指标来看看可以从哪些细分指标上去做提升和策略。

疑问2则是将「日干预净增登录」做为已知值反推目标登录率，这里不再赘述。

2. 拆解「日净增登录」指标

由前面的定义可知：日净增登录 = 日流入登录 – 日流失登录。可以以此做为二级指标拆解。同时再对「日流入登录」和「日流失登录」进行三级拆解，比如：

日流入登录 = 新用户新增登录用户数 + 留存用户新增登录用户数 + 回流用户新增登录用户数

日流出登录 = 主动退出登录用户数 + 被动退出登录用户数

其中三级指标里，比如觉得「留存用户新增登录用户数」是重点提升对象，又可以进一步拆解：

留存用户新增登录用户数 = 留存用户首次新增登录用户数 + 留存用户重新登录用户数

或者

留存用户新增登录用户数 = 低频留存用户新增登录用户数 + 中频留存用户新增登录用户数+ 高频留存用户新增登录用户数

此处仅抛砖引玉，大家基于自己业务实际情况进行拆解。

另外有两个注意项：

（1）在策略干预期，我们是无法将「日净增登录」拆解为「日干预净增登录」和 「日自然净增登录」的，因为前者计算时无法客观剥离自然登录用户，所以将「日自然净增登录」做为一个固定基数，观测「日净增登录」的数据即可；

（2）不要混淆日流入、日流出、日留存登录用户的定义，这三者之间是不能有交集的。比如用户i今日在活跃过程中，从账号A切换到账号B，属于日留存登录用户。

3. 搭建指标仪表盘

疑问3将在这一步解答。

【疑问3】我拉了XX万的登录用户对Y月的某个登录率目标值究竟贡献了多少？

基于第一步的数据，平均日净增登录数 = 2万，则总净增登录数=2万*60（天数）=120万。假设拉了30万的登录用户，则对6月50%的登录率目标贡献了25%；

如果有条件，可以利用上述推导逻辑搭建仪表盘直接观测，比如采用可视化的进度条等

4. 校验调整

（编辑：ASP站长网）