最近在做的用戶留存分析,和幾種方法。
來源:數據分析不是個事兒
我是小 z
之前跟大家講過同期羣分析:
同期羣本質上是留存分析的一種實現方式,對於用戶分析有很大的價值,今天再給大家分享幾個相關的分析視角。
進入互聯網下半場後,互聯網流量競爭愈發激烈,各種獲客手段層出不窮,但獲客成本仍在不斷提升。
這就是問題所在,企業不可能無限制的投入成本拉取新用戶。在當前互聯網存量運營的階段,留存重要性高於獲客。獲客是增長的必要條件,但在大多數情況下,我們過分強調了用戶拉新,而忽略了用戶留存,這可能是一個致命的錯誤。
怎麼理解留存呢?
大家讀書的時候一定做過這道蓄水池的題目,有一個進水管和出水管,灌滿水需要 X 小時,放完水需要 y 小時。提問如果兩個管子同事打開,多久能灌滿池子?
現在想想,這和我們用戶的拉新和留存是不是一個邏輯?如果出水量大於進水量,那麼最終水池裏會一無所有。對比來看,進水管就好比獲客,出水管就好比用戶流失,池子中的水就是留存,用大量的成本去獲客,但由於各種各樣的問題,導致用戶留不下來,最後白忙活一場。中國有個歇後語叫做” 狗熊掰玉米,掰一個扔一個 “,也可以用來形容這種場景
我們再舉個例子來解釋一下,曾經有個數據分析產品公司模擬過這樣一個場景:
假設有 2 個產品 A 和 B,每週獲取的新用戶數都爲 100,新用戶的次周留存率都是 60%,往後每週 B 產品的留存率都要比 A 產品高 2 個百分點,注意,僅僅是高 2%,29 周後,B 產品的用戶達到了 1400 位,而 A 的用戶僅有 700 位,
這就是數據分析後的事實。對比兩種情況,他們的拉新量一致,留存率僅有 2% 的區別,但是 29 周之後,用戶數差了一倍。這組對比數字形象的說明了用戶留存的重要性。
所以很多公司一頓操作猛如虎,各種融資,融資完就開始燒錢投放做廣告,結果一看,怎麼還是比不上競品的用戶數,甚至每年淨利率仍是負數。
不過現在也有很多公司越來越重視留存,我認識一些產品經理和運營,一年核心的 KPI 就是提高 2-3% 的留存率,看着這個數字不高,一年後卻天差地別;但話說回來,別看數字小,但想提高也並沒有那麼容易,這裏就需要科學有效的分析,找到合適的留存分析模型。
留存分析模型
多長時間算留存,怎麼樣纔算留存,這個因業務類型而異。就拿滴滴來說,他的用戶分爲 B/C 兩端。對於 B 端用戶,也就是司機,開車是職業,所以是一個高頻的行爲。留存時間窗口的選擇需要短一些,次日留存,3 日留存,7 日留存等。而對於 C 端用戶來說,打車只能算是一箇中頻行爲,天天打車的用戶畢竟還是少數。留存的時間窗口就可以從 7 日開始算,也就是 7 日留存,14 日留存等。
留存分析模型重點在於對用戶的分羣,分析不同類型用戶的留存情況,找到差異,定位解決問題:
模型一:新老用戶同期羣分析(Cohort Analysis)方法
同期羣是用戶分析最普遍的方法,在著名的《精益數據分析》中也被多次提到。比如用每週的新用戶,觀察相同時間間隔後的表現。例如圖一,2019/1/1 的新用戶在第一週的留存率是 49%,但 2019/2/5 的新用戶在第一週的留存率是卻只有 40%,這就說明新用戶的留存率在下降,需要重點關注。並且可以對比後續每週的表現,看是否好轉。
爲什麼要區分新老用戶呢?因爲新老用戶對於產品的反應是有很大差別的,一定要區分來看。比如你第一次去京東,由於不熟悉這家電商,很有可能逛逛就走了;但如果你是一個京東的老用戶,登錄京東後就很可能產生購物行爲。通過區分新老,能夠清晰的看到這兩種用戶的表現,便於發現到底是哪種用戶發生了問題。
如果是新用戶的留存下降,很可能是新用戶沒有快速的感受到產品的核心價值。比如物流,用戶的主要訴求就是快,那麼對於新用戶是否能讓他感受到這個價值。如果是老用戶的留存率下降,也許是產品的體驗在變差,或者受其他競品的影響。
圖一 新用戶同期羣分析
圖二 老用戶同期羣分析
模型二:渠道同期羣分析方法
