Magic Number：數據如何賦能產品
編輯導語：對於產品來說，數據是很重要的。有了數據才能發現問題、提升留存、留住客戶。那麼，我們如何才能藉助數據達成以上的目標呢？本文作者就爲我們介紹瞭如何用數據賦能產品，以及通過數據去幫助產品發現留存的關鍵行爲。
一、背景
產品除了活躍的數據，留存的數據也是至關重要的，優化好了留存，也就提升了活躍。所以數據分析師天天會被產品問到的一個問題就是：我們到底應該怎麼去提升我們的留存。非常煩，你們有沒有這樣的感觸？
互聯網思維中的一條就是用戶至上，留住用戶纔有故事。那麼我們怎麼通過數據去幫助產品去發現留存的關鍵行爲呢，去解決我們煩心的問題呢？
我們的分析目標: 影響留存的相關的關鍵行爲有哪些？這些行爲和留存哪一個相關性是最大的？這些關鍵行爲和留存是否存在因果關係？
二、分析思路
分析思路和方法：
首先是關鍵行爲的提取，這一步就是利用sql從數據倉庫中提取你想要的與留存相關的數據行爲，這一步是最麻煩也是最費時間的。
利用統計學的相關性的計算方法，可以計算第一步計算的每一個行爲與留存的相關性。相關性的係數越大就代表這個行爲跟留存是越相關的，就代表它可能就越影響留存。
比如刷抖音的次數跟留存的相關係數是 0.6，刷抖音的時長和留存的相關係數是0.8，就可以說明刷抖音的時間。
然而數據分析中的相關關係不一定是因果關係，比如很多人喜歡張傑跟他唱歌好聽是相關的，我們不能說他唱歌好聽是大家喜歡他的原因，可能真正原因是他的顏值。
類似的，我們的這些關鍵行爲也不一定是決定留存的原因，可能只是具有相關性。所以我們就要去推斷 a 是b 的原因，利用的方法是granger test因果檢驗的方法。
當我們已經判斷了XX 行爲就是留存的原因，比如你一週刷抖音的時間是你下一週是否會留存的原因，那麼接下來就是去發現到底刷抖音多長時間是留存的magic number。
這個magic number 非常神奇，就是比如你一週刷抖音288分鐘，你下週留存的概率會大大增加，這個”一週* 刷 * 288分鐘” 就是互聯網中最經典的magic number。抓住了magic number，也就抓住了一個產品的留存靈魂。
三、關鍵行爲特徵
拿某直播app 作爲例子，與留存的相關的行爲可以分爲：登錄行爲、觀看行爲、彈幕行爲、付費行爲，然後在每一個大的行爲分類進行小的指標的刻畫。
比如去描述登錄的行爲我們就可以用30天登錄天數、7天登錄天數；還可以用比率型指標，像最近30天的登錄天數和過去30天的登錄的天數的比值，這個反應了用戶活躍度的變化。
四、相關性分析
上一步已經提取完了所有跟留存相關的行爲特徵，這一步就要進行計算留存和這些特徵的相關性。
留存相關最大的四大因素:
- 30天或者7天登錄天數（cor: 0.66）
- 30天觀看品類個數(cor: 0.44)
- 30天觀看主播數 (cor: 0.37)
- 30天日均觀看時長(cor: 0.26)
五、因果分析
因爲我們只是找出了跟留存相關的行爲特徵，但我們不知道這些行爲特徵是否是留存的原因，所以就要通過granger test 因果推斷的方法去驗證這些行爲特徵是否是留存的原因。
兩個經濟變量X、Y之間的格蘭傑因果關係定義爲：若在包含了變量X、Y的過去信息的條件下，對變量Y的預測效果要優於只單獨由Y的過去信息對Y進行的預測效果；即變量X有助於解釋變量Y的將來變化，則認爲變量X是引致變量Y的格蘭傑原因。
原假設和是否拒絕：X 和 Y 是不存在因果關係，當經過格蘭傑因果檢驗後計算出來的 p 值大於0.05 則接受原假設，否則拒絕原假設。
主要結論：
六、Magic Number
發現了影響留存了原因以後，我們就要尋找這些行爲是達到一個怎麼樣的值以後，會大大影響留存的概率。所以我們計算了30天登錄天數、7天登錄天數、月日均觀看時長、30天觀看主播數、30天觀看品類數和留存的關係。
下面是畫出來的圖：
拿30天登錄天數作爲例子：橫軸就是30天內不同登錄天數，縱軸就是留存率；當橫軸爲7的時候，留存率趨於穩定，這時候就達到較穩定的狀態也被稱作 aha moment.
我們可以發現幾個神奇的magic number：
- 月登錄4天
- 周登錄三天
- 月觀看7個主播數
- 月觀看4個品類數
- 月日均觀看時長4分鐘
本文由 @陳友洋 原創發佈於人人都是產品經理。未經作者許可，禁止轉載。
題圖來自 Pexels，基於CC0協議。
