有了这两者,即可去计算为了目标DAU,需要去提升的日新增量以及留存了。
二、举个例子
为了方便理解,举一个例子。假设留存稳定不变,现日均增量为x1,为了在3个月实现数值为y的目标DAU,每个月迭代1个版本,具体拆解每个版本的目标,方式是这样的:
1)计算出留存函数R(t)
2)v1.0版本的用户,在3个月后:
DAU增量=x1*R(t=1,2,3,4,5……90天)=x1*R(1) x1*R(2)…… x2*R(90)
v2.0版本功能迭代带来的新增用户(比如新增了个入口,且不影响之前的渠道增量):
DAU增量=x2*R(t=1,2,3,4,5……60天)
v3.0版本迭代的新增用户:
DAU增量=x3*R(t=1,2,3,4,5……30天)
3)为了ROI更高,采取等额获客,x2与x3应该差不太多。
4)已知目标y,x1,R(t),是可以计算出每个版本的增量目标的(即x2、x3),知道每个版本的增量目标,能够更细颗粒度地去拆解所做的需求。也知道需求是否达到预期,是否需要做后续的补救(未及预期)或者是选择躺平(超出预期)。
通过DAU的拆解,也能够迁移学习,去拆解其他的下层指标,比如互动、营收等等。
我也见过通过分层拆解 加权系数的拆解目标的方式,拆解目标的方式有很多,选择适合自己的即可。