在用戶行為領(lǐng)域，通過數(shù)據(jù)分析方法的科學(xué)應(yīng)用，經(jīng)過理論推導(dǎo)，能夠相對完整地揭示用戶行為的內(nèi)在規(guī)律?；诖藥椭髽I(yè)實(shí)現(xiàn)多維交叉分析，幫助企業(yè)建立快速反應(yīng)、適應(yīng)變化的敏捷商業(yè)智能決策。結(jié)合近期的思考與學(xué)習(xí)，將為大家陸續(xù)介紹不同針對用戶行為的分析模型。本文主要介紹用戶留存分析。

據(jù)某第三方平臺近期調(diào)研結(jié)果顯示，在金融創(chuàng)業(yè)領(lǐng)域，2013 年一家互聯(lián)網(wǎng)金融創(chuàng)業(yè)公司的投資獲客成本區(qū)間為 300 – 500 元，而 2016 年則漲為 1000 – 3000 元；在電商領(lǐng)域，新用戶的獲取成本，是維護(hù)一個(gè)老用戶的 3 倍到 10 倍……

如今，高居不下的獲客成本讓互聯(lián)網(wǎng)、移動(dòng)互聯(lián)網(wǎng)創(chuàng)業(yè)者們遭遇新的“天花板”，甚至陷入“納不起”新客的窘境。而花費(fèi)極高成本所獲取的客戶，可能僅打開一次APP、或完成一次交易，就流白白流失。隨著市場飽和度上升，絕大多數(shù)企業(yè)亟待解決如何增加客戶黏性，延長每一個(gè)客戶的生命周期價(jià)值。因此，留存分析分析模型備受青睞。

一、什么是留存分析

留存分析是一種用來分析用戶參與情況/活躍程度的分析模型，考察進(jìn)行初始行為的用戶中，有多少人會進(jìn)行后續(xù)行為。這是用來衡量產(chǎn)品對用戶價(jià)值高低的重要方法。

留存分析可以幫助回答以下問題：

• 一個(gè)新客戶在未來的一段時(shí)間內(nèi)是否完成了您期許用戶完成的行為？如支付訂單等；
• 某個(gè)社交產(chǎn)品改進(jìn)了新注冊用戶的引導(dǎo)流程，期待改善用戶注冊后的參與程度，如何驗(yàn)證？
• 想判斷某項(xiàng)產(chǎn)品改動(dòng)是否奏效，如新增了一個(gè)邀請好友的功能，觀察是否有人因新增功能而多使用產(chǎn)品幾個(gè)月？

二、為什么要做留存分析，直接看活躍用戶百分比不行嗎？

對此疑惑，答案顯然是，當(dāng)然不行！

如果產(chǎn)品目前處于快速增長階段，很有可能新用戶中的活躍用戶數(shù)增長掩蓋了老用戶活躍度的變化。按初始行為時(shí)間分組的留存分析可以消除用戶增長對用戶參與數(shù)據(jù)帶來的影響。通過留存分析，你可以將用戶按照注冊時(shí)間分段查看，得出類似如下結(jié)論：

“三月份改版前，該月注冊的用戶 7 天留存只有 15%；但是四月份改版后，該月注冊的用戶 7 天留存提高到了 20%。”

三、留存分析模型特點(diǎn)與價(jià)值

科學(xué)的留存分析模型具有靈活條件配置——根據(jù)具體需求篩選初始行為或后續(xù)行為的細(xì)分維度，針對用戶屬性篩選合適的分析對象的特點(diǎn)。那么，留存分析有哪些價(jià)值呢？

1、留存率是判斷產(chǎn)品價(jià)值最重要的標(biāo)準(zhǔn)，揭示了產(chǎn)品保留用戶的能力

留存率反映的實(shí)際上是一種轉(zhuǎn)化率，即由初期的不穩(wěn)定的用戶轉(zhuǎn)化為活躍用戶、穩(wěn)定用戶、忠誠用戶的過程。隨著統(tǒng)計(jì)數(shù)字的變化，運(yùn)營人員可看到不同時(shí)期用戶的變化情況，從而判斷產(chǎn)品對客戶的吸引力。

