典型问题：用户流失率高了，该如何分析

更新: 7/18/2025 字数: 0 字 时长: 0 分钟

传统企业受制于数据记录少，无法进行深入的数据分析。特别是对于用户行为记录的数据缺失很多，对下游经销商、分公司员工、门店店员的操作也缺少数据记录和行为监管，从而导致传统企业在数据上、管理上存在盲点。

而互联网企业情况相对好很多：互联网企业依赖App、H5页面、小程序等开展业务，其数据记录多，人工操作业务环节少，因此其数据分析相对容易。那么，互联网企业的数据分析又有何特点和不同之处呢？下面通过一个具体的案例来介绍。

问题背景：某游戏公司推出一款消除类游戏，其中近期监控数据如表所示。

通过表可以问自己以下两个问题。

• 通过报表，发现了什么问题？
• 如何对该问题进行深入的分析？

先思考一下这两个问题，列出分析工作计划，然后再继续往下阅读。

整体思路：从多角度分析问题

从表所示的数据中可以看出，目前的问题是流失用户太多，导致了用户出现负增长。对游戏公司来说这可不是好事，特别是消除类游戏，这种游戏没有很多付费点，本应该有大量用户在玩才对。因此，问题的关键就是如何分析用户流失。

1.流失用户的定义

“流失”是一个和“活跃”相对的概念，即在一段时间内没有做出活跃动作的用户，被定义为流失用户。比如对于游戏类App，把用户登录时长超过1分钟定义为活跃用户，相对应地，已经3个月不活跃的用户，可以定义为流失用户。

TIP

注意：流失用户是人为定义出来的，我们可以定义3个月不活跃的用户为流失用户，也可以定义6个月不活跃的用户为流失用户。

严格来说，对流失用户的定义并没有对错之分，但在理论上，用户不活跃的时间越长，就越难以再次回来：可能用户早已忘了产品，或者已经找到替代品了。因此，用户不活跃时间与用户二次活跃时间之间，经常呈现如图所示的数据关系：用户不活跃时间越长,其二次活跃概率越低。

因此，经常有业务方把用户二次活跃概率下跌幅度最大的点，作为定义用户流失的时间节点。一般把3个月不活跃的用户定义为流失用户，因为从第四个月开始，用户二次活跃概率大幅度下降，已经非常低了，很难再自然活跃。

2.流失用户的分析难点

虽然业务人员习惯上会对流失用户进行简单的定义：用户xx个月不登录/不购物就定义为流失用户，但当用户被定义为流失用户时，用户可能早就已经流失了。更糟糕的是，只有极少数用户在不活跃的情况下还会提供数据反馈，比如打个投诉电话、在 App评论里发一个差评等。大部分流失用户会直接卸载App，或者干脆不再去门店购物了，他们不会留下任何记录。

这种情况让用户流失的原因变得扑朔迷离。比如要分析用户为什么在游戏产品里活跃，则可以直接查看活跃用户的具体行为：点击了哪些内容、玩到第几关、有没有因为难度太大卡关有没有使用道具等。可对于流失用户，他们有可能已经有数周都没登录游戏账号了，目前很难知道其处于什么状态，即使他们之前有过充值、过关等行为，也不一定和现在的流失有关系。还有更糟糕的就是测试流失用户很难。比如在游戏产品中，要测试活跃用户喜欢什么内容可以直接在游戏里投放内容，之后观察活跃用户的反应，答案马上见分晓。而流失用户非常难测试，可能这批用户已经卸载了App，即使再向其推送信息，对方也看不到了。

用户流失问题难以处理，从表面上看，是因为已流失用户留下的数据少，而且是发生在很久之前的，因此无法和用户当前的状态相关联，也很难通过测试手段获取用户反馈。从本质上看，是因为导致用户流失的原因，与用户生命周期、用户分群、用户决策流程、用户成长路径新用户转化流程、用户体验、竞品影响等众多因素有关。而这些因素难以量化，更不可能直接用内部数据进行记录。

3.内部数据的不足之处

比如，当问游戏产品开发人员“为什么用户流失率会增加”时，很有可能得到如下答案“最近大学开学了，这是正常流失而已。”

• “我们的游戏不好玩，用户都跑掉了。”
• “我们的游戏用户已经玩够了，该升级版本了。”
• 最近流行玩xx类游戏，这类游戏没人玩了。”
• “对手的游戏加大了推广，我们的用户被抢走了!”

