DAU tương lai ước tính

Bài viết này hướng dẫn bạn cách sử dụng DAU và APRU để đạt được mức tăng trưởng người dùng thông qua một số trường hợp đơn giản. Tất nhiên, bài viết này được khuyến nghị cho những ai muốn tăng số lượng người dùng cho tài khoản của mình nhưng không biết bắt đầu từ đâu.

Khi lập kế hoạch cho các chỉ số đánh giá hiệu suất chính hàng tháng, hàng quý và hàng năm, chúng ta thường phải đối mặt với một loạt câu hỏi.

Ví dụ, có thể đạt được bao nhiêu “ DAU ” ? Có thể đạt được bao nhiêu tỷ lệ giữ chân người dùng mới và người dùng đang hoạt động? Và các vấn đề như tính ổn định của " ARPU " .

Nhiều sinh viên cảm thấy bối rối khi phải đối mặt với những điều không chắc chắn trong tương lai.

Có vẻ như không có cách nào để bắt đầu với những chỉ số quan trọng này.

Trước khi bắt đầu tập này, tôi muốn hỏi bạn một vài câu hỏi:

• “Giả sử bạn thêm 1 triệu người dùng mới mỗi tháng, bạn có thể đạt được mức DAU nào sau một năm?”
• "Nếu tôi tài trợ cho bạn 10 triệu đô la , bạn có thể mở rộng sản phẩm của mình đến mức nào?"
• “Chúng ta cần bao nhiêu người dùng mới mỗi ngày để đạt được mục tiêu 1 triệu DAU ?”
• “Nếu số lượng người dùng mới hiện tại vẫn giữ nguyên, thì tỷ lệ giữ chân người dùng cần phải tăng bao nhiêu để đạt được mục tiêu này?”

Tôi sẽ cho bạn ba giây để suy nghĩ về điều đó. Tôi muốn nghe câu trả lời của bạn. Bạn có thể để lại chúng ở phần bình luận bên dưới.

3, 2, 1

Được thôi , nhưng điều tôi muốn nói là câu trả lời thực sự không quan trọng.

Tất cả các vấn đề này đều liên quan đến việc dự đoán tương lai của sản phẩm và ước tính xu hướng sản phẩm trong tương lai dựa trên mức độ hiện tại. Các chỉ số dữ liệu liên quan bị ảnh hưởng bởi nhiều yếu tố, chẳng hạn như quy mô thị trường, đặc điểm sản phẩm, chiến lược tiếp thị, vòng đời người dùng, sản phẩm cạnh tranh, hạn chế kỹ thuật và nhiều yếu tố không chắc chắn khác.

Vì vậy không có câu trả lời chuẩn nào cả.

Trên thực tế, khi bạn gặp phải những vấn đề này, bạn có thể suy nghĩ về chúng theo một cách khác.

Những câu hỏi này thực ra đang hỏi:

• Tôi có thể làm được bao nhiêu? " Tìm kiếm một mục tiêu xác định "
• Làm thế nào để sắp xếp nhịp độ thu hút khách hàng? " Xác định cách làm mọi việc "
• Tôi còn bao nhiêu thời gian nữa? Xác định chi phí thời gian

Trên thực tế, tất cả đều bắt nguồn từ sự thiếu tự tin, không chắc chắn và thậm chí là thiếu hiểu biết về vấn đề này.

Để đối phó tốt hơn với những thách thức này, số báo này chia sẻ với bạn một mô hình để dự đoán DAU . Phương pháp này đơn giản và thiết thực, dựa trên công cụ Excel và có thể dự đoán thông qua phân tích dữ liệu và xu hướng.

Về chi phí thời gian, với tư cách là một doanh nhân, nếu bạn không muốn lãng phí vài năm cuộc đời để tạo ra thứ mà không ai muốn sử dụng, bạn phải quyết định xem bạn sẽ dành những năm tiếp theo của cuộc đời mình cho ai.

Thuật ngữ:

「DAU, người dùng hoạt động hàng ngày」

"ARPU, doanh thu trung bình trên mỗi người dùng"

Vậy làm thế nào chúng ta có thể dự đoán DAU trong tương lai?

Trước khi trả lời câu hỏi này, trước tiên chúng ta cần hiểu về thành phần của DAU .

Lấy DAU vào ngày 3 tháng 6 làm ví dụ

DAU vào ngày 3 tháng 6 = Người dùng mới vào ngày 3 tháng 6 + Người dùng được giữ lại vào ngày 2 tháng 6 + Người dùng được giữ lại vào ngày 1 tháng 6 + Người dùng được giữ lại vào ngày 2 tháng 6 + Người dùng được giữ lại vào ngày 31 tháng 5 + … + Người dùng được giữ lại trong n ngày và n tháng

Tỷ lệ giữ chân người dùng phản ánh khả năng giữ chân người dùng của sản phẩm và là chỉ số cốt lõi nhất của sản phẩm.

Sau khi hiểu được thành phần của DAU , chúng ta có thể ước tính DAU trong tương lai.

Chuẩn bị một bộ mẫu dữ liệu, thường là lưu giữ 1 ngày, lưu giữ 2 ngày, lưu giữ 3 ngày, lưu giữ 4 ngày, lưu giữ 5 ngày, lưu giữ 6 ngày, lưu giữ 7 ngày, lưu giữ 14 ngày và lưu giữ 30 ngày. Về mặt lý thuyết, mẫu dữ liệu được lưu giữ càng đầy đủ thì lỗi dữ liệu càng thấp.

Các mẫu dữ liệu đều là số ngẫu nhiên và không liên quan gì đến hoạt động kinh doanh thực tế.

Vẽ biểu đồ phân tán dựa trên mẫu dữ liệu. Khi sử dụng biểu đồ phân tán để thiết lập đường xu hướng, bạn có thể sử dụng hàm mũ, tuyến tính, logarit, lũy thừa, v.v. để phù hợp với đường cong. Nói chung, hàm lũy thừa được sử dụng thường xuyên hơn. Sau khi xác nhận loại hàm, lấy công thức thông qua EXCEL , thay số ngày ước tính để tính tỷ lệ giữ chân, sau đó kiểm tra công thức hiển thị để hiển thị R² và lấy công thức tính toán.

R² càng gần 1 thì hiệu ứng khớp đường cong càng tốt. Biểu đồ xu hướng cuối cùng như sau

Dữ liệu được giữ lại sử dụng trong mô hình: giá trị thực tế được sử dụng khi có sẵn và giá trị ước tính được sử dụng khi không có giá trị thực tế.

Người ta ước tính rằng trong tương lai, với một số bổ sung mới, DAU sẽ được dự đoán

Kroll nhấn mạnh trong "Phân tích dữ liệu tinh gọn" rằng số lượng người dùng hoạt động hàng ngày là một chỉ số vô ích vì nó bao gồm cả người dùng mới và người dùng trung thành. Đây là một chỉ số hỗn hợp khó hiểu, đòi hỏi phải thiết lập phân tích người dùng trong cùng một nhóm. Tốt nhất là không nên sử dụng DAU làm chỉ số chiến lược cấp công ty.

Tác giả: PM Daming

Tài khoản công khai WeChat: PM Daming (ID: 1100051)