友盟为所有DAU曾经达到过1W的App自动开放了“周用户构成”（WAU Model）功能，不少开发者反馈说这个功能好用，对自己App的数据运营起到了很大的帮助，但是也有不少开发者给我们反馈说花花绿绿的图示数据，不知如何去看。本文为大家详细介绍了“周用户构成”指标的使用方法，帮助开发者更清晰的知晓自己App的活跃用户构成，从而更全面地了解App质量。
为什么我们要关注“周用户构成”（WAU Model）
通常而言，App开发者或者投资人都更倾向于关心相应App的DAU（日活跃用户数量）这类易得的指标，借此直观感受App的发展情况。但DAU这类指标除了数据噪声大（经常剧烈波动且易于掺水）外，更不应被忽视的缺点是，它们将所有活跃用户都视为同质的。这无论是从预测未来某时间段内活跃用户规模的角度而言，抑或是针对某些未来价值更高的用户做精细化运营的层面讲，甚至于是评估通过不同渠道获得用户质量的差异来说，都不够恰当。
几乎对于所有行业而言，如何吸引优质新用户，如何维护忠诚老用户，始终都是重要课题，显而易见，能够这样做的基础必定是先明了究竟谁是新用户，谁又是老用户。友盟通过大量的数据积累和试验，发现时间粒度为周的用户构成模型（以下简称WAU Model）是最为准确有效的。
什么是“周用户构成”（WAU Model）
友盟的WAU模型，在把活跃用户做简单有效分层的基础之上，引入了离散时间的状态转换Model。下图是友盟Demo中给出的WAU模型的展示：
可以看到，在该模型中，友盟把用户分为7类，除了6种活跃用户外，还体现了流失用户。我们把每一种用户分类视为一种用户状态，其中各状态间的转移关系示意图如下：
很容易注意到，这个模型中的“流失用户”和“忠诚用户”这两个状态都可以返回到自身，即“流失用户”下一周的状态仍可以是“流失用户”，“忠诚用户”下一周可以继续做“忠诚用户”。友盟的WAU模型中，有且仅有这两个状态是具备这种性质的，剩余的状态都不可能具备此性质，比如，处于“连续活跃3周”状态的用户，下一周的状态只可能是“流失用户”或是“连续活跃4周用户”，绝不可能继续处在“连续活跃3周”的状态。
对应上述的转移关系，我们可以得到相应各状态间的转移概率，进而得到转移矩阵，从而在App各种外部情况不发生剧烈变化前提下能够准确估算相当长时间的用户构成情况。另外在用户成分转化功能中，友盟把状态间的转移及相应转移概率做了可视化：
由此可以直观看出，新增用户的留存转化：
甚至是用户的流失情况：
感兴趣的开发者可以直接点击相应界面右上角的演示视频来做进一步了解。
计算转移矩阵除了可以明晰用户成分间的转移概况，更重要作用则是对未来的用户构成做预测。下图Demo中蓝色的部分即为对未来WAU构成的预测。模型需要开发者自行设置“新用户数”，默认设置为使用上一周活跃用户数，但我们更鼓励开发者根据对自己App的客观评估将此更改为更合理的设置。友盟对WAU模型有一套完善的检验体系每周对模型的质量予以检测，WAU模型的误差通常控制在10%甚至于5%以内。
另外，WAU模型是暗含时间序列信息的，开发者可以直接由此得到初步清洗过的数据，完成感兴趣部分的时间序列分析。
怎样使用“周用户构成”（WAU Model）
在确定自己App是高频还是低频之后（可以查看之前“变化系数”一文），对于高频App，通常一个用户连续活跃的周数越多流失的概率也就越低，流失后再回流的概率相对也更高。此类App的开发者，应主要关注新用户的转化率及忠诚用户的留存流失情况。优质的高频App发展到一定规模以后，连续活跃5周及以上的忠诚用户通常会贡献一半甚至更多的WAU。下图显示的是高频类App“周用户构成”变化示例：
忠诚用户也会流失，且这种情况由于各种原因是无法避免，不过由于总会有新用户补充并继续转化为忠诚用户，所以忠诚用户的规模依然会逐步变大并最终稳定下来。换言之，当忠诚用户数量开始出现持续减少时，就需要引起App开发者的注意，因为这些App最优质用户的流失是整个App活跃用户规模开始缩水的前兆。而对于低频App，连续启动数周是一个相对苛刻的条件，它们的回流用户相对而言是更重要的构成成分，也正是由于这个原因这类App通常在规模上不及高频App。下图所显示的是低频类App“周用户构成”的示例：
不过忠诚用户对它们而言依然重要。这类App的开发者应该更关注忠诚用户的数量而非百分比（但数量级至少应为千）。因为只要忠诚用户的数量是在持续上涨的，哪怕占比低，也能从侧面体现App受欢迎的程度和未来持续发展的可能。
再来特别谈一下新用户。对于处于任何一个生命阶段的App而言，无论高频还是低频，无论是想要持续的增长还是想要保持稳定的规模，新用户的注入都必不可少。但App需要健康的发展，相比于关注新用户，新用户的转化（或者回流）才是更重要的指标，一味追求新用户的数量而非质量的App不会成为成功的App。比如以下这种情况：
可以看到这款App的每周的新用户到了下一周几乎全数流失，没有忠诚用户或回流用户。
发生这种情况的App并不在少数，通常出现这种情况的原因为：
开发者恶意刷友盟数据；
推广渠道质量非常差；
也可能是开发者错误集成了友盟SDK。
最后，开发者可以通过友盟在之前给出的WAU构成的预测值与届时的真实值之间的差异来对自己的App做简单有效的评估。一般来说，差异都小到可以忽略，不过还是有值得注意的情况：
当预测值大幅小于真实值时，即App活跃用户被低估。这种情况通常是由于App在快速成长期本身就更可能吸引到大量不可预测的新用户或者是做了行之有效的推广，这时除了及时更改预测新用户设置外，开发者更要接下来特别关注后续留存转化情况。
当预测值持续大于真实值时，又要细分两种情况：
幅度较大（>30%）时，表明App之前有刷量嫌疑或者自身类别属性（多见于游戏类和旅游类）限制使得用户量周期性下跌；
幅度较小（10%左右）但持续时间较长（8周及以上），这种情况多发生在App的WAU量级稳定在较大规模后。这多是App开始失去吸引力，用户开始缓慢流失的信号。开发者需要及时采取适当措施避免大量用户不可逆流失。
用好WAU Model（周用户构成模型）可以帮助开发者更好了解自己的用户从而反观自己的产品，制定更合理的发展目标使用更精准的运营策略。
点击“阅读原文”，查看“周用户构成”Demo。