这5条理由，只有两条和内部数据有关，剩下的3条和用户深层感受、外部市场环境有关。 这些因素完全没有数据记录，如图所示。

因此，想完全解决用户流失的问题，必须综合运用内、外部数据和多种分析手段，排查各方面的原因，才能真正找到问题点。仅仅依赖内部数据分析，其中存在的缺陷是很明显的，具体表现在以下4个方面。

• 无法了解行业情况。
• 无法了解竞争对手的情况。
• 无法了解用户内心的想法。
• 无法了解用户在站外的行为。

因此，当内部数据不足以说明问题时,就需要通过外部数据来验证假设,推导结论。理论上如果通过用户内在心理/外在行为、宏观层面/微观层面两个维度构造矩阵，则可以看出各种方法的适用范围了，如图所示。

但获取外部数据的成本非常高昂，且准确度有限。比如要获取竞品的数据，常用的方法有以下几种。

(1) 从竞品的网站获取公开数据

比如对于游戏产品，一般每个服务器可以承受的用户数量有限，可以通过对方新开服务器数量来反推对方的用户数据;很多游戏产品内有成就排行榜，可以通过排行榜数据来反推高质量用户数;对于电商网站，可以通过网站上公开的评论数、商品销售数等来反推其销售情况;对于实体店，则可以通过现场数人数、领取排队号码等方式来反推用户数据。

(2) 从竞品的财报、年报、新闻发布会、融资报告中获取数据

在这些场合中，竟品会公布其用户数、收入、增长速度等关键数据。

(3) 通过第三方机构公布的数据了解

有些第三方机构会通过自己的抽样调查群体等渠道采集数据，可能公布一些竞品数据。

3.外部数据的不足之处

从获取外部数据的方法就能看出来，这些数据是零散的、不准确的，其原因如下。

• 竟品的网站可能有保护机制，无法完全抓取数据。
• 竞品的财报、融资报告数据可能经过人工美化。
• 第三方机构能力有限，且受法律约束，不会提供明细数据。

更不用说这些竞品数据很难直接和眼前的问题联系起来了。比如“我们的用户都去玩xx游戏了”，除非能拿到用户身份证号/手机号，在两边的数据库中进行比对，否则很难确认用户真的就是从自己的游戏中流失到其他游戏中去了。

行业研究也是同理。所谓的行业数据，其实就是各个企业数据的总和。单个企业的数据获取尚且这么困难，更不用说获取全行业所有企业的数据了。越是宏观层面的数据，准确度越低。

获取用户详细数据也同样困难。排除非法监控用户手机的做法，获取用户数据最常用的方法是问卷和访谈。问卷是指通过设定好的题目记录用户数据，比如直接询问用户“最近1周内，您玩过哪些游戏?"之后列出选项让用户选择。访谈则是通过聊天的方式了解用户的情况比如问用户“最近1周内玩过哪些游戏?”之后请用户展示最近玩的游戏，然后深入询问“为什么喜欢这款游戏?”一般来说，问卷适合较大量的、行为层面数据的采集;访谈适合少量的、态度层面数据的采集。

问卷和访谈都有数据采集成本高、速度慢、准确度低的问题。比如在本案例中，仅4天累计流失用户就多达5400多人。如果一份份地回收问卷，一个个地访谈，不知道得做到什么时候。更糟糕的是，联系用户本身就是成本高、难度大的事情。可以想象一下，自己是不是也经常挂掉莫名其妙的骚扰电话。其实，通过电话联系成功率会很低，通过短信联系成功率也会很低，其他渠道更是难如登天。

这样就导致了一个更深层的问题：反馈偏差。很有可能在用户访谈中，最积极、最快速反馈的是一个特定类型的用户。比如在本案例中，如果用户因为游戏不好玩而流失，那么可能真实的原因就包括以下3种。

• 免费的道具太少了，过不了关。
• 游戏无聊，不吸引人。
• 游戏缺乏挑战性，没意思。

在这3种原因中，很有可能只有第一种原因的用户会响应市场调查，因为这类用户还对游戏有所期待。而且这类用户有大概率会在调查中反馈："免费的道具太少，要多给一些道具!至于第二、第三种原因的用户，因为其本身就觉得这个游戏没有意思，所以也懒得回应调查。这种反差导致回收的问卷有大概率反馈是:"免费的道具太少!”如果游戏策划人员真的相信了这种反馈，则很有可能在后续工作中会弄偏策划方向，导致因后两种原因流失的用户越来越多。

4.应对数据不足的办法

综合上述各种情况，在真实环境的商业分析中，都是以内部数据为主导、以外部数据为辅助的。指望通过“准确、完善、深入”的外部数据得到结论，根本就是天方夜谭。所以，即使要使用外部数据，也要先对内部数据进行梳理，列清楚问题假设，之后以外部数据作为辅助验证。

