用户增长：一种基于策略的登录指标——日净增登录

本文作者依据工作中项目实践的所思所想，并结合案例等分享了关于“日净增登录”数据相关的知识，供大家一同参考和学习。

一、什么是「日净增登录」？

1. 指标提出背景

日净增登录，来源于我今年在登录率提升专项中的实践运用，并提出的一个数据指标。为什么会提出「日净增登录」这个概念呢？原因是：

（1）登录率不是绝对值，被分子、分母两个耦合数值同时牵制，数据变动不太方便归因。

比如在“日登录率=日活跃用户中的登录用户/日活跃用户”的口径下，日登录率降低，代表“日活跃用户中的登录用户”的提升速度不及“日活跃用户”的提升，那么问题来了，这是因为登录率低于大盘的用户（比如新用户）占比提升？还是某类细分用户（比如新用户）的登录率降低？在追溯原因上相对复杂；

（2）登录率有较多的历史数据包袱，今天的数据不是今天的成果，策略下的数据预估困难。

比如今日由于策略多拉了10W的登录，登录率由48%提升到50%，那如果明天再多拉10W登录，能从50%提升到51%或52%吗？答案是否定的，因为明天的起始值不再是今天的50%，如（1）中所述，明天的起始值由诸多因素导致。于是就出现了这样的疑问：

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？
2. 或者，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？
3. 再或者，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？

（记住以上3个疑问，将在应用部分得到解答）

因此，在这样的背景下，需要有一个指标，它是登录率的“唯一”牵引指标。能够和「登录率」互相推导，且推导所用的过程变量相对稳定（可以被当成常数）；

A. 易于拆解。是一个绝对值，它的拆解由独立的加减而不是耦合的乘除组成；

B. 易于观测。对策略敏感，随着策略的变动而变动且明显；

C. 易于预估。没有历史数据包袱，今天的数据就是今天的成果；

「日净增登录」则是这样一个指标。

2. 指标定义

日净增登录：指今日活跃的用户在今日的登录状态和上次活跃的登录状态差值的总和。公式表示如下：

日净增登录 = ∑ Ci （i=1,2,…..n）

其中：

• n代表日活跃用户数；
• Ci代表第i位活跃用户在今日的登录状态和上次活跃的登录状态差值，取值为0/+1/-1
• Ci=0表示该用户今日和上次的登录状态一致，均有登录或均未登录；
• Ci=+1表示该用户今日有登录，上次未登录（新用户登录属于这类情况）；
• Ci=-1表示该用户今日未登录，上次有登录；

为方便业务应用，公式可简化为：

日净增登录 = 日流入登录 – 日流失登录

*注：

（1）本文的登录均指活跃中的登录。业务不同可能口径不同（如播放中的登录），但可同理套用；

（2）本文的“用户”指设备；

（3）判断用户当日是否登录，可按照用户当日刚开始活跃时的登录状态，也可按照用户活跃结束时的登录状态，但判断条件只能始终选其一；

通过如上定义，不难看出「日净增登录」是易于拆解、易于观测、易于预估的，符合最开始提出的条件BCD。那针对条件A，「日净增登录」能够和「登录率」互相推导吗？

答案是，能！下面将介绍两者之间的推导逻辑。

二、「日净增登录」与「登录率」之间的推导逻辑

由于目标是「日净增登录」和「登录率」之间可实现相互推导。那么先尝试通过「登录率」推导出「日净增登录」。

首先为了保证推导所用的过程变量相对稳定，需要扩大时间维度以抵消或降低部分不可控因素（如MAU会比DAU更加稳定），而我们日常的数据统计在时间维度上一般为日、周、月、年这4个维度，在本文中将采用月维度做为转化标准；再者「日净增登录」属于差值，我们则需要从扩大时间维度后的变量里去寻找合适的差值；最后再将“月”维度的的差值拆分成“日”维度差值，形成最终我们想要的「日净增登录」。

Step1.将「登录率」从“日”维度扩大到“月”维度，抵消或降低部分不确定因素

这里用到了大家应该比较熟悉的转化式：

DAU * 30 = MAU * 月平均活跃天数

注：此处的DAU代表月均值；为方便理解，一个月均采用30天计算；

那么同理：

DAU中的当日登录用户数 * 30 = MAU中的当月登录用户数 * 月平均登录天数

于是：

日登录率= DAU中的当日登录用户数 / DAU

=MAU中的当月登录用户数 / MAU * （月平均登录天数 / 月平均活跃天数）