APP运营：你每天关注的“日活”只是一个数字吗？

可以计算出每层的活跃用户数出来。

鉴于pandas对于DataFrame处理的啰嗦程度，省略代码43行~~

大致的形状如下图(分别是某APP在Android和iOS两个平台上的数据)：

然而光看到这样一个状态依然没有太多启发，我们需要看两个相邻日期间各层用户的迁移。

(再次省略代码39行)

这样，某APP在某两个相邻日期的活跃用户迁移图就粗来了：

这张图提供了一个完全不同的视角观察每天的活跃用户。活跃用户不只是简简单单的数字呈现，而是有层次，各个层次在日期的粒度存在迁移和流转，形成一个动态的平衡。这部分数据可以和“活跃用户新鲜度”(活跃用户在用户激活日期上的组成)的数据搭配看，妙趣横生，很有insight：

• 如果把7天内的活跃用户作为一个体系的话，目前活跃用户池是在扩张的：9421+4936-11771=2586>0
• 次日回访的用户能占日活的大半，回访率还是很高的：40904/75736=54%
• 隔一天来访一次的用户规模相当于每天的新增用户：9053:9421≈1
• 用户回访的可能性随着不回访天数的增长而减小：9053>3688>2218>1538>1218>829，这说明了[低频定期访问]的用户群规模极小
• 
每天从不活跃的用户群里转化来的活跃用户每天只有极小的一部分：4936/(449393+4936)=1.09%
• 前一天新增用户留存到后一天的人数大约为：7345×35.6%=2615，占次日回访用户的2615/40904=6.4%，说明绝大部分回访用户都不是近期的新增用户那么产品们需要关注什么呢?其实增长的实现方式无外乎开源节流。在节流方面，产品需要关注提升活跃用户的活跃度。而提升活跃度又可以分成两件任务：
• 
控制每天流入不活跃用户群的人数，现在的值是11771，产品应该还可以针对这些用户做一些事情
• 增大每天从不活跃的用户群里转化来的活跃用户数，现在的值是占不活跃用户群的1.09%，依然有很大优化空间

这样的图以后每天都可以被展示，甚至可以做成动画，了解到活跃用户们都是怎么迁移和流转的，我认为这已经比那些冷冰冰的数字要热乎许多了。