最近在做的用户留存分析，和几种方法。

来源&＃xff1a;数据分析不是个事儿

进入互联网下半场后&＃xff0c;互联网流量竞争愈发激烈&＃xff0c;各种获客手段层出不穷&＃xff0c;但获客成本仍在不断提升。

这就是问题所在&＃xff0c;企业不可能无限制的投入成本拉取新用户。在当前互联网存量运营的阶段&＃xff0c;留存重要性高于获客。获客是增长的必要条件&＃xff0c;但在大多数情况下&＃xff0c;我们过分强调了用户拉新&＃xff0c;而忽略了用户留存&＃xff0c;这可能是一个致命的错误。

怎么理解留存呢&＃xff1f;

大家读书的时候一定做过这道蓄水池的题目&＃xff0c;有一个进水管和出水管&＃xff0c;灌满水需要X小时&＃xff0c;放完水需要y小时。提问如果两个管子同事打开&＃xff0c;多久能灌满池子&＃xff1f;

现在想想&＃xff0c;这和我们用户的拉新和留存是不是一个逻辑&＃xff1f;如果出水量大于进水量&＃xff0c;那么最终水池里会一无所有。对比来看&＃xff0c;进水管就好比获客&＃xff0c;出水管就好比用户流失&＃xff0c;池子中的水就是留存&＃xff0c;用大量的成本去获客&＃xff0c;但由于各种各样的问题&＃xff0c;导致用户留不下来&＃xff0c;最后白忙活一场。中国有个歇后语叫做”狗熊掰玉米&＃xff0c;掰一个扔一个“&＃xff0c;也可以用来形容这种场景

我们再举个例子来解释一下&＃xff0c;曾经有个数据分析产品公司模拟过这样一个场景&＃xff1a;

假设有2个产品A和B&＃xff0c;每周获取的新用户数都为100&＃xff0c;新用户的次周留存率都是60%&＃xff0c;往后每周B产品的留存率都要比A产品高2个百分点&＃xff0c;注意&＃xff0c;仅仅是高2%&＃xff0c;29周后&＃xff0c;B产品的用户达到了1400位&＃xff0c;而A的用户仅有700位&＃xff0c;

这就是数据分析后的事实。对比两种情况&＃xff0c;他们的拉新量一致&＃xff0c;留存率仅有 2% 的区别&＃xff0c;但是 29 周之后&＃xff0c;用户数差了一倍。这组对比数字形象的说明了用户留存的重要性。

所以很多公司一顿操作猛如虎&＃xff0c;各种融资&＃xff0c;融资完就开始烧钱投放做广告&＃xff0c;结果一看&＃xff0c;怎么还是比不上竞品的用户数&＃xff0c;甚至每年净利率仍是负数。

不过现在也有很多公司越来越重视留存&＃xff0c;我认识一些产品经理和运营&＃xff0c;一年核心的KPI就是提高2-3%的留存率&＃xff0c;看着这个数字不高&＃xff0c;一年后却天差地别&＃xff1b;但话说回来&＃xff0c;别看数字小&＃xff0c;但想提高也并没有那么容易&＃xff0c;这里就需要科学有效的分析&＃xff0c;找到合适的留存分析模型。

留存分析模型

多长时间算留存&＃xff0c;怎么样才算留存&＃xff0c;这个因业务类型而异。就拿滴滴来说&＃xff0c;他的用户分为B/C两端。对于B端用户&＃xff0c;也就是司机&＃xff0c;开车是职业&＃xff0c;所以是一个高频的行为。留存时间窗口的选择需要短一些&＃xff0c;次日留存&＃xff0c;3日留存&＃xff0c;7日留存等。而对于C端用户来说&＃xff0c;打车只能算是一个中频行为&＃xff0c;天天打车的用户毕竟还是少数。留存的时间窗口就可以从7日开始算&＃xff0c;也就是7日留存&＃xff0c;14日留存等。

留存分析模型重点在于对用户的分群&＃xff0c;分析不同类型用户的留存情况&＃xff0c;找到差异&＃xff0c;定位解决问题&＃xff1a;

模型一&＃xff1a;新老用户同期群分析&＃xff08;Cohort Analysis&＃xff09;方法

同期群是用户分析最普遍的方法&＃xff0c;在著名的《精益数据分析》中也被多次提到。比如用每周的新用户&＃xff0c;观察相同时间间隔后的表现。例如图一&＃xff0c;2019/1/1的新用户在第一周的留存率是49%&＃xff0c;但2019/2/5的新用户在第一周的留存率是却只有40%&＃xff0c;这就说明新用户的留存率在下降&＃xff0c;需要重点关注。并且可以对比后续每周的表现&＃xff0c;看是否好转。

为什么要区分新老用户呢&＃xff1f;因为新老用户对于产品的反应是有很大差别的&＃xff0c;一定要区分来看。比如你第一次去京东&＃xff0c;由于不熟悉这家电商&＃xff0c;很有可能逛逛就走了&＃xff1b;但如果你是一个京东的老用户&＃xff0c;登录京东后就很可能产生购物行为。通过区分新老&＃xff0c;能够清晰的看到这两种用户的表现&＃xff0c;便于发现到底是哪种用户发生了问题。

如果是新用户的留存下降&＃xff0c;很可能是新用户没有快速的感受到产品的核心价值。比如物流&＃xff0c;用户的主要诉求就是快&＃xff0c;那么对于新用户是否能让他感受到这个价值。如果是老用户的留存率下降&＃xff0c;也许是产品的体验在变差&＃xff0c;或者受其他竞品的影响。

