運營數據指標解讀(用戶留存&用戶生命周期)

運營數據指標解讀(用戶留存&用戶生命周期)

來自專欄數據模型4 人贊了文章

一、用戶留存:

留存和活躍這兩個指標衡量產品的目標有所不同,活躍是衡量產品在市場的大小和健康程度,留存率是衡量產品是否能夠可持續發展的重要指標。在目前的互聯網移動的人口紅利越來越弱的條件下,用戶越來越難獲取,競爭也是越來越激烈,如何留住用戶比獲得用戶更重要。

1、留存率

用戶在某段時間使用了產品,過了一段時間後,仍舊繼續使用的用戶,稱為留存用戶。留存率=仍舊使用的用戶/當初的總用戶量。

舉個例子:今日新增用戶為1000個,第二天仍活躍的用戶有350個,那麼稱次日留存為35%。

一般來說,看產品的留存率會去看次日留存率,七日留存率,三十日留存率。Facebook 有一個著名的40-20-10法則,即新用戶的次日留存為40%,七日留存率為20%,三十日留存率為10%,由此表現的產品屬於數據比較好的。

對於留存率,一般來說我們會去看新增用戶,但是還有一種留存率是針對於活躍用戶的,即某時間的活躍用戶在之後仍舊活躍的比率,這個比例更多用周和月時間維度去看。但是這個指標的時間周期,一定要小於在分析用戶生命周期時定義的,活躍用戶轉化為沉睡用戶的這個時間周期。

再補充幾點,對於新增用戶的留存率來說,其實可以再上溯到用戶來源,一般新用戶的獲取來源有:渠道推廣、活動拉新、用戶自傳播。去分來源對比查看留存率,顯而易見,留存率高的我們可以認為是用戶來源質量比較好的,我們可以多投放精力在這個渠道來源上,當然這種追溯一定是在整理數據指標還不錯的前提下。

2、用戶流失率

流失率是相比於留存率的,流失率在一定程度上是能夠預測產品的發展,在做用戶生命周期模型的時候回經常用到這個指標,這個指標會比留存數據更直接一些反應產品的最終走勢。

這裡可以說一個簡單的公式,生命周期=(1/流失率)*流失率的時間維度 。

但是流失率不是一個必須的指標,因為流失率這個要緊密結合業務場景去分析,對於高頻次高需求的產品,流失率比較重要,但是對於低頻次低需求的產品,用戶的流失率可能高達100%,類似於主打婚禮管理工具。

3、退出率

退出率是一個網頁端的指標,退出率公式:從該頁面退出的頁面訪問數/進入該頁面的頁面訪問數。

跳出率是退出率的特殊形式,在跳出率這個頁面上,我們一般會去記錄頁面來源,也就是跳轉之前的頁面,俗稱落地頁。退出率用戶頁面結果優化,內容優化,跳出率常用於推廣和運營活動的分析,兩者的區分:如果用戶是退出了這個網站(只要記錄不到用戶行為即為退出),而跳出是針對於某個頁面,但是跳出後仍能記錄到該用戶的行為數據。

二、用戶生命周期

生命周期的是事來源於市場營銷理論,也是客戶生命周期,一般來說生命周期是培養用戶的一個容器,然後針對周期做無數的營銷策略,生命周期的延長其實也帶來了一定得營銷機會,對於企業來說是非常看重的。比如說一個大學生,在某信息類平台上從今年1月份一直活躍到7月份,那麼他在這個信息類平台上找工作的可能性就會遠遠大於其他的信息類平台,這就是用戶生命周期的價值。

另外在用戶生命周期的過程中,我們會分潛在用戶、興趣用戶、新用戶、活躍用戶、沉睡用戶、睡眠用戶、流失用戶、迴流用戶,這幾個層面上層層遞進,在每個指標中我們會關注的事情不一樣,比如潛在用戶、興趣用戶、新用戶,我們可能更關注用戶行為、用戶來源等;在活躍用戶中,我們會比較關注用戶價值、用戶發展等。用戶生命決定產品的生命力。

1、用戶生命周期價值

生命周期價值是用戶在生命周期內能為企業提供多少收益,他需要與財務模型結合。在公司層面上,要看收益,因此生命周期價值比生命周期更重要。生命周期價值可以和某一營銷產品整理的營收結合,也可以跟客戶價值指數結合。

2、客戶/用戶忠誠度指數

忠誠指數是針對活躍用戶的再量化。活躍僅是產品的使用與否,A用戶和B用戶都是活躍用戶,但是B產生了消費,且有了持續消費,那麼B相比於A就是我們的忠實用戶,我們可以簡化一個忠誠度模型:

t是一個時間窗口,s代表消費次數,時間窗口的周期一般會定為1個月、1周。從忠誠度的角度來說,消費10次和消費100次差異不大,所以這個公式的目的的為了收斂,有效的規避了極值。

在實際用戶忠誠度模型中,需要考慮歸一化,並且考慮時間權重,越近的消費越忠誠,忠誠度分析經常運用於預估模型中,作為預估下個周期的消費。

3、客戶流失指數

流失指數是忠誠指數的反面,也是流失的再量化,流失率是衡量的全體用戶,為了區分不同用戶的精細化差異,需要流失指數,早期,流失指數=1-忠誠指數。

流失的定義也是因業務而異,可按消費,活躍,只要有足夠的行為數據,就是可以去定義流失。在擁有了足夠的行為數據後,可以用回歸預測流失的概率,輸出【0,1】之間的數值,此時流失的概率便是流失指數。

4、客戶價值指數

目前主流的價值指數模型是RMF模型,利用R最近一次的消費時間,M總消費金額,F消費頻次,將用戶劃分為未多個群體,不用的群體代表了不同的價值。

第二種是主成分分析PCA,把多個指標轉化為少數幾個綜合指標(即主成分),其中每個主成分都能夠反應原始變數的大部分信息,且所含信息不重複。

之前在做生命周期模型的時候,綜合運營了這兩個模型,因為目前我所處的業務場景是商業化數據,

公司是信息類平台。在企業的角度上,商業化數據更多的關注是廣告的變現能力,但是在客戶的角度上,每一次和C的鏈接都至關重要,所以就將RMF模型中單一指標分析,轉化為綜合指標,從業務線抽離指標因子,做到信息互不重複。

最近在抓緊整理這一塊的知識,預計下一篇就能全部整理完。

推薦閱讀:

TAG:產品運營 | 運營 | 數據分析 |