移動應用運營怎麼利用留存率等數據分析用戶減少的原因?
數據分析最核心的方法是作比較,因為絕對的數值在大多數場合下是沒有意義的,通過在不同維度之間做數據的比較分析,能幫助開發者找到數據變化的原因。
舉一個典型的案例來說明如何通過分析留存率的數據變找到運營中出現的問題。
有個應用最近DAU(日活躍用戶)下降的非常厲害。數據顯示,DAU從七月份的17萬下降到九月份的14萬。第一步先對數據進行初步分析,DAU可以分成新用戶和老用戶,老用戶就是新用戶沉澱下來的。在查看這段時間的推廣後,發現新增趨勢沒有變化。然後觀察新用戶的留存,發現留存率從七月份下降了大概四五個百分點,最後得知是六月份發布了新版。
於是進一步篩選查看了新版本的留存,發現新版留存率比整體是偏低的,而新版在產品上並沒有很大的變化,所以問題很可能是推廣的流量。後來分析發現,A渠道作為主推渠道,量佔到70%,但留存率卻比總體還要低,所以最終的原因就是新版本在A渠道的推廣存在問題。
所以在做移動應用運營時,要多注意比對數據,與自己的歷史數據比、在同一時間截面上進行不同維度(版本、渠道等)之間的對比,是能夠幫我們找到數據變化的原因的~
關於留存率的分析,一般可以使用如下的思路進行。
留存率反映了初期不穩定用戶轉化為穩定用戶、忠誠用戶的過程,對留存率深入的挖掘,可反映用戶的消費體驗,從而合理規劃產品,提高產品的價值。留存分析的方法可以分為三步走:發現問題、找到問題、解決問題。
第一步:發現問題。找一個簡單的工具,靈活查看留存分析結果。通過不同初始行為和後續行為的篩選,得到不同功能留存率,定位更細分功能的用戶忠誠度,排查用戶的主要流失點。
第二步:找到問題。 找到用戶的流失點後,了解用戶,從用戶行為路徑做起,知道用戶在哪個步驟流失,並抽象出用戶的行為特徵,進行維度下鑽,分析留存效果。簡單說就是,看到用戶從哪裡離開,才能知道用戶為什麼離開。
第三步:解決問題。留住用戶的心,要從痛點出發行事。根據以往的留存分析結論,對現有的產品採取不同策略的調整優化。
原因的分析需要將問題細化,統一 @李薈的方法論。 但是排查原因還需要更深入,比如上面將從DAU的變化,排查到版本,留存率兩個維度其實是不夠的。 比如留存率其實是可以有三種類型的:***重複做某件事情的留存率,比如說 登錄的留存率就是某天用戶登錄後,n天再次登錄即記錄為n日留存;同樣的可以定義為 某天用戶購買商品後,n天后再次購買商品即被記錄為n日購買留存;***不同事件交叉的留存率,比如說 紅包到打車的留存率可以定義為,某天用戶獲取紅包後,n天后觸發打車事件;以此類推,可以定義各種不同事件的先後留存率;***頻次留存率,比如說登錄的周頻次留存率就是某天登錄後,在後面第一周裡面連續n天登錄的被記錄為n日留存;同樣適合在不同事件交叉的留存率中 。
更多更精細的分析,請申請試用 諸葛iO http://zhugeio.com
推薦幾篇文章給題主,希望有幫助
「同期群分析Cohort Analysis」知道不?不知道你就OUT啦! - Cobub
手把手教你如何提高APP用戶留存率 - Cobub
提高APP用戶參與度的4個有效策略 - Cobub
Cobub Razor是一款移動應用數據統計分析系統,題主可以去看看demoCobub Razor - 開源移動應用統計分析平台
可以使用GA(Google Analytics)工具進行數據分析與優化。
關於提升留存率,我總結了兩個相對直接的方法:
(1)對比新老用戶的行為,理論上說老用戶用的更多的那個功能可能是新用戶留下來的原因,結論是把老用戶喜歡用的那些東西做的更好,或者說把老用戶喜歡的那些東西更多的展示給新用戶看。
(2)對比留存用戶和流失用戶,看他們在首次使用App時,用的功能、看到的內容有何不同。後來留存下來的用戶用到、看到的,可能就是他們留下來的原因。
實操指南:介紹如何使用GA工具埋點功能,提升App留存率
(一)點擊內容
用戶閱讀文章,比如用類似今日頭條的一個APP,首先「點擊內容」是第一個埋點,我們給用戶提供的內容,如果他一個都不看,那也白搭,這是轉化的第一步,也是最重要的一個。
(二)分享