图一 新用户同期群分析

图二 老用户同期群分析

模型二&＃xff1a;渠道同期群分析方法

企业经常采取多种渠道来获客。有线上的方式&＃xff0c;比如百度搜索或者抖音短视频等&＃xff1b;有新媒体的方式&＃xff0c;比如公众号&＃xff0c;知乎等&＃xff1b;有线下的方式&＃xff0c;比如线下沙龙和公众活动。各种渠道的获客都需要成本的&＃xff0c;我们需要知道是哪种渠道的新用户留存高&＃xff0c;留存率高说明这是高价值渠道&＃xff0c;我们可以在这里做更多的投入。

比如图三&＃xff0c;可以明显观察到&＃xff0c;渠道一用户的留存率明显高于渠道二和渠道三&＃xff0c;说明渠道一的用户和产品的契合度更高&＃xff0c;为高质量渠道&＃xff0c;应该在这里加大投入。

图三 渠道同期群分析

模型三&＃xff1a;产品功能留存矩阵

一个产品一般具有很多功能&＃xff0c;通过分析了解各个功能的价值&＃xff0c;找到各个功能的提升空间&＃xff0c;进而通过功能优化来整体提升用户留存。

以图四为例&＃xff0c;矩阵的横轴是功能的留存率&＃xff0c;表示当前功能的用户黏性&＃xff1b;纵轴是活跃用户的数量。做出这样一个矩阵后&＃xff0c;我们就可以看到不同的功能在矩阵中的位置分布。

1 比如橘色代表的功能就是产品的核心功能&＃xff0c;使用率和留存率都很高&＃xff0c;我们要保证核心功能的体验越来越好&＃xff0c;并持续监控使用情况&＃xff0c;防止意外发生&＃xff1b;

2 比如绿色代表的功能&＃xff0c;这个功能虽然使用的人数不多&＃xff0c;但留存率非常高&＃xff0c;说明这个功能的体验很好&＃xff0c;我们要尽量引导用户使用这个功能&＃xff1b;

3 而对于红色代表的功能&＃xff0c;虽然使用的用户很多&＃xff0c;但留存率不高。也许是这个功能有用&＃xff0c;但体验不好&＃xff1b;也许是这个功能本身就是鸡肋&＃xff1b;所以我们要继续深入分析&＃xff0c;来决定是优化功能还是直接下线

图四 产品功能留存矩阵

进行留存分析的时候&＃xff0c;我们更多时候要学会做问题拆解&＃xff0c;把提升留存率这样一个大目标拆解为一个个小的可执行的目标&＃xff0c;我们就可以通过产品优化、运营调整等等方式来实现用户留存提升。

在我们常见的留存曲线中&＃xff0c;通常会根据用户的旅程划分出不同的留存阶段。

• 振荡阶段&＃xff0c;我们主要关注用户激活&＃xff0c;在这个阶段中&＃xff0c;我们需要让用户迅速低成本地感受到产品的核心价值

• 选择阶段&＃xff0c;在这个阶段&＃xff0c;用户对产品有初步了解&＃xff0c;开始探索产品是否满足其核心需求&＃xff0c;我们就要关注老用户的留存提升&＃xff0c;打造好产品的核心功能&＃xff0c;培养用户对产品的使用习惯。

• 平稳阶段&＃xff0c;用户已经基本养成使用习惯&＃xff0c;我们接下来就要思考产品对用户的长期价值是什么&＃xff0c;如何才能让用户反复体验到产品的价值。

1、分组

用户留存分析的第一步是按照不同的&＃xff08;时间/渠道/行为等&＃xff09;维度进行用户分组。比如我们在对某一个平台用户留存率进行日常的数据分析时&＃xff0c;通常是按照单个自然日进行分组&＃xff0c;然后对任意时间段内获取到的新用户在留存率上的表现做出个报表。

先把常用的几个用户生命周期指标给大家&＃xff1a;

我网上找了一个某社区类APP按照用户的获取日期进行的一个用户留存情况分组图。从图中可以看到具体每一天的用户留存表现情况。比如在6月28日这天获得的用户&＃xff0c;一天后留存率27.8%&＃xff0c;两天后留存率是13.5%&＃xff0c;三天后留存率是11.3%。

如果想深度地挖掘哪里出了问题才导致这款社区型app的次日留存率这么低&＃xff0c;只有这种图是不够的&＃xff0c;我们还需要进一步地分析用户行为分析。

2、对比

• 拆分影响因素&＃xff0c;排除无关因素。

在我们进行数据分析之前&＃xff0c;要先对影响因素进行拆分&＃xff0c;如果要对比APP的拉新效果&＃xff0c;就要将因素拆分为访问量、点击量、注册量等等&＃xff0c;这些被拆分出来的因素就是我们要对比的指标。

同时也要排除掉无关的因素&＃xff0c;比如APP某几天浏览量的下降&＃xff0c;可能是因为平台全面限流导致的&＃xff0c;这样的因素会影响我们对数据变化的判断&＃xff0c;不能帮助我们找到产品缺陷&＃xff0c;因此要排除出去。

• 多维度对比&＃xff0c;一般分为四种。

• 时间维度&＃xff1a;同时期对比或者上一时期的对比&＃xff0c;包括环比、同比。

• 空间维度&＃xff1a;比如不同城市的对比、不同行业的对比、不同国家的对比。

• 计划维度&＃xff1a;比如与计划值、平均值、中间值的对比&＃xff0c;多为差异对比。

简单的归纳就是留存分析模型是用来做用户活跃相关的数据分析&＃xff0c;而且更多的是需要配合对比&＃xff08;时间上/分组上&＃xff09;来进行使用&＃xff0c;从而获取有效的信息。