洞察用户生命力的核心在于通过颗粒度更细的数据，将产品内部的化学反应呈现出来。让我们能够进行分析，能够更精准的对问题进行定位。

洞察用户生命力是制定产品数据增长策略的基础条件，或许你已经阅读过数据增长相关的书籍，但仍然很难做好数据增长。

并不是书籍上的内容有所偏薄，真实的原因是因为我们缺少对用户生命力的洞察能力，这导致我们没办法正确的将这些方法付诸实践，并不是方法错误，而是我们没能发挥方法的价值。

完整的数据增长策略应该是     合适的时间做了合适的事情   ，只是知道“事情”是远远不够的，我们还要有“时间”的概念，更需要知晓联系时间与事情之间的“合适”是何种含义。

当你具备对用户生命力的洞察能力时，数据增长策略就不再神秘和难以下手了。

如果我们能够在用户心情愉悦时，诱导他付费升级，在用户迫切需要的地方，诱导用户分享转发，那么我们的付费率，我们的分享率便会极大的提高。

困难的地方并不在于如何让用户愉悦，也不在于如何让用户迫切需要，而是我们如何去洞察，什么时候用户愉悦了，什么时候用户需要了。

这不是拍脑袋的直觉，我们需要更客观的数据进行分析佐证。

    洞察用户生命力的核心在于通过颗粒度更细的数据，将产品内部的化学反应呈现出来。让我们能够进行分析，能够更精准的对问题进行定位。  

在上一节的案例里，我们补充几个数据信息，你会发现问题发生了极大的变化，你的策略或许在投入市场之前就可以被判定无效。

经过一段时间的数据观察，我们发现新用户的留存数据非常良好，次日留存率甚至远高于市场平均数据，达到了惊人的70%，7日留存率也在60%，30日留存率则是50%。也就是说每天新增10000用户，在第30天时，至少有15万至20万用户是会计入日活数据的。但日活数据依然是100万，并没有因此提升。

这表示，新用户的留存并没有太大的问题，他们确实留存在产品里了，日活数据没有提升是由于其他原因导致。因为问题定位偏差，你准备的若干方案都变得没有了意义。这样的事情每天都在我们的工作中上演，一旦问题定位偏差，你的任何解决方案都没有了意义，如果已经投入到开发阶段，势必会导致资源的耗损，时间的耗损。

更重要的是，你会一次一次的透支团队对你的信任度，你的压力将会伴随每一次的实施结果而倍增。尽管我们可以通过良好的沟通能力，出色的领导力去调动大家的积极性，但这并不能坚持很长时间。

任何措施都只能在表面维持友好的现象，任何伪装都无法掩盖你的信任度面临余额不足的问题。

犹如我对此的形容：     这是一个困境，而你深陷其中，在极大压力的背景下，你极有可能继续作出错误的决策，也许你会将毒蛇视为能够助你脱离困境的绳索。  

难以避免的，你将会越陷越深，最后的结局也许是产品下架，项目组解散，甚至公司解散。而这一切的罪魁祸首，导致你作出错误决策的根本原因在于我们缺少对用户生命力的洞察。

因为缺少洞察力，致使我们没办法准确的定位问题，直接导致我们做出了错误的决策。如果你能准确的对问题进行定位，结局将会截然不同。

依然是相同的案例，经过更深层次的数据分析，你已经发现日活数据不再增长的原因并不是新用户留存，为此，你需要颗粒度更细的数据分析模型，来帮助你找出真正的问题所在。

通过对最近7天日活用户的详细分析，你得到了日活用户的生命力分布如下：

在每天登录的100万用户里，0%的用户拥有150天以上的注册时间；5%的用户拥有120天的注册时间，；10%的用户拥有100天的注册时间；35%的用户拥有80天的注册时间；25%的用户拥有60天的注册时间；15%的用户拥有30天的注册时间。

数据表明，真正的问题并不是新用户的留存，而是老用户的存续。

在100万用户里，仅仅只有10万用户拥有100天以上的注册时间。这表示今日新增的10000用户，在100天后将仅剩1000用户，而在150天的时间内，这部分新增用户将会流失殆尽。

