App数据统计分析是一项持久而重要的工作内容，它始终贯穿了app的整个生命周期，其目的是要根据各项数据来判断出app目前的状况、所遇到的问题、以及问题的根本原因，并能依据数据作为指导，找到对应的方向或者解决方案。在做数据统计的时候，需要根据app所处的不同阶段，进行侧重点不同的数据统计及分析，以app初期为例：
基本数据
总用户、日新增、UGC量（UGC产品）、成交额、与业务相关的其他数据，比如：每天达成交易的量，每天发的帖子数，每天帖子回复数等等，具体数据项，需要根据产品的内容来确定；
用户获取
获取渠道的渠道质量分析，需要了解有多少用户获取渠道，每个渠道的下载量-安装量-激活量-注册用户数（日新增），以及对应渠道的留存和日活，来判断该渠道的质量，其目的是以此数据为依据，来甄别优秀渠道和劣势渠道，根据公司的投入和最终带来的用户数，来判断哪些渠道得不偿失，可以舍弃，哪些渠道资源优秀，可以重点加大力度等；
用户活跃
用户活跃的主要判断数据是活跃、留存、每天平均使用时长、平均使用频率，活跃分为日活，月活。留存可分为，次日留存，7日留存，30日留存等；
活跃：
日活：DAU，每天在app上活跃的用户，DAU越高，表示产品越契合了用户的需求，这是个非常重要的数据指标，假如总用户基数很大，但DAU很低，那就是说绝大多数用户都是僵尸用户，这样的用户价值是不大的，故而app的价值也不会太大，一般来说活跃率在5%-10%就是很不错的数据（活跃率=日活人数/总用户数）；
月活：MAU，宏观判断本月的MAU，同比上月的MAU是否有提升，提升多少；
留存：可以判断出app对用户的依赖程度以及通过环比来判断当天注册的用户中目标用户的大致比例；
次日留存：是指在第N天注册的用户，在第N+1天在app活跃的用户数，次日留存可以很好判断出app的质量，是否契合了用户的需求（与日活高，契合用户需求不冲突），一般次日留存率达到40%便是很不错的数据了；
7日留存：是指在第N天注册的用户，在第N+7天在app活跃的用户数，7日留存可以很好的判断用户的忠诚度，一般来说，7日留存率能达到20%就是很不错的数据；
月留存：
30日留存（月留存）：是指在第N天注册的用户，在第N+30天在app活跃的用户数，月留存一般能达到10%就很不错了。
留存的曲线并非一直是递减的，比如第N天注册的用户，在N+1，N+2，N+3天的留存不一定是递减，也有可能N+2天的留存大于N+1天，不会太绝对；
每天平均使用时长：每天平均使用时长，也可以看出用户对app的依赖程度，看用户每天会花多少时间放在玩这个app上；
平均使用频率：平均使用频率，用户每天打开app的次数，也可以看出用户对app的依赖程度；
用户内容
可以通过数据埋点，通过一些数据来查看用户每天在app内用的最多的功能，用的最少的功能，以此来判断我们的产品哪些功能切中了用户需求，产生黏性，可以调整重心，重点发力；哪些功能是无用功，可以酌情放弃或者调整方向；
也可以通过用户行为路径的埋点，来查看用户在app内主要做什么，以怎样的流程来玩，哪一步跳出率最高等等，并以此数据来作为优化的指导意见；
关键转化率
基本转化率：如注册转化率，这是每个app需要关注的点，这是用户迈入app的第一步门槛，我们的目的是想让到了门口的用户都进到院子里来，但事实上，因为大门的门槛高度、推开门是否容易、大门的优美程度等诸多因素，使得来到门口敲门的可能有1000人，但真正能进到院子里的可能就是100人了。所以，我们要想尽各种办法，让来敲门的人尽可能多的进到院子里来。所以我们需要统计注册步骤中，每一步骤的转化率，以此来判断，哪一步骤出了问题，哪一步骤流失的用户最多，进而找出问题所在，对其进行优化，来提升整个注册流程的转化率；因为转化率每一步骤都是递减的，所以统计出来的数据很像一个漏斗，故称之为漏斗模型。
注册转化率若能配合注册过程中错误toast浮层的弹出次数来结合一起看，更能发现问题所在；
关键行为转化率：这个要根据每个app的性质不同，来确定不同的关键行为。比如：对于电商的关键行为转化率是购买转化: x人看了商品-y人加入购物车-z人付款-w人完成交易；对于交友app的转化率：x人搜人-y人查看个人资料-z人选择加好友-w人成功成为好友等；
每个app可以有多个关键行为转化率，一般来说我们要找到自身app的最主要的几个功能点，然后把每个功能点进行拆解为几步完成，然后对每一步添加埋点，来看用户从一开始使用该功能到最后完成该功能的整个过程中，每一步骤的流失率，然后根据每一步流失率的数据来看哪些地方有优化的余地，可以提升整个流程的转化率；
其他：
上述是一个数据新人的理解和整理，不正之处，请不吝赐教。当然接下来还有更长的路要走，以下所述的几点也是以后要努力的方向，希望有道友可以指点一二，一起携手进步：
数据综合分析：
上述是最基本的数据统计及分析，但每项数据都不是独立的，需要将各项数据综合在一起分析，才能做出正确的判断。
如：发现某天的日新增相比之前的平均数据增长很多，但是次日留存却比正常水平地很多，这是为什么呢？ 原因是当天app运营活动，可分享到朋友圈给个人投票，便会衍生用户的拉票行为，被投票用户会寻找朋友们来注册并投票，但此时注册的用户并非目标用户，其目的仅仅是投票，所以虽然当天日新增较高，但次日留存较低，对于用户质量来讲，意义并不大；
同比环比等分析：
除了每项数据都不是独立的之外，单独每项数据的分析有时候也需要结合同比、环比、数据周期内是否有活动等因素来进行综合考量；
用户特征分析：根据用户资料，给用户分类分析，总结出用户画像，比如：用户整体画像为20-30岁的青年男女，收入偏高，北上广地区较多等；进而可以细分：喜欢发视频的用户画像特征（性别、年龄、地域、收入、职业，包含网络状态，wifi？4G？活跃时间：早上？晚上？），喜欢聊天的用户画像特征（性别、年龄、职业、收入、活跃时间等），甚至分析流失用户的画像，来分析流失的用户是因为不是我们的目标用户，还是流失的用户是我们的目标用户但其需求未得到满足；
用户活跃时段分析：根据用户活跃的时段，来进行推送、触达等，以达到最大的触达转化率；
用户流失分析：分析流失用户的使用时长、对app的依赖程度、是老用户流失，还是新用户流失，流失用户的画像，来分析流失的原因；
App迭代数据对比：app功能迭代，需要统计在新版本app上某个功能的数据表现，对比老版本app该功能数据表现，进而判断是否改版正确，提升多少；
更多数据分析过程：数据采集、数据整合、数据统计、数据分析
如何构建用户画像：用户标签、用户行为等；
