app应用的覆盖率和用户活跃率是怎么统计的

talking data的解释是这样的：
用户覆盖率=当月安装过某APP的设备数量/当月监测移动设备数量100%
用户活跃率=当月使用过某APP的设备数量/当月监测移动设备数量100%

做产品和做运营经常会遇到一个难题——辛辛苦苦把用户拉来，却发现大部分用户再也不打开产品，更谈不上会在这里继续消费。

这种只来一次的用户，是几乎没有多少商业价值的，也就意味着投入在这些用户拉新上的投入全部浪费了。

有的用户，继续使用了几次之后，也成为流失用户。

相反的，那些在一定时间段里，能够持续活跃使用的用户，我们称之为留存用户。

留存用户占这批次新增用户的比例，我们称之为留存率。

考量留存的时间，一般会有次日、第7日、第30日等，分别对应着次日留存率、第7日留存率、第30日留存率。

比如，某个产品新增了100个用户，其中次日、第7日、第30日分别有30个、15个、5个用户再次使用了该产品，那么对应的：

次日留存率就是30%

第7日留存率是15%

第30日留存率是5%

有的没有做过运营的人，看到上面所举的数据，可能会有疑问——你举的例子，怎么留存数字用这么小，100个用户第30日只留下5个？

然而事实上，经过30日之后，当天还有5个用户登录的产品已经属于正常。而大部分留存低的产品，留存率比这个低很多。

作为一名运营，不要简单地以为用户拉进来就算是你的用户了，也不要总把「用户总数」作为洋洋自得的指标，而应该更关注活跃用户数和留存率。

因为，只有真正活跃的用户，才能产生商业价值。

比如一个产品各平台下载量是1000万，后台数据看到活跃用户有10万，只有这活跃的10万用户才有可能创造利润。

提升留存的魔法数字

在国外提升留存率的案例中，会经常提到一个概念——魔法数字。

Twitter发现它的留存用户与流失用户相比，留存用户会在第1次使用时多挑选5-10个用户关注（另外一个版本说法是留存用户首月内会关注30个用户)；

Facebook发现10天内添加7个好友的留存率高；

Linkedin的留存用户特征是，是一周内会添加5个好友；

Dropbox里使用了1次Dropbox的用户，会成为更活跃的用户。

上图的这些数字，就成为了这些产品的魔法数字。

魔法数字的方法论本质是通过分析、调研找到活跃用户和非活跃用户之间的行为差异，并通过产品设计和运营尽可能地让所有新用户体验到产品价值。

比如，当Twitter发现活跃用户有挑选5-10个用户关注的行为特点后，在产品设计上简化流程、突出重点，在运营上加强引导、优选推荐关注人等，让新来的用户非常轻松地关注5-10个用户，这样留存率就提高了。

为什么这样做留存率就会提高了呢？

因为Twitter的产品核心价值，就是看值得关注的用户发送的更新消息流，如果新用户刚开始关注的用户很少，也就很难体验到Twitter好在哪里，于是放弃使用的可能性就大幅提高。

一旦通过产品和运营，让用户能够更好地体验到产品的核心价值，更好地满足了用户的需求，产品的留存率也就提高了。

这种魔法数字是怎么被找到的呢？

找魔法数字的本质在于找到活跃用户和非活跃用户之间的行为差异，找到这种差异一种是通过数据分析找到的，另一种是通过用户回访找到的。

数据分析的方法是，通过看哪些用户行为特征与用户活跃是有正相关的，当正相关的程度很高，就说明这种差异性很可能就是影响活跃的关键。

理论上用户与App发生的所有交互行为都是可以被记录下来的，这种分析是能够发现一些问题的。

如果有能力的公司自己可以去建这种数据分析系统，现在市面上很多数据平台支持做这些分析，初创企业也可以以较低的成本使用。

日活在100人以上，周活在700人以上，月活在3000人以上。
日活、周活、月活每个人只计算一次，当天或当周或当月多次登录也算一次。所以日活常用于反映网站、互联网应用或网络游戏的运营情况。
用户每天既会不断新增，也会不断流失，如果单独只看每日活跃用户数，是很难发现问题的本质的。所以通常会结合活跃率和整个网站的生命周期来看。

1
学习强国的活跃时段其实就是积分翻倍的意思,但只有在特定的时间活跃才可以获得双倍积分,先打开学习强国
2
在学习强国的首页里点击右下角的我的
3
在我的界面里找到学习积分选项并点击

我们每天都要看各种平台数据，包括DAU，uv，pv等，其中活跃用户数对我们平台评估至关重要，那活跃用户数到底是什么？

活跃率反映产品的健康度，活跃用户数反映了产品的市场占比。通过对比活跃用户与不活跃用户，观察不活跃用户的特征，分析不活跃的原因，来提升非活跃用户的活跃度。

活跃用户数=高质量用户=真正体现产品价值的用户
如：资讯类产品中活跃用户可能是每天阅读5篇新闻，每天参与2次评论。

反映产品功能的健康度，在一定程度上反馈了产品功能是否有效，产品体验是否优良。考量产品就需要考量用户对产品核心功能的使用程度，通过用户关键行为来界定用户是否活跃，以此来考量用户对产品核心功能的使用程度。
日活，周活，月活有什么意义？怎么统计？
查重否？
查重： 周活和月活统计时，对连续多日活跃的用户只保留一次，能看出净值；
不查重： 每天活跃的用户数累计。
两种方式都无明显意义。
有意义的是？
连续活跃的用户数具有意义。可对连续活跃的用户进行分，比如，对连续2天，3天，7天，10天活跃的用户进行分层，分为一般活跃，中度活跃，重度活跃，绝对活跃。针对不同层级的用户进行针对运营。
还有其他方式：
对一个活跃级的用户活跃时间进行记录，并针对不同级活跃时长的用户提出不同运营方式。