这时，要先了解目前业务人员对于问题的认知情况，一般有以下3种状态。

• 无假设：“用户流失看起来很严重，我不知道原因。
• 有假设，不确定：“可能是产品问题，也有可能是用户问题”
• 有假设，确定：“我猜是产品更新太慢，用户已经饱和了。

对于无假设的状态，应该先进行数据梳理，确认问题的发生时间、发生区域、发生群体，是事件型问题、系统型问题还是持续型问题?这样能帮助业务方形成假设，聚焦到某些问题点上。

对于有假设但不确定的状态，应该先梳理多个假设之间的逻辑关系，排除那些逻辑上相互交叉、相互重叠的假设，留下独立的、可检验的假设。比如有以下两条假设。

• 产品假设：产品缺少新功能，老用户玩腻了。
• 用户假设：老用户玩腻了，想换换游戏。

这两条假设本质上就是一个问题：产品缺少创新，老用户玩腻了，因此可以合并处理。又比如下面的两条假设。

• 产品假设：游戏有升级断层，新用户在第30关会卡关。
• 用户假设：第80关后老用户缺少游戏点，想换换游戏。

这样两条假设不重叠，就是独立问题，可以单独解决。如果业务方有明确的假设，就能直接验证假设。

验证假设，应首先从内部数据进行验证，缩小问题范围。

验证点包括问题的真假问题对应的用户群体、问题的具体形态。比如对于本案例，可以从以下几个角度构建分析逻辑树，先锁定当前主要的问题，集中形成假设，如图所示。

• 新手/非新手流失(上手难度)。
• 玩家饱和度(是否把玩点都玩过了)。
• 是否卡关(卡在某个关卡玩不过去)。
• 是否无资源(没有金币、钻石、道具)。

有可能在流失用户的群体中，同时出现几种问题。

比如对比上个月同期用户流失数据，在用户关卡分布上，很有可能存在多个问题点，如图所示。

此时就可以选择主要问题先进行突破，之后分步骤解决其他问题。比如，锁定了“用户饱和度高”这个主要问题，可以进一步丰富假设。用户饱和度也能用多个维度进行数据描述比如等级高、成就多、资源收集多、关卡基本都通过了……有了这些更丰富的描述，就可以进一步进行分层分析了，比如是否流失的用户就是等级高的，是否流失的用户就是成就多的…进一步锁定问题点进行验证，如图所示。

这样锁定问题点后，再采集用户数据时就有目标了。

• 清晰了采集数据的对象：避免大海捞针，可以分类找人。
• 清晰了用户问题：在问问题时先进行假设，如果用户的回答符合假设，则可证实自己的判断;如果用户的回答不符合假设，则可以发现更深层的问题，也是有收获的。
• 避免反馈出现偏差：对于特定群体用户，哪怕会多花时间也得找到。

对于外部问题也能做类似的梳理，逐步找到原因。

• 整体行业不景气：意味着全行业都有用户流失严重的问题，可以找行业专家、同行交流确认。
• 行业景气，品类不景气：意味着只有自己的产品品类有问题，可以找行业专家、同行交流确认。
• 行业景气，品类景气，竟品有大动作：意味着行业没有问题、品类没有问题，但自己的产品在竞争中处于下风，可以从竞品数据、流失用户访谈等多个方面来验证。

如果排除了行业、品类、竞品的因素，剩下的就是用户的问题，此时再做调研，要研究的问题非常聚焦，也能事半功倍，如图所示。

综上所述，通过从内部、外部、用户态度、用户行为等多个角度进行问题梳理，能形成清晰的思路，指导分析的开展，从而避免“大海捞针”式地采集数据。之后可以开始做进一步地分析了。

从内部数据角度分析

先不管各种复杂的外部因素或一些深层次因素，单纯站在内部可采集的数据角度看，用户流失率走势数据可能存在3种情况，如图所示。

(1) 事件型问题

由一次/多次事件引发的短期流失率波动。在数据上表现为有一个/几个用户流失率特别高的点。

(2) 系统型问题

公司的产品、流程、团队存在系统性缺陷，导致竞争力不足。在数据上表现为公司整体的用户流失率高于同行水平，并且居高不下。

(3) 持续型问题

因为某个不可知原因，用户逐步流失。在数据上表现为用户流失率从某段时间开始持续增高，未见好转迹象。 受事件影响，用户活跃率会在事件发生后随即下降，但因尚未到流失用户定义的节点因此未被统计。在3个月(或者达到流失用户定义的节点)后，用户流失率才开始突然增长，如图所示。

