如何获取app的新增用户、活跃用户、启动次数、使用时长等数据？
到底什么是主动？在日常与外界合作的过程中，我们经常会有日活跃、周活跃、月活跃等信息。，这听起来很简单，但是如果我们实际执行统计数据，我们发现我们并不理解这些定义，所以作为一些分析师甚至开发者，我们会觉得很难操作。下面，我将介绍三种活动的定义、用法、分析方法和注意事项。限于篇幅，我今天就说说日常活动的分析和运用。
日常活动
统计标准
日活跃的统计标准有很多，包括RPG中的日活跃角色数和日活跃账号数。这类游戏因为人物塑造的问题，一般分为两种统计方法。一般来说，日活跃账户数比较常见，可以认为是日活跃用户数。当然，很多游戏室并没有这样的多角色概念，所以最好以日活跃账户数作为统计标准。
当然也有一个统计标准，比如MAC，统计的是日活跃设备数，但是价值比较小。
定义标准
统计当天登录游戏的账号数量，这里需要复制。
比如某一天有1000个账号登录游戏，总登录次数为1600次(因为部分账号重复登录游戏)，那么当天的日活跃账号数为1000。不要小看这个解释。在实际操作中，经常会出现问题。例如，当我们在SQL语句中提取数据时，我们应该添加distinct以消除重复:
从playerlogintable中选择count(distinctpassportid)
如果不加distinct统计，就是所有登录玩家的总登录次数，那么会有很大问题。
日常活动能分析出什么？
事实上，单日的日常活跃度只能与前一天或历史同期相比较。但是日常活动能起到的作用远远超出你的想象。
核心用户规模
其实核心用户规模的衡量是和产品周期结合在一起的。在大多数游戏中，日常活动的构成可以分为以下几个部分。
其中新增用户对日活跃用户的影响最大，新增用户占比达到40%，这其实也是判断游戏核心用户规模的依据之一。
从上图的构成来看，如果新用户不断转化为稳定的老用户，那么老活跃用户的规模在增长，同时如果新用户的注入水平不变，可以看出游戏的核心用户在增长，新用户的日活跃用户百分比在下降；如果新用户的注入水平也在增加，并且不断转化为老用户，也就是核心用户的规模也在增加，那么新用户的百分比就会在一个区间内稳定变化。
刚才提到的核心用户规模之所以用日活跃用户来衡量，是因为以日为衡量单位客观上反映了用户的游戏热情，以日为统计长度恰好与用户游戏的最短周期周期相吻合。
那么在日常分析中，我们可以简单的计算一个周期内的日新增用户和活跃用户的比例，看一个长期的趋势，这在一定程度上反映了核心用户的规模增长。
那么这里就会有人问，你怎么看待回头客的作用？
事实上，回头客对日活跃用户的贡献率极低，但这部分贡献是不可忽视的，因为各大节日、渠道推广等各种营销手段推出后，会对游戏日活跃度有很大的贡献价值。但总的来说，这部分的贡献比例比较低。
说了这么多，老用户和回头客的定义是什么？此处仅给出参考标准:
返回用户:统计日登录游戏，但前7天未登录游戏的历史用户(所谓历史用户是指非新用户，历史上登录过游戏的用户)。
老活跃用户:如果计算比较粗糙，可以这样计算:
每日活跃用户-每日登录用户-每日返回用户
当然，如果你想准确衡量老用户的规模，你可以给老用户一个定义，比如:
根据统计，第一天登录游戏的用户，在此之前的7天内都有再次登录游戏的(注意新用户没有严格区分，即第二天登录的那部分新用户也算作老用户，这部分对老用户的影响可以根据实际需要提出)。
下面我们简单说明一下如何利用DAU通过几条曲线来分析问题。
首先，我们需要得到划定时间段的DAU和DNU的曲线，如下所示:
在这个图中，我们DAU和DNU的走势基本一致，DNU对DAU的影响还是比较大的。但随着后期波动的减小，我们发现从106天到280天，两条曲线呈现缓慢下降的趋势，但这不足以说明问题。仔细观察后，我们发现夹在两条曲线之间的区域在逐渐缩小。而这部分地区是DAU除DNU以外的部分，也就是说，我们可以认定它是老用户。这个面积的减少意味着用户流失的加剧，对活跃用户的控制是不合适的。另外，也可能是短时间内新用户留存率低造成的，所以需要结合留存率来看问题，这里不讨论。
发现上述情况后，我们可以用DAU-DNU的差异来做一条曲线来分析这个问题。如下图所示:
可以明显看出，这种差异在逐渐减小，也就是说，用户的活跃度在下降。这种下滑既可以归咎于后期引入渠道的用户质量不高，也可以归咎于产品本身的用户周期问题。但由此得出结论，在此期间，迫切需要推动用户规模的增长。所以可以看出，经过两次相应的拉动，规模得到了提升。
另外，还要看新增用户的比例曲线。如上所述，基本维持在40%的水平，但值得注意的是，当处于相对稳定的时期，即使有大规模的推广和促进新的增长，比例也不会发生太剧烈的变化。唯一激烈的原因是原游戏的老活跃用户在下降，流失更多。
当然，用户流失、产品粘性等等都可以从DAU的不同角度进行分析，得到相应的信息，这也需要结合其他数据进行分析，比如次日留存率、用户流失率、启动次数、登录时间分布等数据。如果DAU有很多假用户，比如1-3s用户，那么在正常的网络和设计条件下，这个数据可能是很多假用户。
再比如，通过事件管理，可以区分推广期和非推广期用户增长对DAU的影响，比如自然增长期新增用户对DAU的影响，判断DAU的好坏和渠道的好坏；或者推广期间新用户对DAU的影响分析。
如有必要，可以结合用户的登录习惯，如登录次数、登录天数等来确定忠实活跃用户的阈值，以保证DAU的质量。
其实在DAU的背后，隐藏着很多问题和分析的元素，也需要结合自身的业务需求。这里只是给大家提供一个分析思路和方法。至于具体问题，要结合具体需求来分析。不过话又说回来，DAU的分析离不开细分数据和其他数据的支持，但并不总是需要通过细分来分析数据。因为有一些因素不是通过细分数据就能得到的，也是积累的经验，这部分的分析见这里。
文章来源:博客花园