用数据指标描述某一时间段内的某个问题。这里有三个关键词：数据指标、时间、问题。
第一个关键词是数据指标。我们常提的，比如PV/UV，用户数，活跃率，转化率，留存率都是指标。讨论问题如果不能具体到一个指标，就无法用数据量化分析。因此业务部门需要清晰地知道：到底有哪些指标可以用。
这里强烈建议数据分析师们把自己公司常用指标整理一份《业务常用数据字典》，方便业务方统一口径，也方便业务方新人学习。尽量不要一个项目就新造一堆指标出来。公司内部统一口径，才是可持续深入分析的基础。
第二个关键词是时间。业务方往往对时间不敏感，喜欢张口就来：“我们的用户量是多少？活跃率是多少？”这时候数据分析师必须提示业务方，想清楚自己想看的数据的时间范围。活跃率是看周活跃率还是月活跃率还是年活跃。

一个APP最根本的便是用户，那么当然用户也分许多种类，比如活跃用户、留存用户、流失用户等等，那么一般情况下又是怎么来分析活跃用户的呢？首先，我们来看一下用户的具体分类。

不同类型的用户

用户包含各种类型，反应了不同群体的特征和想法。在使用整个产品的周期中，我们应定义更全面的指标：

流失用户： 有一段时间没有再打开产品，那么我们就视为流失用户，根据产品的属性，可以按30天，60天，90天等划分。

不活跃用户： 有一段时间没有打开产品，为了和流失区分开来，需要选择无交集的时间范围。比如流失用户是60天以上没打开产品，那么不活跃则是0～60天没打开。

回流用户： 有一段时间没用产品，之后突然回来再次使用，则称为回流用户。回流用户是活跃用户，且是由流失用户或不活跃用户唤回而来。

活跃用户： 一段时间内打开过产品。

忠诚用户： 也可以叫超级活跃用户，长期持续使用产品，比如连续四周，或者一个月内15天等。

现在我们发现，不论是活跃用户还是不活跃用户的维度，都一下子丰富了起来。
活跃用户

很多人对于什么是活跃用户的概念还很模糊，大多数运营数据分析平台上都直接给出了一个活跃用户的数字，那么什么是活跃用户呢？用户每天既会不断新增，也会不断流失，如果单独只看每日活跃用户数，是很难发现问题的本质的，所以通常会结合活跃率和整个APP的生命周期来看。

活跃率是指活跃用户/总用户，通过这个比值可以了解你的用户的整体活跃度，但随着时间周期的加长，用户活跃率总是在逐渐下降的，所以经过一个长生命周期（3个月或半年）的沉淀，用户的活跃率还能稳定保持到5%-10%，则是一个非常好的用户活跃的表现，当然也不能完全套用，得视产品特点来看。

概括来说，增长黑客在衡量“活跃度”时，会通过访问次数、访问时长、收藏指数和相关影响因素几个维度来判断用户的活跃情况，并按连续活跃天数和阶段内任意活跃天数2个时间维度对用户活跃度进行整体分析。

如何进行用户活跃度分析？

1通过日访问次数评估用户活跃度

访问次数代表用户每日使用产品的频次，我们将计算所有访问次数大于1次的用户，来计算这些用户的平均访问次数，或者设定一个固定值，例如某位用户连续7平均访问产品的次数为3-5次，那么我们就可以把4设定成固定值。

在基于访问次数计算出平均值或设定了固定值（A）之后，我们要统计每日访问次数大于1次并且小于A50%的用户，以及每日访问次数大于A50%并小于A的用户，以及日访问次数大于A的用户分别的数量。统计的目的在于通过访问次数将用户进行分层，高于A值的用户是我们产品的绝对活跃用户，对于没有达到A值的用户可以通过运营活动重点提升日访问次数。

2通过日访问时长评估用户活跃度

与通过访问次数计算用户活跃度的方式相同，找出用户使用时长的衡量值B，通过B对用户进行筛选分组。

3通过“收藏指数”评估用户活跃度

一般来说，用户产生收藏行为代表着对产品内容的认可，如某篇文章，某件商品。

在实际统计中，“收藏指数”因产品所在行业的不同而不同，需要针对产品所在行业进行个性化定义，例如社区类产品要统计有过发帖、回帖行为的用户，资讯类产品要统计日浏览文章大于5篇（举例）的用户，电商类产品要统计日浏览商品大于5件（举例）的用户等。

同样，通过对“收藏指数”的定义，计算出相关用户行为的衡量标准，我们称其为C值，C值为活跃用户必须满足的条件，继而可以筛选出高出C值50%、100%甚至更多的用户数量。

4找出用户活跃度的影响因素

在影响因素这项分析上，需要统计不同特征用户的活跃度人数。例如领取红包后1-3天的活跃用户变化情况，与非领取红包用户的活跃度进行对比，再比如连续打卡3天、5天的用户在活跃度上的变现差异。

以上是4项用户活跃度的衡量方式，在统计时，首先需要筛选出满足条件的用户数量，然后计算满足条件用户在整体用户中的占比。

---