用SQL分析——用户参与度和活动直方图的分析

用户参与度是展现用户喜欢使用品的最佳指标之一。如果你可以找到正确的产品，并扩展产品种类，就可以提高用户参与度。用户参与度可以是指用户和产品之间的互动，也可以是一系列的特定操作（或某一个操作）。

评估用户参与度的常用指标有MAU 和 DAU，DAU/MAU 转换率（即日活跃用户与月活跃用户的比值）。这个指标能表明用户与产品互动的“深度”。然而，这个指标更适合日常使用，无法深入了解用户的参与频率。

此外，用户可能不会每天都使用你的产品，使用频率可能为每周或每月几次。因此，除了 DAU/MAU 转换率之外，我还建议你查看参与频率或活动直方图。下面，我将演示如何使用 SQL 进行分析。如果你想了解更多数据分析相关内容，可以阅读以下这些文章：
Pandas和SQL，数据科学家应该用哪个？
Facebook和Microsoft数据科学家面试,他们会问这些SQL问题
如何在Jupyter Notebook里运行SQL？
面试常见5大SQL题目：培养SQL技能，助你完胜任何面试！

用户活动直方图显示用户在一个月内活跃的总天数。你可以将其设为通用，用于反映查看（views）、打开（opens）或登录（logins）等顶级活动。用户活动直方图还可以表示某固定操作，你可以以此来评估产品。

此直方图的目的是说明：

• 1. 是否有群用户每天都会来用你的产品？
• 2. 用户多久回来使用一次你的产品？
• 3. 你的产品是否有用户分组？有多少用户参与度很高，又有多少用户只是在“探索”阶段？

该直方图通常能对用户活动、留存率或任期（行为变化的时间轴）进行补充分析。你可以用直方图发现高级用户，然后保留此用户组，用于电子邮件和其他营销活动。

以下是可用于构建直方图的 SQL 代码：

结果示例：

现在，我们可以通过 Power BI 图表的可视化，通过不同的参与度了解直方图的含义。

每日参与频率

Daily Engagement Frequency

这是最常见的向左倾斜式用户行为模式之一。该图表示，你的活跃用户的行为与新用户非常相似，并大多数用户每月仅使用几次该产品。渐进式用户模式是一个好兆头，表明第 7 天和第 28 天的留存率可能会升高。如果这是新用户的直方图，则那么你可能需要改进新用户登录流程。

每周参与频率

Weekly Engagement Frequency

此图表显示，大多数用户每周都会使用你的应用程序/产品。一天以上的留存率很高，并且第28天的留存率很有可能升高。如果这是新用户的直方图，那么你的新用户登录流程运行良好，新用户转化为活跃用户的机率也很大。

每月参与频率

Monthly Engagement Frequency

上述图表出现的变化非常好，这些变化显示有哪些用户组每天都使用你的产品。许多用户经常回购，因此你的高级用户范畴很大，你可以借助这些用户进行实验、广告，增加产品销售额等……

危险信号

上图出现的变化不太好。上图表示，大多数用户只试用了几次产品就彻底流失了。参与度不高很常见，对于某些用户每月只使用几次的产品来说，这种情况完全在预料之内。但是，如果你希望用户每天都使用你的产品，那么扩大营收就存在很大的挑战，你必须更多地考虑自己的价值主张和产品定位。

高级用户

Power User

看到那 5% 的峰值了吗？那就是你的高级用户。这些高级用户每天都使用你的产品。如果你看到这样的模式，你应该关注这个用户组。分析该用户组，然后试着将用户数量翻番。查看用户任期、属性和行为。所有这些因素都能提示你目前应该做什么，以及怎样才能更好地利用这些因素。这些用户更有可能使用新功能、点击推送，并且不太可能流失或退订。你必须有效利用这些数据和知识！

对直方图分析的结论远远不止如此。你的下一步是按时间顺序查看用户活动。好的产品更能留住用户，具体表现为，每月或每年参与频率图表的变化逐步向右偏移。如果你没有看到这种向右的转变，你可能需要与领导层讨论，了解如何最好地采用更强有力的方法来扩大用户规模、提高留存率。

从过去数据来看，几乎所有成功的产品都在用户留存率方面的表现非常一致。留存率是用户粘性、活动和返回的结果。分析留存率是了解用户行为模式的良好开始，能够帮助你通过分析见解影响或改变公司战略的方向。

感谢你的阅读！你可以订阅我们，了解更多有关数据分析、数据科学和求职的信息。你还可以订阅我们的YouTube频道，观看大量数据科学相关公开课：https://www.youtube.com/channel/UCa8NLpvi70mHVsW4J_x9OeQ；在LinkedIn上关注我们，扩展你的人际网络！https://www.linkedin.com/company/dataapplab/

原文作者：Olga Berezovsky
翻译作者：Lia
美工编辑：过儿
校对审稿：Jiawei Tong
原文链接：https://blog.olgaberezovsky.com/user-engagement-and-activity-histogram-analysis-6f9fca471d11