用户生命周期短暂，只能聚集150天存续用户的合集，超过150天的用户则会静默死亡。

这个问题才是月新增30万用户，但日活数据没有提升的根源所在。

对应的解决方法是延长老用户的寿命，让更多的存续80天的用户，能够存续100天，更多的用户能够存续120天甚至更长的时间。

在颗粒度更细的数据分析里，累计用户从来不是由始至终的持续累积，而是用户寿命范围内的累计。

这需要你准确定义出在产品内大部分的用户寿命有多长，并以此为区间值，统计该区间范围内的新增用户数量作为有效累计用户。

在案例里，有效的累计用户，便是150天的累计新增用户，按照每天新增10000用户的背景计算，也就是150万的有效累计用户，而不是持续累积下来的1000万用户或者2000万用户。对于已经彻底死亡的用户而言，除了能让数据看上去比较好看以外，不具备任何分析价值。

不仅如此，实际上这部分数据往往是我们在分析过程中的障碍，常常让我们错误的预估了形式，错误的定位了问题，最终提出了错误的解决方案。

数据分析的颗粒度过大，导致我们难以准确的定位问题，同时也影响了我们对用户生命力的洞察。

在案例当中，如果我们可以提高用户的生命力让更多的用户从80天的使用时长进入100天的使用时长，也就是在日活用户当中提高老用户的占比，便可有效提升日活数据。而提升新用户的占比，则意义并不会太大。

在案例的数据模型当中，注册时间在80天以前是一个存续累积的过程，日活占比越来越高，而在注册时间80天以后，用户开始大规模流失，日活占比越来越低。

提升80天以前的用户留存，是一种事倍功半的策略，即使我们让更多的用户存续80天，但在80天以后依然会产生大规模流失。

提升80天以后的用户留存，则是一种事半功倍的做法，是一种延续用户生命力的策略。

通过将更多的用户从80天的生命周期延长至100天，最终表现形式是提升存续100天以上的用户占比。即使我们没有额外的新增用户，因为老用户的存续累计作用，也能极大提升日活数据，甚至有部分用户的生命力能延长至150天以上。

我想你已经发现了，     日活数据里，老用户占比越高，产品的日活用户越多，越能呈现一个正面发展的趋势，反之，如果日活用户当中，新用户占比越高，则表示产品进入了一个瓶颈期。  

此时，我们去提升更多的新用户留存便是事倍功半，你需要花费更多的精力和成本，但效果却并不如人意。而延长老用户的生命周期则是一种巧劲，能够带来根本上的改善。

    洞察用户的生命力，是产品进行数据增长策略时的基础条件，其核心在于更深度的窥视产品内部的化学反应，需要借助颗粒度更细致的数据分析方法。  

当你掌握这个方法以后，将不再单一的依赖想法或者做法，不再是依赖虚无缥缈的运气，而是更科学的展开数据增长。

你将知晓产品内部发生了什么问题，我们对问题的定位也不再是宽泛的留存，而是颗粒度更细致的什么样的用户留存，是新用户的留存，又或者是老用户的留存。

你将知晓，用户生命力的值（存续天数）对产品的迭代策略具备的极其重要的意义。

你也将知晓，一款成功的产品，一款伟大的产品，将不会离开两个命题，即延续用户生命力，以及阻止用户的死亡。

对于产品而言，我们犹如医生一样，将会尽一切办法，延长用户的寿命，同时也会用各种可能性去避免用户的夭折。

要做到这一点的前提便是你能洞察用户的生命力，你能意识到问题的存在，否则，你将束手无策。

这就如同不知晓症状的疾病，没有办法诊断的疾病，再优秀的医生也难以进行治疗。

如果我们不能准确的发现用户的寿命，你便无法知晓起点，你甚至无法知晓需要为什么样的用户提供什么样的服务，毕竟将10天寿命延长至30天所需要的策略，与将100天的寿命延续至150天是截然不同的。

这并不是专属于运营的落地方法，而是能够辅助我们进行产品决策，辅助产品经理进行深度问题定位的方法，是我们能够即学即用的产品落地方法。

他的作用在于能够让我们更准确的进行问题定位，从而制定最合适的产品方案，产品策略，最终依靠产品设计的方法提升某项或多项数据指标。

即使不改变运营策略，不依赖外部资源，也可以实现产品自身的数据增长。

 思考一下： 如果，我们将注册时间为100天的用户数占比提升至20%会发生什么样的变化呢？你能否计算出此时的日活用户数呢？