移动端参与新框架：认可—兴趣—转化（AIC）part2

我们常用“每日活跃用户量”（DAU)或者“每月活跃用户量”（MAU）来作为衡量 用户活跃度 的指标。如何区别出不同的活跃程度？这个全新的AIC框架能够帮到你。
全文分为两篇，阅读上篇请看：移动端活跃度分析的新框架：认可—兴趣—转化（AIC）part 1

创建AIC快照

一旦确定了对每一层对应的事件，就可以生成参与度快照，用于内部仪表盘或趋势分析。

金字塔的每一层都是根据触发该层相关操作的用户数量来计算的。也就是说，如果在过去的一个月里正好有100个用户打开了应用程序，那么接收层的大小就是100。

各层之间并不排斥，事实上正好相反。为了触发一个转化事件，用户肯定会打开应用程序（认可）；在绝大多数应用程序中，用户会先通过点击某些内容或以其他显示兴趣级别的方式参与表达其兴趣。它并不是一个严格意义上的漏斗，但对于所有在转化层中计数的用户来说，在认可层和兴趣层中计数也是正常的。

因此，给定时间段（例如过去一个月）的AIC快照应该是这样的：

这个快照会显示在仪表板上并且每日更新，可以提供对应用程序是否正常的大致评估。它还可能有助于尽早发现一些问题，比如如果出现阻止用户进行核心操作（转化事件）的故障，这将会在AIC快照上立即显示错误，而DAU数值在最初的一段时间里将保持相对正常。

DAU应该和快照的接收层中每天看到的用户数量非常接近。如果他们打开应用程序，就会被计入这一层，所以AIC框架基本上包含了DAU，同时还包含了兴趣层和转化层中两个具备更高水平意图的活动。

使用AIC框架得到更深刻的见解

一旦关键事件分完类，认可、兴趣和转化的指标可以从任意给定历史数据计算得到的话，就可以进行进一步的分析了：

随时间变化的趋势

观察每层随时间的变化，可以看出应用程序的表现如何：理想情况下，绝对数量呈现上升趋势（用户增长），兴趣层和转化层的用户百分比也随时间增加。这些趋势也应该在其他的公司指标中观察到，但往往可以仅通过仪表盘了解到AIC的整体正常水平趋势，然后深入运用调查分析确定导致增长或下降的特定事件，在每一层执行分割或漏斗分析识别变化的根源。

请注意，变化并不总是来自用户获取、团队增长或产品团队计划：季节性和市场竞争等外部因素也可能对AIC快照趋势产生强烈影响。

层级间比率

了解特定用户在转化率、兴趣和接收方面的比率是很有用的。这些比率通常比绝对值的波动性小，而在不同类型的应用程序中差异很大；社交应用程序和内容应用程序通常有一个相当大的兴趣和较小的转化层（所以比例可以看起来大致是接收:兴趣:转化=3:2:1），而一些更简单和更工具化的应用程序通常更倾向于核心（例如3:1:2的类型比例）。

如前所述，你可以观察到总体数值以及每层特定用户占总数的百分比，你可能还希望跟踪比率随时间的变化。如果你发现扩大用户获取或客户管理活动只会增加接收层（即金字塔底部的比例增加），则表明这些努力最终可能是没用的。

弹性

学习经济学的读者应该熟悉需求的价格弹性（有时称为价格敏感性）的概念，可以探讨价格变化对特定商品或服务需求的影响。弹性/敏感度的概念可以与其它独立变量和因变量进行组合联系来探讨，在实际应用AIC模型时，我们发现这种分析技术很有用。

如果您能够知道扩大接收层（例如，通过增加用户获取，或发送更多的推送通知或电子邮件）所带来的兴趣或转化率可能增加的数量，就能够为增长策略提供信息，稍后我们将对此进行详细介绍。

在上面的例子中，我们看到接收和转化之间有很强的相关性，模型表明，如果接收层的大小增加1%，那么核心将增加1.12%（假设模型不变，这仅仅是基于历史数据的预测)。

采用漏斗视角

通过漏斗视图来查看用户在各层之间移动所花费的时间（单个、部分或总体），可以进一步了解用户在参与各层进度所花费的时间。
请注意：一个典型的漏斗观点假定用户将按照严格顺序进行不同漏斗阶段，如果您建立的漏斗需要用户完成接收操作，然后是利益相关操作，然后是转化操作，您的结果将会排除从接收直接跳转到转化的用户，这可能发生，甚至在一些应用程序更常见。

将洞见转化为行动

与任何指标一样，仪表盘、趋势图或弹性分析中的这些数字只有在提供了有意义的洞见、为下一步行动提供信息时才有用。

由于AIC框架的设计目的是提供总体参与健康状况的高级快照，因此它的度量（特定时间段内接收、兴趣和转化的唯一用户）是输出，而不是输入。几乎所有仪表板级别的指标都是如此。

团队不应直接以影响输出指标为目标，而应该致力于在增长和产品团队确定的输入杠杆和子指标。有关输入与输出指标以及如何识别增长杠杆的详细说明，请参阅Brian Balfour在Reforge博客上的相关主题文章。
这并不意味着仪表盘的KPI不提供可执行信息，事实恰恰相反。它们提供了问题和机会的早期信号（特别是与趋势数据结合时），并提供了能够且应该在更深层次上使用调查分析（执行查询和构建图表来理解变化及其原因）进行探索的信号。
在Phiture，我们发现将AIC框架应用于不同类别的应用程序，在公司级别的仪表板视图中提供了比典型的MAU或DAU指标更深层次的可视化。层级比率的变化可能催生一些原本不会被提出的重要问题，并且引发调查、深度作业、假设和试验。

总结

AIC是一个根据用户在特定时间段内的参与度来划分活跃用户的框架。

AIC不像基本的MAU或DAU活跃用户指标那么容易应用，但将用户参与度分层可以更深入地了解用户活动，并作为应用程序健康状况的信号降低了对基本应用程序的强调。

将框架应用于特定的应用程序，能迫使团队思考哪些事件构成了转化操作，哪些事件展示了真正的兴趣水平。

把通知和电子邮件作为接收层的一部分，其是否真的有用更加可信： CRM项目有效性的优良指标之一，是接收和兴趣指标之间的高度相关性和弹性是通过过滤掉选择加入的用户而非未收到电子邮件和推送的用户得到的。

通过观察 认可——兴趣——转化 这个过程随时间的相对变化，可以为应用的健康状况提供一个有用的指标。变化将显示产品和营销活动的有效性，并结合包括季节性在内的外部因素。

原文：Introducing a New Framework for Mobile Engagement: Acknowledgment — Interest — Conversion (AIC)