万字长文把大屏用户活跃讲透（上篇）
流媒体网（ID：iptvott）原创
作者|史上
三流活跃靠活动，二流活跃靠运营，一流活跃靠产品。
第二届抖音创作者大会上，字节跳动CEO张楠公布了抖音最新的数据：截止2020年8月，包括抖音火山版在内，抖音的日活跃用户数超过6亿，过去一年，有超过2200万人在抖音累计收入超过417亿元。张楠表示，未来一年抖音希望把这个数字继续翻倍，让创作者们的收入达到800亿。
同时，抖音市场负责人史琼表示，未来一年抖音将投入价值100亿元的流量资源，通过流量扶植升级、服务手段完善、变现渠道扩展三方面帮助广大创作者在抖音平台赚到800亿元。这则新闻让笔者羡慕抖音大手笔投资的同时也惊讶于抖音的活跃用户数如此之高。为什么活跃用户数如此重要以至于要拿来专门公布？答案是在互联网行业中，活跃用户数是衡量一个产品价值大小的最重要的标准没有之一，这个数据主要是给投资者信心。互联网产品变现的方法千百条而活跃用户数则奠定了变现的基础和产品变现能力的天花板。
笔者作为一名曾经的大屏产品运营经理，虽然大屏产品和互联网产品在商业模式上存在巨大差异，虽然各驻地至今以收入多少来进行唯一考核而不是活跃用户数，但不可否认的是活跃用户数绝对是衡量产品价值的重要维度，本文我们就来具体详谈关于用户活跃的问题。另，笔者前文《实战：两个提高大屏产品用户留存率的新经验》提到用户留存和用户活跃的关系，为了促进理解读者可以一并阅读。
活跃用户的本质是相对于流失用户，活跃用户是指那些会时不时地使用大屏产品并不断为产品带来价值的用户（为产品花时间花钱），而流失用户是指那些曾经使用过产品但出于某种原因对产品失去兴趣的用户（单包月用户居多）。活跃用户用于衡量产品的现状，而流失用户则用于分析产品被平台淘汰的可能性大小以及产品留存用户能力的程度。我们经常看到某产品号称百万千万甚至过亿用户往往多数是指累计用户数，而累计用户数对产品来说并没有太大意义，因为没有计入流失用户，可能累计的总数里有几千万用户都已经不再使用产品。所以对于一个大屏产品而言核心是活跃用户数而非累计用户数，是活跃用户在为产品创造价值。当然不同产品对活跃用户界定标准不同，即使同为大屏产品，影视产品的活跃度和教育产品也不在一个量级。
另外，活跃用户统计中我们往往将日活跃用户和月活跃用户数作为两个主要维度，即每日，每月某产品分别累计有多少用户进行平台登录，使用操作，更详细的还可以通过使用时长进一步划分，即用户使用0-0.5小时有多少用户，使0.5-1小时有多少用户，等等以此类推来判断用户对产品的活跃程度。
1.大屏本身属性
相比较手机的可移动性，大屏产品都是在电视上传播，电视在家庭中处于固定位置，故存在天然劣势。
2.产品属性
大屏产品大致分为电影、电视剧、少儿、动漫、教育、体育、游戏、音乐、新闻、综艺、标签页、专题页、竞品推荐页等。产品自身的不同属性在一定程度上会造成用户使用的频率不同，我们一般按照活跃率梯度进行划分：
活跃率梯度 | 产品 | 活跃率 |
一级 | 电影 | 70%以上 |
电视剧 | ||
综艺 | ||
少儿 | ||
体育 | ||
游戏 | ||
新闻 | ||
二级 | 动漫 | 30%-50% |
音乐 | ||
三级 | 教育 | 25%以下 |
3.产品的用户体验
针对产品用户体验的重要性笔者不再多谈，前文《4500字把大屏产品用户体验讲透！》已经详尽叙述，文中介绍了产品的用户体验对于活跃率、转化率、次月用户流失率、产品年投资回报率等各项指标的重要影响。好的用户体验甚至可以直接拉开与竞品的距离，让用户直接使用产品而不需要对比选择。事实也无数次的证明同样的版权内容，产品经理在用户体验上设计的不同，收入结果存在数倍差距。
4.用户