因此，在发现有事件型问题的数据特征时，需要做以下工作。

• 收集并密切注意相关事件。
• 做好事件归类(内部/外部、系统/价格/产品…)。
• 锁定受影响用户群体(打标签以备观察)。
• 关注受影响用户活跃变化情况。
• 观察事件对整体流失的影响。

这样就事论事更容易看出结果。在设计用户挽留方案时，也更容易对症下药，找到真正让用户不满意的原因比单纯地塞优惠券更能挽留住用户。

正面事件也会提升用户流失率。

单纯地提高非消费类软指标，最容易引发数据上的“虚假繁荣”。客观地说，只要有优惠活动，就会吸引一部分用户参加，而这部分用户天生流失率就高。主观上讲，运营人员为了制造好看的数据，也会减少活动的限制，从而留下一些漏洞。这两方面的作用，往往会使得正面活动的效果打折。

比如在吸引新用户注册时，由拉新活动带来的用户的流失率明显高于自然来的用户的流失率。

因此，在做活动的时候，就得提前考虑相关后果。想跟踪后续效果，方法也是相同的。

• 收集并密切注意相关事件。
• 做好事件归类(内部/外部、系统/价格/产品…)。
• 锁定受影响用户群体(打标签以备观察)。
• 关注受影响用户的活跃变化情况。
• 观察事件对整体用户流失的影响。

这样才能正确评判活动效果，避免过度营销等问题。

如果发现数据呈现系统型问题的形态，则说明自己的业务很有可能做得比对手差。此时诊断业务问题、改善业务才是核心。找出到底哪个业务环节出了问题,才能对症下药,着手改进。

用户在用户生命周期的各阶段的流失原因有所不同，分析的侧重点也不同，如表所示。

在应对系统型问题时，不同阶段考虑的重点不同。

在进入期，用户实际上还没有体验到我们提供的核心卖点，因此需要无差别改善流程，让用户尽可能体验到我们的核心卖点。在互联网行业中，往往关注“黑色一分钟”(用户从产品下载到注册的一分钟);而在传统行业中，往往强调迎客话术，尽快让用户做一次体验，试用一下产品。

用户生命周期在进入成长期后，需要分类对待用户。进入成长期后，边缘用户、“羊毛用户”会被淘汰，用户价值也开始分化。非核心用户就应该让其流失，一味挽留只会浪费经费，还会因为打折频繁而让品牌贬值。这时要特别关注的是核心用户的流失，核心用户的活跃率下降、生命周期缩短、新用户中的核心用户占比下降，都是大问题，需要细致梳理原因和解决。因为有可能在流失率涨上来之前，用户就已经开始流失了。

系统型问题不是一步就能解决的，而是持续迭代的过程。虽然通过分析能诊断出问题点，但解决方案并不见效，不能改善数据表现。因此，如果发现存在系统型问题，则需要进行以下操作。

• 选好参照产品，找准差距。
• 设计解决方案，投入测试。
• 记录测试结果，观察数据变化。
• 积累经验，保留有效方法。

最终，如果方法见效，就能看到用户留存曲线越来越接近竞争对手的用户留存曲线了用户流失率持续下降，这时候可以说系统型问题已得到解决。这中间可能要进行很多次试验尝试，因此需要做好观察和记录。

持续型问题往往最难解决。因为用户流失率、用户活跃率、用户留存率等数据经常出现不规则的小幅度波动，而不是大幅度地持续增长。这就是真正的“鸡肋”问题：放着不管，但是领导总询问;想管一管，但是没有头绪。甚至还有用户流失率已经涨了几天了，可分析报告还没写出来，用户流失率就又跌回来了。在现实工作中，这种情况常常让人“头疼不已”。

综上所述，通过内部数据进行分析并排除问题的顺序是：事件型问题 > 系统型问题 > 持续型问题。因为单次的重大事件最容易被识别，容易通过数据看清楚。同时，往往一系列事件是导致系统型问题、持续型问题的根源，能识别出具体事件对处理其他问题也有帮助。

对于系统型问题，在业务方经验丰富的情况下，能找到合适的标杆产品，因此相对容易处理。

最难处理的是持续型问题，因为用户流失率往往不会持续变化到特别严重的情况，而是小范围反复波动。在缺少经验、数据积累不足的情况下，很难完全识别这些小波动。所以针对持续型的小波动，如果真的在短期内分析不清楚，就设立观察指标先追踪，等到一定程度可能就可以找到线索。并且，在问题持续发展的过程中，有充足的时间寻找更多解决问题的手段。