2、宏觀上把握用戶生命周期長度以及定位產(chǎn)品可改善至之處

通過留存分析，可以查看新功能上線之后，對不同群體的留存是否帶來不同效果? 可以判斷產(chǎn)品新功能或某活動(dòng)是否提高了用戶的留存率？結(jié)合版本更新、市場推廣等諸多因素結(jié)合，砍掉使用頻率低的功能，實(shí)現(xiàn)快速迭代驗(yàn)證，制定相應(yīng)的策略。

三、留存分析應(yīng)用場景

場景一：游戲行業(yè)提升活躍、留存——如何精準(zhǔn)找到玩家“流失點(diǎn)”？

游戲的生命周期的時(shí)長差異、玩家的游戲粘度，直接體現(xiàn)了游戲的競爭能力和盈利能力。玩家對游戲的直觀感受、游戲難度曲線、游戲節(jié)奏的松弛、游戲福利等游戲內(nèi)涵都能夠?qū)е掠螒蛲婕伊魇?。正確找到玩家流失原因，是促進(jìn)玩家、活躍挽留玩家的第一步。下面為《迷城物語》在刪檔測試期間的相關(guān)應(yīng)用情景。（注：以下配圖所涉及的數(shù)據(jù)，均為模擬真實(shí)應(yīng)用場景下的虛擬數(shù)據(jù)）

圖一統(tǒng)計(jì)出流失玩家的等級分布，判斷玩家流失與關(guān)卡設(shè)置的相關(guān)性。

圖1 了解玩家在首次登陸游戲之后的8周流失情況分析（圖片來源：神策數(shù)據(jù)產(chǎn)品）

上圖顯示，100～110級、80～90級是玩家流失較多的關(guān)卡。為精準(zhǔn)導(dǎo)致玩家流失的關(guān)鍵因素，需要每個(gè)環(huán)節(jié)、具體場景進(jìn)行深入追蹤與分析，余略。

場景二：了解新用戶的留存

運(yùn)營人員想從總體上看用戶留存的情況是否越來越好了?？筛鶕?jù)新用戶啟動(dòng) APP 的時(shí)間按日或按月進(jìn)行分組，得到同期群，觀察該群體用戶發(fā)生投資的 7 日留存、14 日留存或 30 日留存(可自由選擇)，通過比較不同的同期群，可以獲知。也可以點(diǎn)擊“曲線標(biāo)識”按鈕，就可以看到每天留存率的變化趨勢了。

圖 2 新用戶群體七天留存趨勢變化（圖片來源：神策數(shù)據(jù)產(chǎn)品）

對于 7 日或者 30 日仍留下來做投資的用戶，顯然是一批忠誠度非常高的用戶，什么樣的用戶群體有這么高的留存率？以 4 月 10 號這天的新用戶為例，一共有 1931 個(gè)新用戶，在第 7 天有 68 人留下來了，點(diǎn)擊“ 68 ”這個(gè)數(shù)字，我們進(jìn)入了用戶列表界面。

這里值得強(qiáng)調(diào)的是，在任何分析模型中都支持人群明細(xì)的查看，將讓用戶行為分析事半功倍，如下圖：

圖 3 第 7 天用戶留存 68 人基本信息明細(xì)（圖片來源：神策數(shù)據(jù)產(chǎn)品）

這里我們能夠看到留存下來的用戶的一些詳細(xì)的基礎(chǔ)信息，比如借款次數(shù)，借款金額、年齡等，通過總借款次數(shù)以及借款金額，可進(jìn)行用戶質(zhì)量評估；通過年齡可以分析到金融平臺吸引的群體用戶的年齡分布。

若想深度挖掘高留存用戶有哪些共性特征、具體操作流程，以作為后序產(chǎn)品優(yōu)化與改進(jìn)的借鑒，則可使用用戶分群功能，命名為“ 4 – 10 號 7 日留存用”然后通過用戶路徑等其他分析模型進(jìn)一步深度分析。

相關(guān)閱讀

針對用戶行為的分析模型（1）——行為事件分析

作者：張喬，神策數(shù)據(jù)內(nèi)容營銷負(fù)責(zé)人。公眾號：神策數(shù)據(jù)

本文由 @張喬-神策 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。