用户本身是一个维度，我们根据一段时间内使用产品的次数将用户分为：种子核心用户（高频使用）、普通用户（中频使用）和普通用户（低频使用）。经调研，一方面与产品本身的吸引力相关，另一方面也与用户本身的生活作息时间息息相关。
作为大屏运营经理的我们都知道运营工作的三大核心目的：拉动新用户，促进老用户活跃和用户留存。用户打开电视一旦触发我方产品即计算一次活跃，我们通过时间维度有周活跃用户、月活跃用户、季度活跃用户、年活跃用户。在一个自然周内触发一次产品则本周为周活跃用户、月活跃、季度、年用户同理。
我们假设有一款OTT产品，在4个月内的用户活跃数据如下：
月份 | 1月 | 2月 | 3月 | 4月 |
活跃用户数 | 11020 | 21789 | 32880 | 45904 |
单看这个数据无法判定活跃是高还是低，因为产品不同活跃用户数差别很大，比如教育产品相比较影视产品来说活跃用户总数不多但活跃率很高，你无法判定产品不好。所以，我们应该看的是比率，即活跃率。活跃率是某一时间段内活跃用户数在总订购用户量的占比。按照时间维度引申，也有日活跃率、周活跃率、月活跃率等。一般而言：活跃用户数看的是产品的市场体量。活跃率，看的是产品的健康度。用户运营更多的职责是监控活跃率的变化，并且想办法提升它。接下来我们加入订购数据：
月份 | 1月 | 2月 | 3月 | 4月 |
活跃用户数 | 11020 | 21789 | 32880 | 45904 |
累计订购用户数 | 11020 | 25488 | 39889 | 56039 |
活跃率 | 100% | 85.49% | 82.43% | 81.91% |
从表中我们可以看出活跃用户数逐渐上升，但活跃率逐渐下降，这对于一个新产品来说趋势正常，不可能所有用户都活跃。我们在表格中加入当月新增订购数来看看：
月份 | 1月 | 2月 | 3月 | 4月 |
活跃用户数 | 11020 | 21789 | 32880 | 45904 |
累计订购用户数 | 11020 | 25488 | 39889 | 56039 |
当月新增用户数 | 11020 | 13699 | 17009 | 18135 |
活跃率 | 100% | 85.49% | 82.43% | 81.91% |
这时，我们有个疑问，这种计算方法是否能真实的反映当下产品的活跃率？（很多朋友都是这么计算的）。我们再来回顾用户的行为逻辑发现一个问题，即当月新订购的用户肯定是当月使用产品的用户，所以也一定是活跃用户。但我们的活跃率计算所统计的活跃用户数包含了当月用户数，那么我们的统计就无法反应真实的用户活跃情况。所以，我们需要将当月新用户和老用户分离开来，表格如下：
月份 | 1月 | 2月 | 3月 | 4月 |
订购总用户数 | 11020 | 25488 | 39889 | 56039 |
当月新订购用户数 | 11020 | 3699 | 7009 | 10135 |
留存老用户数 | 0 | 21789 | 32880 | 45904 |
此时，我们已经将新用户和老用户进行剥离，接来下我们需要转变思维。只计算某月用户的次月留存数据，即1月份11202个用户在2,3,4月留存率，2月新增用户数3699在3,4月留存率，3月新增用户数7009在4月留存率得出以下表格：
月份 | 1月 | 2月 | 3月 | 4月 |
月活跃用户数 | 11020 | 5678 | 4567 | 3444 |
月活跃用户数 | 0 | 3699 | 1678 | 908 |
月活跃用户数 | 0 | 0 | 7009 | 4399 |
月活跃用户数 | 0 | 0 | 0 | 10135 |
则我们可以真实的计算出：
1月订购用户在2月，3月，4月的活跃率分别为：51.5%，41.4%，31.25%；