企業經常採取多種渠道來獲客。有線上的方式,比如百度搜索或者抖音短視頻等;有新媒體的方式,比如公衆號,知乎等;有線下的方式,比如線下沙龍和公衆活動。各種渠道的獲客都需要成本的,我們需要知道是哪種渠道的新用戶留存高,留存率高說明這是高價值渠道,我們可以在這裏做更多的投入。
比如圖三,可以明顯觀察到,渠道一用戶的留存率明顯高於渠道二和渠道三,說明渠道一的用戶和產品的契合度更高,爲高質量渠道,應該在這裏加大投入。
圖三 渠道同期羣分析
模型三:產品功能留存矩陣
一個產品一般具有很多功能,通過分析瞭解各個功能的價值,找到各個功能的提升空間,進而通過功能優化來整體提升用戶留存。
以圖四爲例,矩陣的橫軸是功能的留存率,表示當前功能的用戶黏性;縱軸是活躍用戶的數量。做出這樣一個矩陣後,我們就可以看到不同的功能在矩陣中的位置分佈。
1 比如橘色代表的功能就是產品的核心功能,使用率和留存率都很高,我們要保證核心功能的體驗越來越好,並持續監控使用情況,防止意外發生;
2 比如綠色代表的功能,這個功能雖然使用的人數不多,但留存率非常高,說明這個功能的體驗很好,我們要儘量引導用戶使用這個功能;
3 而對於紅色代表的功能,雖然使用的用戶很多,但留存率不高。也許是這個功能有用,但體驗不好;也許是這個功能本身就是雞肋;所以我們要繼續深入分析,來決定是優化功能還是直接下線
圖四 產品功能留存矩陣
進行留存分析的時候,我們更多時候要學會做問題拆解,把提升留存率這樣一個大目標拆解爲一個個小的可執行的目標,我們就可以通過產品優化、運營調整等等方式來實現用戶留存提升。
在我們常見的留存曲線中,通常會根據用戶的旅程劃分出不同的留存階段。
-
振盪階段,我們主要關注用戶激活,在這個階段中,我們需要讓用戶迅速低成本地感受到產品的核心價值
-
選擇階段,在這個階段,用戶對產品有初步瞭解,開始探索產品是否滿足其核心需求,我們就要關注老用戶的留存提升,打造好產品的核心功能,培養用戶對產品的使用習慣。
-
平穩階段,用戶已經基本養成使用習慣,我們接下來就要思考產品對用戶的長期價值是什麼,如何才能讓用戶反覆體驗到產品的價值。
1、分組
用戶留存分析的第一步是按照不同的(時間 / 渠道 / 行爲等)維度進行用戶分組。比如我們在對某一個平臺用戶留存率進行日常的數據分析時,通常是按照單個自然日進行分組,然後對任意時間段內獲取到的新用戶在留存率上的表現做出個報表。
先把常用的幾個用戶生命週期指標給大家:
我網上找了一個某社區類 APP 按照用戶的獲取日期進行的一個用戶留存情況分組圖。從圖中可以看到具體每一天的用戶留存表現情況。比如在 6 月 28 日這天獲得的用戶,一天後留存率 27.8%,兩天後留存率是 13.5%,三天後留存率是 11.3%。
如果想深度地挖掘哪裏出了問題才導致這款社區型 app 的次日留存率這麼低,只有這種圖是不夠的,我們還需要進一步地分析用戶行爲分析。
2、對比
- 拆分影響因素,排除無關因素。
在我們進行數據分析之前,要先對影響因素進行拆分,如果要對比 APP 的拉新效果,就要將因素拆分爲訪問量、點擊量、註冊量等等,這些被拆分出來的因素就是我們要對比的指標。
同時也要排除掉無關的因素,比如 APP 某幾天瀏覽量的下降,可能是因爲平臺全面限流導致的,這樣的因素會影響我們對數據變化的判斷,不能幫助我們找到產品缺陷,因此要排除出去。
-
多維度對比,一般分爲四種。
-
時間維度:同時期對比或者上一時期的對比,包括環比、同比。
-
空間維度:比如不同城市的對比、不同行業的對比、不同國家的對比。
-
計劃維度:比如與計劃值、平均值、中間值的對比,多爲差異對比。
簡單的歸納就是留存分析模型是用來做用戶活躍相關的數據分析,而且更多的是需要配合對比(時間上 / 分組上)來進行使用,從而獲取有效的信息。
本文由 Readfog 進行 AMP 轉碼,版權歸原作者所有。
來源:https://mp.weixin.qq.com/s/BoTgmVaYB1ZQvGp47XONxA