分享也十分重要,分享意味著拉新。我們做過計算,如果你的內容比較吸引人,每一次分享大概能帶來10到20次的點擊,通常來說有可能展示量是上百的。這個價值非常大,所以分享也是一個很重要的埋點。
這是一個真實的的案例,我曾經為一個新聞App做數據分析,發現他們的新聞分享出去之後點擊率很高,是獲取新用戶的好辦法。那麼如何提升分享率呢?當時我們想到建立一個叫做「轉瘋了」的頻道,裡面專門放熱門轉發的內容。開發完成上線之後,我們利用GA的高級細分功能進行了數據分析。
帶有「轉瘋了」頻道的新版本App比舊版本分享率高,並且在新版本里,進入過該頻道的用戶分享率高於沒進過該頻道的。
點擊、分享(還包括H5分享到朋友圈)的埋點數據都是給運營看的,運營會知道哪種類型的內容熱門用戶願意點擊,進而多做類似的內容,提升點擊率和分享率。
(三)搜索
搜索是能最直接表達用戶需求的。搜索有兩種情況,一種是搜完了有結果,那就看用戶願意點什麼樣的內容;還有是搜索沒有結果,這個通常都會單拿出來做一張報告,比如哪一天突然有一個新詞出來了,在我們App上沒有搜索出結果,那就得馬上去補充這個內容,搜索也是一個用戶需求的風向標。
(四)下拉刷新
下拉刷新的用戶習慣應該是今日頭條培養出來的,每下拉一下,就推薦一些偏好的內容。
為什麼要統計這個?用戶每次下拉刷新都意味著一次推薦內容的展示,下拉刷新之後緊接著有多大的概率用戶點擊了內容,能體現出推薦演算法的優劣,這就和上頭埋點那個點擊內容連上了。
這是兩個行為之間的比較,一百次下拉刷新只有三次的閱讀行為,那顯然這個轉化率很差。如果一百次下拉刷新能有80次內容點擊那轉化率就很好。推薦演算法做的是不斷地提升下拉之後的點擊率。
(五)載入下一頁
PC時代大家是點下一頁,現在都是下拉載入下一頁,下拉一次載入20條,看完之後再繼續往下拉,不斷地重複這樣做,它同時也體現了用戶能接受的信息條數。比如一個用戶載入了三次,那就是載入出了60條內容,再加上它本身這一頁的20條,可能他就掃過了80條內容。
做這個埋點的意義在於可以指導運營每天更新多少內容合適。如果運營每天更新兩百條,但絕大部分用戶在一百條的時候就止步了,那剩下一百條就是浪費。
(六)推送
推送是個很重要提升日活的手段。假設公司的編輯習慣在每天三個時間點做推送,突然有天數據分析負責人看見前一天日活有明顯的降低,於是按小時對比日活,發現只有三個推送的時間點日活降低了,那顯然是推送出了問題。
推送很重要,它是提升日活一個特別有效的手段。但是我們通過GA的高級細分發現,戶時常打開推送直接看完一篇文章就走了,也就是說通過推送開啟App的用戶粘度明顯低於普通用戶。我們當然不希望這樣的人很多,所以我們會想辦法在這個推送打開的這一頁里去增加一些延伸閱讀,提升推送開啟用戶的停留時長。
(七)意見反饋
目前意見反饋有不少第三方的解決方案,但是我為什麼會堅持用GA也發一份數據過來,目的是為了把個人高級細分出來。通過GA可以查看任何一個反饋用戶的手機型號、手機系統版本等。之後找和他一樣或差不多的機器,看看會不會出現他反饋的那個問題,這樣就很容易定位他的問題。
(八)報錯
最後一個事件是報錯。報錯跟反饋有點接近,但是遇到錯誤還能反饋的人畢竟是少數,App程序上知道什麼地方出了什麼錯誤,通過系統進行信息收集也是可以細分出來這些報錯的用戶。
通常大家上手進行App數據埋點時不知道統計什麼,那我剛才說的這八個就是最通用的,按照優先順序排列。對於初創或中小企業,有這些數據就已經能把分析工作做到至少70分了。
留存率是個表象數據指標,更多的應該關注在不同的時間段內,移動應用的運營做了哪些舉動?不同的舉動,會引起不同的留存率。假如應用是遊戲,還要關注用戶處於哪一個階段,導致留存率降低,是否流失的用戶之間有共性的東西存在?特別是活動和非活動期間,對應的留存數據會有很大不同。
推薦閱讀:
※現在的操作系統很多,為什麼不想個辦法讓這些平台運行的程序都能互相兼容呢?
※面對一個非痛點、非剛需又低頻的互聯網產品,你會如何思考出路?
※為什麼新浪微博轉發可以修改別人的話?
※有哪些優秀產品源自創始人自己的需求?
※移動互聯產品的未來怎樣?