从行业、竞品角度分析

行业分析由14个固定的板模内容构成，做行业分析时可以先分模块采集数据:如表所示。

做分析时，罗列事实和数据仅仅是第一步，如何基于数据和事实做判断更重要。做行业分析，要先清晰对象：对于一个行业的新用户/老用户，需要关注的点是不同的。

(1) 对于行业的新用户的核心关注点

• 这个行业在做什么(基本做法)。。
• 这个行业有多大的价值(是否值得做)。
• 进入的难度有多大(能不能做)。
• 要以何种方式进入(怎么做)。

因此，具体的分析逻辑如图所示。

第一步是前提，不懂做法，“新手必死”。

第二步是做出进入/退出判断的重要依据。

出现以下特征往往是明显的进入信号。

• 潜在空间大+市场规模小。
• 增长速度快，增长曲线陡峭。
• 大量新用户进入，资本大量涌入。。

至于具体怎么进入，进入哪个领域，进入后做什么，则要靠第三步和第四步的分析。

需要注意的是，在第三步和第四步，数据本身并不能讲明到底该怎么做，只能呈现出目前是何种态势，有几个细分领域，哪个成长快，哪个成长慢。具体怎么做，要看决策人的个人能力与发展意愿。

(2) 对于老用户的传统的关注点

• 面对多大的市场。
• 要和谁竞争。
• 要在哪里打败他。

具体的分析逻辑如图所示。

对于老用户的分析思维更接近博弈思维，其中关注的是和谁竞争，采用什么策略竞争，在哪里竞争，因此会更早关注到市场集中度，关注标杆企业，选中对手后再考虑策略。这其实也是竞争对手分析的思路。

还有一些因素会影响到行业发展的大环境，可以从“PEST”角度来分析。

• P(Politica1):政策。政策对行业的影响往往是立竿见影且致命的。
• E(Economic):经济走势。经济大趋势对行业的影响非常明显，上下游企业受影响都会“城门失火，殃及池鱼”。
• S(Socia1):社会群体。用户的数量、需求、爱好的变化，会引起产品的销量、地域分布的变化。
• T(Technologica1):技术。新技术会催生新商业模式、新产品品类、新细分市场。

TIP

注意：这 4种影响因素表现在数据上是有差别的。

• 政策的影响不言而喻，往往是“断崖式”下跌或“风口式”起飞。
• 对于经济趋势的影响，要具体看对行业的哪一端带来影响，再量化估计，如图 11-12 所示。

• 社会群体的影响，往往体现在目标用户群体数量、需求、购买力的变化上。这些变化直接影响的是细分品类的市场，不会像政策、经济趋势影响因素那样在短期内释放巨大的影响力，但是会表现为长期的变迁，比如细分品类需求减少、新品类的产生等。
• 技术的影响，往往体现在对商业模式、供应链，营销渠道的变化上，如图所示。

TIP

注意：“新的”不代表就是“好的”，新技术可能是机会，也有可能是陷阱，特别是还没看到成功商业个案的时候。盲目鼓吹新技术，只会徒增成本，拖累企业经营。所以对成本、产量的评估，对卖点的市场接受度的定量评估，对营销模式的定量评估非常重要。

以上就是最传统的行业分析与竟品分析方法了。但是这种传统的分析方法也面临着越来越多的挑战。因为现在跨界竞争越来越多，比如智能手机颠覆了传统的消费电子产品，电子签约技术严重打击了快递市场(因为使用电子签约技术后，就不再需要邮寄纸质文书了)，因此，仅仅盯着业内的对手布局，很可能被跨界来的对手“打趴下”。每当有新技术、新环境出现的时候，行业研究人员往往会关注新业务的业务逻辑，从业务逻辑的角度来推演对自身的影响，而不是等着数据出现变化时再来解读--那时可能已经晚了。

从以上分析过程可以看出:行业研究重在趋势分析，因此很难对产品的某一个具体功能点进行细致的分析。实际上也不需要细致到这个程度，因为行业大环境带来的影响往往是长期的.深远的、反响巨大的。如果整个行业真的要“变天”，则一定会在内部数据上有明显的表现:行业内实力强劲的企业的业绩波动弱于行业整体波动，而实力不济的企业的业绩波动会高于行业整体波动。此时，内部数据一定会有体现，且同行会有明确的表态，因此很容易识别到行业大趋势的变化，如图 11-14所示。

至于竞争对手的影响，一般而言，在只有几个寡头垄断的市场中，才会有明显的竞争对手博弈效应。在大部分情况下，只要没有明显遭遇行业寒冬期(上游断链、下游萎缩、用户大量出逃)，在众多企业分散竞争的市场中，行业因素影响非常小，竞争对手也很少直接撞车。通过观察行业内前3名/前10名企业的业绩与其他企业的业绩差距，可以识别出到底市场是处于哪种竞争态势，如图 11-15 所示。

