常見數據分析模型（4）——留存分析

01-28

在用戶行為領域，通過數據分析方法的科學應用，經過理論推導，能夠相對完整地揭示用戶行為的內在規律。基於此幫助企業實現多維交叉分析，幫助企業建立快速反應、適應變化的敏捷商業智能決策。結合近期的思考與學習，將為大家陸續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。

據某第三方平台近期調研結果顯示，在金融創業領域，2013 年一家互聯網金融創業公司的投資獲客成本區間為 300 – 500 元，而 2016 年則漲為 1000 – 3000 元；在電商領域，新用戶的獲取成本，是維護一個老用戶的 3 倍到 10 倍……

如今，高居不下的獲客成本讓互聯網、移動互聯網創業者們遭遇新的「天花板」，甚至陷入「納不起」新客的窘境。而花費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，絕大多數企業亟待解決如何增加客戶黏性，延長每一個客戶的生命周期價值。因此，留存分析分析模型備受青睞。

一、什麼是留存分析

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，考察進行初始行為的用戶中，有多少人會進行後續行為。這是用來衡量產品對用戶價值高低的重要方法。

留存分析可以幫助回答以下問題：

一個新客戶在未來的一段時間內是否完成了您期許用戶完成的行為？如支付訂單等；
某個社交產品改進了新註冊用戶的引導流程，期待改善用戶註冊後的參與程度，如何驗證？
想判斷某項產品改動是否奏效，如新增了一個邀請好友的功能，觀察是否有人因新增功能而多使用產品幾個月？

二、為什麼要做留存分析，直接看活躍用戶百分比不行嗎？

對此疑惑，答案顯然是，當然不行！

如果產品目前處於快速增長階段，很有可能新用戶中的活躍用戶數增長掩蓋了老用戶活躍度的變化。按初始行為時間分組的留存分析可以消除用戶增長對用戶參與數據帶來的影響。通過留存分析，你可以將用戶按照註冊時間分段查看，得出類似如下結論：

「三月份改版前，該月註冊的用戶 7 天留存只有 15%；但是四月份改版後，該月註冊的用戶 7 天留存提高到了 20%。」

三、留存分析模型特點與價值

科學的留存分析模型具有靈活條件配置——根據具體需求篩選初始行為或後續行為的細分維度，針對用戶屬性篩選合適的分析對象的特點。那麼，留存分析有哪些價值呢？

1、留存率是判斷產品價值最重要的標準，揭示了產品保留用戶的能力

留存率反映的實際上是一種轉化率，即由初期的不穩定的用戶轉化為活躍用戶、穩定用戶、忠誠用戶的過程。隨著統計數字的變化，運營人員可看到不同時期用戶的變化情況，從而判斷產品對客戶的吸引力。

2、宏觀上把握用戶生命周期長度以及定位產品可改善至之處

通過留存分析，可以查看新功能上線之後，對不同群體的留存是否帶來不同效果? 可以判斷產品新功能或某活動是否提高了用戶的留存率？結合版本更新、市場推廣等諸多因素結合，砍掉使用頻率低的功能，實現快速迭代驗證，制定相應的策略。

四、留存分析應用場景

場景一：遊戲行業提升活躍、留存——如何精準找到玩家「流失點」？

遊戲的生命周期的時長差異、玩家的遊戲粘度，直接體現了遊戲的競爭能力和盈利能力。玩家對遊戲的直觀感受、遊戲難度曲線、遊戲節奏的鬆弛、遊戲福利等遊戲內涵都能夠導致遊戲玩家流失。正確找到玩家流失原因，是促進玩家、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應用情景。（註：以下配圖所涉及的數據，均為模擬真實應用場景下的虛擬數據）

圖一統計出流失玩家的等級分布，判斷玩家流失與關卡設置的相關性。

圖1 玩家在首次登陸遊戲之後的8周流失情況分析

上圖顯示，100～110級、80～90級是玩家流失較多的關卡。為精準導致玩家流失的關鍵因素，需要每個環節、具體場景進行深入追蹤與分析，余略。

場景二：了解新用戶的留存

運營人員想從總體上看用戶留存的情況是否越來越好了。可根據新用戶啟動 APP 的時間按日或按月進行分組，得到同期群，觀察該群體用戶發生投資的 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。也可以點擊「曲線標識」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

對於 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，什麼樣的用戶群體有這麼高的留存率？以 4 月 10 號這天的新用戶為例，一共有 1931 個新用戶，在第 7 天有 68 人留下來了，點擊「 68 」這個數字，我們進入了用戶列表界面。

這裡值得強調的是，在任何分析模型中都支持人群明細的查看，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

這裡我們能夠看到留存下來的用戶的一些詳細的基礎信息，比如借款次數，借款金額、年齡等，通過總借款次數以及借款金額，可進行用戶質量評估；通過年齡可以分析到金融平台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徵、具體操作流程，以作為後序產品優化與改進的借鑒，則可使用用戶分群功能，命名為「 4 – 10 號 7 日留存用」然後通過用戶路徑等其他分析模型進一步深度分析。

你可能還感興趣：

常見數據分析模型（3）——用戶分群

常見數據分析模型（2）——漏斗分析

常見數據分析模型（1）——行為事件分析

作者喬一鴨，神策數據運營一枚。