用户增长：一种基于策略的登录指标——日净增登录

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？

（编辑：西安站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!