特别是类似本案例的情况，受行业的影响更小。本案例的用户数仅有十几万人，相比用户数为上亿人的游戏市场来说根本就是九牛一毛。这个时候远远谈不上所谓的“受竞争对手影响”，自己产品/运营做得好不好才是关键。特别是游戏是一个创意性极强的产品，很容易通过研发设计实现差异化，避免同质化竞争，为自己争取到生存空间。所以，可以直接排除宏观因素的影响。下面具体看看用户到底为什么会流失。

从用户态度角度分析

很多人会认为用户访谈很简单：“不就是问问题吗，我也行。”于是便经常出现以下画面。

访问者:“你幸福吗?

用户:“我姓焦……”

即答非所问，场面非常尴尬。

想避免这种问题，就得提前设计好问题，做好访问计划。

1.第一步：了解基础数据

在访问用户前，要对用户的情况有基础的了解。比如在本案例中，要访问的是流失用户则对于用户在流失以前的情况，如下载游戏渠道、是轻度用户还是重度用户、是否付费、最后登录时间、成就获得数量等要有基本的了解，最好能形成假设:

• 用户过于饱和，所以流失。。
• 用户卡关，所以流失。。
• 用户是学生，自然流失。

这样在询问流失用户时才能有所侧重，避免随意提问造成用户答非所问。

2.第二步：做好用户分层

为了避免反馈出现偏差，在事前要做好用户分层(比如根据游戏等级、付费等级、成就获得数量划分用户 )，各个分层的用户都要覆盖。对于在内部数据研究中发现问题严重的用户群体，可以多设置样本，但问题较轻的用户群体，也要有代表样本，避免调查群体过于单一。

在邀约用户访谈的阶段,可以关注是否有太多用户来自同一群体。比如在访谈用户的时候发现用户主要来自学生，一方面，在做内部数据分析的时候，可以多关注是否在9月初这个开学节点，会流失大量用户;另一方面，在邀约用户访谈的时候，得更加注意找非学生的代表用户。

3.第三步：设计访谈问题

这是最考验商业分析师功力的部分，设计访谈问题时要避免以下几个方面的内容。

(1)避免多重口径，避免时间模糊

比如不要问“您最近为什么不玩游戏了”，这个说法太含糊。可以问“您的手机上是否还有 xx 游戏”“最后一次玩 xx 游戏是什么时间”，这样就清晰多了。

(2)避免专业术语，避免诱导型问题

比如不要问“您为什么流失了”，流失是公司的内部术语，不是用户所用的语言。可以问:"您最后一次玩 xx 游戏是什么时间，在此时间后是否还玩过”。不要问“您为什么觉得我们的游戏不好玩”，这是诱导型问题(引诱用户讲“游戏不好玩”)，可以问“您在 xx 时间以后不玩游戏的原因是什么”

(3)避免用形容词，用能还原场景的具体描述

比如用户回答“因为游戏不好玩”，“好玩”是一个形容词，或者回答“因为游戏不好看”好看”也是一个形容词。此时不要停止询问，而是让用户指出具体的不好玩/不好看的场景比如打开游戏，指着游戏界面问哪里不好玩，还原操作。或者打开用户认为好看的游戏场景直接截图，记录用户喜好。

(4)尽量现场操作，不要只用口头描述

即使做了以上动作，口头描述的准确度还是很低的，最好能让用户现场体验产品，当场做评价。更好的是让用户拿出替代自己产品的竞品，现场演示，记录用户的反应。

(5)按照一个时间线，从头到尾访问，不要跳跃

比如按照最初怎么下载游戏，之后怎么玩，再之后又换了什么游戏的顺序逐一访问，避免东扯一句，西扯一句。 以上只是一些基本的注意点，这些注意点是为了尽可能多地获取准确的用户意见，避免用户的回答被人为干扰。总之，访谈的技巧需要长期的训练才能有提升。

4.第四步：执行访谈计划

根据之前设计好的人群、问题进行访谈。在访谈中，如果有额外的发现，则可以临时增加样本。比如发现游戏中不使用道具的用户流失严重，则可以增补使用道具的用户样本，了解这些使用道具的用户是如何学会使用道具的，再针对不使用道具的用户进行测试，看他们学会使用道具以后，是否对游戏更有兴趣。

5.第五步：总结访谈结论

TIP

注意: 访谈的用户数量不是无限的。如果分析人员亲自做访谈，那么其一周最多可以访。谈十几个人;如果找专业的调研公司，那么每个访谈都需要付出成本。所以不能指望无限制地进行用户访谈，而是要及时总结结论。

