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。

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

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。

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

猜你喜歡