很多开发者或许都已经使用过像Flurry、Google Analytics这样的数据分析工具，虽然这些工具各有优劣，但它们一个共同的特点就是把用户当成一个群体来分析，你没法从这些数据中看到单个用户的行为。

比如来说如果开发者想知道接下来哪个用户会抛弃你的应用，这两者都没法告诉你。可是对于开发者来说，能否得到这个数据直接关系到最终是否能留住这个用户，所以像Framed Data这样的数据服务工具也就出现了。

简单来说，Framed Data和以前的数据分析工具最大的区别就在于，Framed Data把用户当成单个的人来理解，而之前的很多数据工具只是把用户看着一个数字。

借助于Framed Data的数据分析服务，如果开发者想提前找到那些可能会离开的用户，那么首先需要把应用的数据提交到Framed Data上。接着Framed Data会使用一些机器学习模型来读取这些数据，进而描绘出用户的行为。当用户行为被描绘出来后，Framed Data就可以把它和已经存在的用户数据库做对比，这样也就能利用过去的用户行为数据来识别出那些高风险、可能会离开的用户。在机器学习和数据科学领域，拿到的数据越多，精确程度自然就越高。

当Framed Data分析完之后，开发者可以简单的整合数据并且输出那些被标记为高风险的用户。对于那些处在中度或者低度风险区间的用户，开发者一样可以采取一些措施来和这些忠实用户互动。

举例来说，一个照片应用的开发者就发现，如果某个用户的社交圈中有7个以上的好友在一个月内加入到这个app中，那么即使他的好友仅仅发了很少量的照片，这个用户也愿意留下来。这样的数据显然不是简单的统计服务能得到的。

另外，一些开发者经常会犯类似这样的错误：假设在一个app中，如果有500个用户都在使用聊天功能，但仅仅100个用户在使用图片分享功能，那么开发者往往会很自然的认为应该在聊天功能上倾注更多精力，但数据却表明聊天功能和用户留存几乎没什么关系，那些被小部分用户使用的功能往往才是维护用户忠诚度的重要特性。

所以不难看出，如果不能识别单个用户而仅仅把用户当成一个集体的数字来对待，那么很多时候人们是没法看到事物背后的因素的，进而也就难以找到应对的技巧。

Framed Data负责营销和增长的总监Tim Wu告诉我们，对于很多公司来说，招聘和维护数据研究团队是很麻烦的事，所以他们希望把Framed Data打造成一个无论是开发者还是非技术背景的人都能使用的服务。现在Framed Data也希望能进入中国市场，而且他们的产品在移动社交和游戏方面的表现正越来越好。

在Framed Data的CEO Thomson Nguyen看来，他们最终希望把数据科学作为一项服务提供给客户。所以在预防用户流失、增加用户留存之外，他们也希望通过这个平台上的机器学习能力来获取一些其他成果。比如，帮助开发者提前识别用户群里有影响力的人，帮助面向企业的业务提前识别客户的需求等等。

总结来说，在简单的用户数据统计之外，随着数据科学的发展，即使是一些初创公司也正在更进一步的去挖掘数据背后的价值。对于移动开发者来说，接下来自然也可以借助更多的工具来了解用户行为背后的潜在因素。