比如，通过访谈发现“50 关”以后，游戏难度突然增加，用户过关压力大，道具效果不明显是用户流失的主要原因，则可以得出3个后续分析线索。

• 线索 1:如果让产品降低难度，那么可能会减少用户流失。
• 线索 2:如果让运营开展活动，多送道具，那么可能会减少用户流失。
• 线索 3:能力强(不会在一关卡很久，道具使用数量少)的用户流失率更低。

这3个线索都能支撑后续的分析和运营工作了。这种阶段性结论要及时输出，再结合内部数据获得更准确的结果。

6.第六步：检验访谈结论

有了后续分析线索就能做检验。检验包括数据测试层面的检验与数据分析层面的检验。数据测试层面的检验针对线索1和线索2。如果分析得够准确，则对应开展活动后能有效遏制用户流失。当然，数据测试需要做分组测试(比如分为有道具增加组/无道具增加组)，并且需要运营和产品的配合。

• 数据分析层面的检验针对线索 3，可以直接用内部数据验证。如果按单一关卡停留时间分层，发现单一关卡通关时间越短且道具使用率越低的用户，流失概率明显减少，则可直接验证假设。
• 数据检验与数据测试是非常重要的一步，只有通过这一步才能把访谈调查回来的结论与内部数据联系起来，进而推导出正确的结论。

小结：商业分析的6种基本工具

解决商业分析问题可以使用以下6种基本工具。

• 报表跟踪：最基础的工具，以固定格式跟踪数据。
• 专题分析：针对单个问题的深入分析。
• 算法模型：对某些特定问题(预测/分类)进行的建模。
• 数据测试：通过A/B测试、增长实验等手段，检验结论。
• 用户调查：弥补内部数据不足，主要采集用户态度/体验数据。
• 行业研究：弥补内部数据不足，主要采集行业/竞品数据。

实际上，在解决商业问题时，在大部分情况下数据是不够用的。通过本案例也能看出来即使是互联网企业，也无法采集完所有的数据，也得依靠用户调查，配合测试手段才能最终得到准确的结果。

这6种基本工具本身各有特点，如表所示。

根据这些工具的特点，建议用下面的方法分配任务。

(1) 报表跟踪要做好

业绩监控、用户情况监控、活动监控要及时做，并且业务方在监控中发现的问题、处理问题的经验、用户的基本特征、业绩的基本走势都要有经验积累，这样才能及时发现问题，遇到问题也有经验可以参考。

(2) 针对特定问题的专题分析、算法模型要不断积累

对于同一个问题，第一次分析时尽量做深、做透，把分析维度、结论、算法模型积累下来，遇到同样的问题时就不会再不知所措。

(3) 数据测试要预留费用、人员

有需要的话，就投入生产系统/业务团队进行测试，测试过的结论才是正确的结论。

(4) 用户调查/行业研究要避免突击性工作

在短期内很难收集到大量的数据，只能通过花大价钱向第三方/专业调研机构去购买合法的数据。其实在平时，可以慢慢采集数据，这样既节省成本，又能在行业内建立起采集信息的渠道。

整套工具体系的运作流程如图所示。

• 常规的报表跟踪，定期的用户调查/行业研究要做好。
• 遇到问题，如果能快速锁定，则提交数据测试，检验解决问题的效果。
• 不能快速锁定，则做专题分析，深入研究。
• 所有分析结论均需通过数据测试检验效果，沉淀经验。
• 在积累了足够的数据，有了清晰的应用场景以后再通过算法模型分析，总结结论，沉淀模型。

这是最理想的状态了。

但很有可能，企业的数据建设起步晚，已经积累了一些历史数据，而一些基础建设的数据不多。怎样结合企业业务现状，选择及使用这些工具呢?商业分析工具的选择和具体的问题场景有很大的关系。商业分析项目也是企业的项目，所有企业的项目都要牢记“时间、成本、质量的铁三角”原理:

• 一分钱一分货
• 时间短+成本低=质量差。
• 时间短+质量好=成本高。
• 质量好+成本低=慢慢磨
• 时间短+成本低+质量好=不存在

商业分析也是如此，在商业分析中有以下几个方面需要注意。

• 时间:留给分析人员的时间有多少?
• 成本:数据丰富程度、数据质量、数据开发人员的数量。
• 质量:分析的深入、精确程度。

“时间短+成本低”，意味着分析必然不精确。既没有丰富的数据，又被领导催着出结果这个时候最好的办法就是采用报表+用户调查(而且是内部用户)，通过报表快速锁定问题点然后直接打电话问对应的业务方:“到底出了什么事?”

