产品生命周期是一个很大的过程，在这个“大过程”中，又有着一些“小过程”。对此，本文从生命周期的基本概念、数据处理、生命周期主要环节、价值点挖掘四个方面做了分析，希望对你有所帮助。

如果把一款产品比作是一艘邮轮，那么这款产品在应用市场上架的时刻，可以当做是这艘邮轮航程的起点。在这趟航程里，会有无数的乘客（用户）先后来到和离开这艘邮轮。当这艘邮轮最后一次停泊靠港时，也就是其生命周期已抵达了终点，准备在应用市场下架了。

本文首先厘清了关于生命周期的基本概念，明确了需要发力的方向，进而介绍了几个数据处理的技巧，处理后的数据相对会更友好。并对生命周期的主要环节（新增/留存/活跃/沉默）逐一展开观察和分析，最后分享了几个在生命周期分析里可以挖掘的价值点。

（注：本文所涉及的数据都已做了脱敏处理和量纲转换）

 

一、基本概念

1. 生命周期

周期这个概念，可以很玄妙，也可以很具体。往大的层面讲，可以从太阳黑子的活动规律讲起，进而深入到人类社会的康波周期，人口周期，可以说万物皆周期，万物都处在周期的运行过程之中。往小的层面讲，一款产品，产品里的用户，都有一个（或几个）生命周期。

生命周期是一个从开始到消亡的过程，起点和终点都是确定的，不确定的则是这个过程所持续的时间，所变化的形式。生命周期分析所要做的，便是理解这个过程，优化这个过程。

 

2. 产品和用户的生命周期

（1）产品生命周期

每一款产品在投入市场后，大体上都会经历探索期，成长期，成熟期和衰退期这四个阶段。

1. 探索期最重要的是学习，学习到底哪些是目标用户，为了与这些用户互相适应，要如何优化这款产品；
2. 到了成长期时，已对用户有了一定的理解，此时很关键的一点是“拉人头”，先把有效的用户圈起来，后面一切好说；
3. 成熟期往往是一款产品价值爆发的阶段，活跃用户的氛围，增值付费的能力，都会达到峰值；
4. 不可避免的，成熟期过去后，每一款产品都会迎来衰退期，只是有些产品一次衰退就挂了，另一些则进入到第二个周期里。

（2）用户生命周期

与产品生命周期相对应的，这款产品里的每一个用户也都有自己的生命周期。只是在应用市场里，用户的数量往往要远超于产品的数量，所以用户的生命周期也就呈现出更为丰富，更为多元的形态，有些用户注册后“一言不合”就走了，有些则一直留了下来。

总体上来讲，用户会经历新增，留存，活跃，沉默，流失这几个过程，只是这几个过程并不一定连贯，可以交叉穿越。比如从新增直接流失，这是“薅羊毛”的用户，比较常见于互金，理财类的产品；比如从留存直接流失，其中有一部分是在不同竞品间进行比较，当比较完成之后，便也直接流失了。

而那些真正完整经历了每个过程，并在每个过程的核心指标里表现优异的用户，便是我们需要关注的头部用户，他们往往会贡献出这款产品里最大的价值。

 

3. 生命周期分析的意义

通过对产品生命周期的分析，可以更好地打磨每个环节的转化情况，让产品和用户不断地相互适应，从早期的粗放式经营转化为一种更为精耕细作的方式。在用户成长体系的每一个关卡，进行引导和助力，量变会带来微小的质变。

 

二、数据处理

常见的数据处理方法，有移动平均，相关分析，数据变换等几种数据处理的方式。真实业务下的数据，往往都是带有噪音的，偶尔会有一些“坑坑洼洼”。

如果直接去看最终数据的话，往往是很不友好的，通过一些数据处理的技巧，能让我们更便捷地观察业务数据的变化情况，并猜想和验证这些数据变化背后的深层次原因。

 

1. 去平均化

设置统计指标的初心，是为了能把握整体业务的变化情况，平均数，中位数等的制定，都是为了观察业务数据的集中和离散趋势。

在很多的场景下，这些指标都是有效的，但并不代表它们可以适用于所有场景，当场景不合适时，只看这些指标反而会形成干扰。尤其是在用户体量很大，数据分布具有严重的“左偏”或者“右偏”时，只看平均值可能就不合适了。

去平均化，或者说是用户分组，便是应对这种情况的一种处理方式。其实就是在整体平均值发生变化时，通过对用户进行分组，观察用户内部的结构变化，可能会得到不一样的结论。整体平均值的增长，是否对应每一个用户组的增长？不同组是否会有不一样的变化趋势？

不同用户分组的留存趋势

当整体业务在以某种趋势变化时，不要用户分组的变化可能不是协同的。方向一致时，彼此的变化速度不一样，可能会在某个时间点形成交叉，并且之后又以不同的速度反向翻转。通过去平均化的方式，可以更好地理解用户内部的结构差异。

通过什么方式对用户进行分组更为合理？这个问题类似于在做机器学习的特征时，如何对连续属性的字段进行分箱，虽然分箱方法有很多，但等频和等距仍然是其中经典而常用的两种方式。应用到用户分组这里，等频就是按照数据量来分割，等距就是按照属性值来分割。

 

2. 留存矩阵

在生命周期分析的工作中，会有很多的场景都会涉及留存的统计，比如注册之后的留存，活跃之后的留存等，同时因为时间的推移，不同时期用户的留存情况可以形成一个留存矩阵。这个矩阵的设计，可以有不同的方式，能表达出所关注的用户群的留存趋势变化即可。

先分析得出不同形式的留存矩阵。得到留存矩阵后，从不同的视角出发，可以做不同角度的观察和分析。在每一个月份新增的用户群体，可以得到其在三个月/六个月/九个月之后留存比例的趋势变化情况。

不同距离月的留存趋势变化

 

3. 因子分析

对生命周期的分析过程中，不可避免地会要做一些因子分析，比如在具体环节下，对某项具体的指标（留存率，活跃频次，未来是否付费），是否存在一些较为有效的因子，能与其具备良好的相关性。

因子分析的结果，虽然不如深度的模型结果来的精准，但处理过程却相当简洁，在不同场景下总能找到一些有效的因子，是一种性价比相对良好的统计方式。

针对不同的产品，从不同的关注点出发，可以搭建起最适合自己的因子体系。其实不需要像金融市场的101因子等做得那么全面而深入，选择一些自己最关心的，同时与核心指标相关的一些因子，就可以做出一个有效的因子体系。此后有需求时，直接从中取数即可。

因子体系的结构

 

4. 一阶差分

做机器学习的特征选择时，有时会应用到一阶差分，通过观察其收敛的转折区域，从而筛选出更为有效的特征。这个方法也可以用在生命周期的场景里，因为这个场景涉及大量的长尾分布，由于头部和尾部的用户量级差异较大，所以其内部的变化速度很难直接观测出来。

尾部用户虽然量级较小，但往往是对产品贡献最大的那群人，所以其内部变化是值得关注的。

如图1所示，即是一个经典的长尾分布，但在这个分布里面，越是尾部的用户，越是我们需要关注的高活跃用户。通过图2，可以看出在这个长尾分布里面，不同区域的用户数量变化速度，头部和尾部的变化速度都是较大的，中部区域的用户变化则相对平稳。