最近，基于用户细分的分析方法开始获得移动应用开发者更多的关注，这是由于用户细分不仅可以让运营人员更深入的理解用户的行为以及市场营销活动的效果，还可以帮助产品人员更好的理解导致这些结果产生的原因，而不像以前，大家只能够片面的给出管理层喜欢的浮华的指标。

做运营推广的人都知道大部分市场活动并不能马上带来转化效果，大家只是模糊的认为将来某个时候这些被广告触及的客户会下载推广的应用，分享给他的好友，用户分群最大的好处就是消除这种对于效果的模糊性。

拿社交游戏应用来举例，大部分游戏公司都采用DAU或者MAU作为KPI，这是因为对于社交游戏来说，围绕着总体用户数量/新增用户做文章，对于营收目标并没有任何意义。它们已经有一套通过真正玩游戏的活跃用户来赚钱的运营体系。大部分情况下，这些游戏本身采用免费方式，以吸引更多的玩家，而游戏公司竭尽全力的转化这些玩家为游戏付费，方式有很多：注册费用，头像，去除广告，解锁道具等等。

正是在这种情况下，基于用户分群的断代分析方法经常被使用，断代分析在医药、社会科学、生物学等领域被广泛采用。在社交游戏领域，它用来跟踪一组利用特定的事件标识的用户，来观察他们的行为是否发生变化，用户分群的方法也可以是在特定的时间段按照相同的属性或者相同的体验来划分，如：安装后第一次启动的用户群，完成新手向导的用户群，创建账号的用户群等。而用户分群之后，分析人员通过观察这些用户群是否按照设计的动作/指标完成预想的动作。

下图从TalkingData采样的客户分群的一个社交游戏的样例

       在这个例子中，如用户分群为3月19日开始玩游戏的那一群用户，转化标准为在游戏中完成1个关卡，接下来观察在第1，2，3，4周里，衡量标准依然是完成1个关卡。所以从3月19日开始的那一周有13.5%个用户完成1个关卡，到第2周的时候只有11%的用户回来游戏并完成了1个关卡，到第3周的时候就只有6.6%的用户完成1个关卡。分析人员马上直观的发现4月9日新增的那群用户按照断代分析的同期比较结果，相对来说用户完成关卡的比例更低，马上和相应的市场活动相关联，发现原因是4月9日新上了一个广告渠道，由于用户质量低于原有的广告渠道造成这种结果，下一步可能采取的动作就是优化投放策略。

这是一个很好的如何利用科学的分析方法优化市场活动策略的例子，根据我们的经验这类应用一般有两种分析方法或者角度：

跟踪多个渠道 A、B、C的用户，观察他们的转化率、活跃度、留存率，不断优化市场投放策略以及成本策略。

跟踪一个特定的用户群，如：产品某个版本的用户，看看用户的转化率和历史版本进行比较，虚拟物品的购买数量/比例、虚拟物品的重复购买率等。

顺便提一下，前些天正好和几个做网站分析的同行交流到，传统的网站分析对于这种显式的用户分群分析还是有一定困难的，如果用户删除了cookie或者你无法持续追踪某个用户分群，数据就会变得很“脏”，所以就需要利用注册、登录等方法来绑定用户信息。这正是移动应用分析的特点，数据相对精准而且追踪的是活生生的“人”而不是冷冰冰的“页面”。

接下来我们可以看一下在web分析中的用户分群中类似的实现。

Google Analytics提供类似的高级功能，报表也很漂亮但是和移动分析还是有很大差别：

这是一张随机时段的流量报告，我想来比较一下不同来源的新访客流量，并基于此观察这些客户回访的情况，你可以比较结果，两个不同的分群提供不同的结果。这样你很容易看出那个来源的回访客户更宝贵，它的转化率，AdSense的相应率以及eCPM也更好.

        不管是移动分析还是网页分析，对于广大数据分析人员来说，分析的思想其实都是相通的，都需要设定业务目标，利用用户分群，专注目标转化。而经常学习相关产品，借鉴不同的方法是提高分析能力的捷径。