“时间短 +质量好”，意味着成本必然很高，这时需要做以下工作。

• 平时就有完善的数据建设，丰富的数据采集。
• 用户分层、用户偏好、用户特征标签提前做好。
• 业绩、活动、库存等报表运转正常。
• 对典型用户体验的访谈有固定的开展模式。
• 消费预测、流失预警等模型提前建好。
• 在分析结论上有充足的积累，对于常见问题有现成的结论。
• 对行业趋势、竞品动作、企业内部业务动作定期收集。
• 数据部门有独立行动权限和独立测试预算。

在这么多资源的支持下，才能在短时间内对问题做出响应，从多个维度论证问题，并且及时开展测试，最后得到正确的结论。这里列出来的每一项工作均有意义，表 11-5所示列出了如果少了某项工作，会带来的后果及需要弥补的难度，供读者参考。

在这么多资源的支持下，才能在短时间内对问题做出响应，从多个维度论证问题，并且及时开展测试，最后得到正确的结论。这里列出来的每一项工作均有意义，表 11-5所示列出了如果少了某项工作，会带来的后果及需要弥补的难度，供读者参考。

那么是不是没有丰富的资源，就无法分析了呢?也不是，即“质量好+成本低=慢慢磨”。

如果不想投入很多资源，又想分析得很精准，就只能慢慢扩充数据、慢慢积累经验、慢慢分析问题了，这样也能做出好成果，就是花时间而已。

深思：缺少工具，无法做出深入的分析

商业分析有6种基本工具。可在现实工作中，完全是另一番景象。专业的数据分析师/商业分析师经常会遇到以下尴尬的局面。

• 报表跟踪：太简单了，没技术含量，领导也不重视，不想做!
• 专题分析：被业务方牵着鼻子走，非得把差的说成好的，做不好!
• 数据质量太差，难度太高，没处落地，没得做!算法模型:
• 自己手头没资源，业务方不想配合，还是没得做!数据测试:
• 用户调查:没有专业的团队，随便做做，业务方又不认可，做了也是白做行业研究:很想做，可没有数据，只能搜几个统计的粗略数据，白做!

以至于数据分析师/商业分析师经常自我调侃:“想了解业务方是不可能的，建模算法又不会，就只能靠着写个'环比下降 3%，建议提高’，把 PPT版面填满，这样才能维持自己在工作的样子……

所以相当多的数据分析师/商业分析师每天沉迷于“文字游戏”，埋头整理内部数据。他们名为“商业分析师”，实则一不懂商业、二没有分析，如果问他们下面的问题：

• 本行业商业模式是什么？
• 用户生命周期有多长？
• 行业内留存率是多少？
• 核心用户是什么群体？
• 核心卖点是什么体验？
• 竞争对手有多大差异?
• 运营当期目标是多少?
• 当期实际完成是多少?
• 最近已做了什么行动?
• 最近还要做什么行动?
• 出现了哪些意外BUG?
• 最新改动有什么影响?

则回答通常是不太知道，甚至是统统不知道。你问他们知道什么？他们只知道写代码、分析数据指标，然后按用户年龄、性别、注册渠道、购买频次等指标做一大堆交叉表，最后对着一组组数据发呆：这到底说明什么了呢?

然而，在业务方那边，完全是另一种场面，

• 报表跟踪：不就是一行数吗，懒得看!
• 专题分析：就怕领导怪罪，所以必须夸大!
• 算法模型：这个厉害，总之自己不会做的，就用模型!
• 数据测试：什么叫测试?为什么还要测试?为什么要我测试?
• 用户调查：我就是用户!还要什么调查!我说了算!
• 行业研究：我就是专家!还要什么研究!我说了算!

面对数据，业务方经常处于盲目自信和盲目自卑之中：没出问题，就视数据，觉得自己经验丰富，包打天下;出了问题，不去深入思考，不做测试验证，就指望高级算法工程师来做一个模型，把问题“一炮”解决。在这种状态下，反而失去了实事求是的态度,失去了总结成果,积累经验的机会。平时对业务的基本形态缺少细致的分析和经验的积累，遇到复杂问题时，当然束手无措了。

以上现象在各个企业里都普遍存在，这也是为什么商业分析很难在企业里做出成效的根本原因。

商业分析是一个细致、烦琐、具体的工种，如果一定要类比，它更像一位建筑工，从采集数据开始打地基，采集各种行业、公司、员工、用户的信息作为建筑材料，细致耐心的逻辑梳理是它的图纸，最后才能搭建出各种壮丽美好的建筑。

商业分析工作需要的从来不是一个“高手”，而是一个用事实说话的团队，一个完整的数据系统，以及一群认真梳理问题、积累经验的人。