之前跟大家讲过同期群分析：
同期群本质上是留存分析的一种实现方式，对于用户分析有很大的价值，今天再给大家分享几个相关的分析视角。进入互联网下半场后，互联网流量竞争愈发激烈，各种获客手段层出不穷，但获客成本仍在不断提升。这就是问题所在，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，留存重要性高于获客。获客是增长的必要条件，但在大多数情况下，我们过分强调了用户拉新，而忽略了用户留存，这可能是一个致命的错误。大家读书的时候一定做过这道蓄水池的题目，有一个进水管和出水管，灌满水需要X小时，放完水需要y小时。提问如果两个管子同事打开，多久能灌满池子？现在想想，这和我们用户的拉新和留存是不是一个逻辑？如果出水量大于进水量，那么最终水池里会一无所有。对比来看，进水管就好比获客，出水管就好比用户流失，池子中的水就是留存，用大量的成本去获客，但由于各种各样的问题，导致用户留不下来，最后白忙活一场。中国有个歇后语叫做”狗熊掰玉米，掰一个扔一个“，也可以用来形容这种场景我们再举个例子来解释一下，曾经有个数据分析产品公司模拟过这样一个场景：假设有2个产品A和B，每周获取的新用户数都为100，新用户的次周留存率都是60%，往后每周B产品的留存率都要比A产品高2个百分点，注意，仅仅是高2%，29周后，B产品的用户达到了1400位，而A的用户仅有700位，这就是数据分析后的事实。对比两种情况，他们的拉新量一致，留存率仅有 2% 的区别，但是 29 周之后，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，各种融资，融资完就开始烧钱投放做广告，结果一看，怎么还是比不上竞品的用户数，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，我认识一些产品经理和运营，一年核心的KPI就是提高2-3%的留存率，看着这个数字不高，一年后却天差地别；但话说回来，别看数字小，但想提高也并没有那么容易，这里就需要科学有效的分析，找到合适的留存分析模型。
多长时间算留存，怎么样才算留存，这个因业务类型而异。就拿滴滴来说，他的用户分为B/C两端。对于B端用户，也就是司机，开车是职业，所以是一个高频的行为。留存时间窗口的选择需要短一些，次日留存，3日留存，7日留存等。而对于C端用户来说，打车只能算是一个中频行为，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，也就是7日留存，14日留存等。留存分析模型重点在于对用户的分群，分析不同类型用户的留存情况，找到差异，定位解决问题：模型一：新老用户同期群分析（Cohort Analysis）方法同期群是用户分析最普遍的方法，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，观察相同时间间隔后的表现。例如图一，2019/1/1的新用户在第一周的留存率是49%，但2019/2/5的新用户在第一周的留存率是却只有40%，这就说明新用户的留存率在下降，需要重点关注。并且可以对比后续每周的表现，看是否好转。为什么要区分新老用户呢？因为新老用户对于产品的反应是有很大差别的，一定要区分来看。比如你第一次去京东，由于不熟悉这家电商，很有可能逛逛就走了；但如果你是一个京东的老用户，登录京东后就很可能产生购物行为。通过区分新老，能够清晰的看到这两种用户的表现，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，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，用户的主要诉求就是快，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，也许是产品的体验在变差，或者受其他竞品的影响。![]()
![]()
企业经常采取多种渠道来获客。有线上的方式，比如百度搜索或者抖音短视频等；有新媒体的方式，比如公众号，知乎等；有线下的方式，比如线下沙龙和公众活动。各种渠道的获客都需要成本的，我们需要知道是哪种渠道的新用户留存高，留存率高说明这是高价值渠道，我们可以在这里做更多的投入。比如图三，可以明显观察到，渠道一用户的留存率明显高于渠道二和渠道三，说明渠道一的用户和产品的契合度更高，为高质量渠道，应该在这里加大投入。![]()
一个产品一般具有很多功能，通过分析了解各个功能的价值，找到各个功能的提升空间，进而通过功能优化来整体提升用户留存。以图四为例，矩阵的横轴是功能的留存率，表示当前功能的用户黏性；纵轴是活跃用户的数量。做出这样一个矩阵后，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，使用率和留存率都很高，我们要保证核心功能的体验越来越好，并持续监控使用情况，防止意外发生；2 比如绿色代表的功能，这个功能虽然使用的人数不多，但留存率非常高，说明这个功能的体验很好，我们要尽量引导用户使用这个功能；3 而对于红色代表的功能，虽然使用的用户很多，但留存率不高。也许是这个功能有用，但体验不好；也许是这个功能本身就是鸡肋；所以我们要继续深入分析，来决定是优化功能还是直接下线![]()
进行留存分析的时候，我们更多时候要学会做问题拆解，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，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，通常会根据用户的旅程划分出不同的留存阶段。
![]()
振荡阶段，我们主要关注用户激活，在这个阶段中，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，在这个阶段，用户对产品有初步了解，开始探索产品是否满足其核心需求，我们就要关注老用户的留存提升，打造好产品的核心功能，培养用户对产品的使用习惯。
平稳阶段，用户已经基本养成使用习惯，我们接下来就要思考产品对用户的长期价值是什么，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（时间/渠道/行为等）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，通常是按照单个自然日进行分组，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：
![]()
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，一天后留存率27.8%，两天后留存率是13.5%，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，只有这种图是不够的，我们还需要进一步地分析用户行为分析。
2、对比
在我们进行数据分析之前，要先对影响因素进行拆分，如果要对比APP的拉新效果，就要将因素拆分为访问量、点击量、注册量等等，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，比如APP某几天浏览量的下降，可能是因为平台全面限流导致的，这样的因素会影响我们对数据变化的判断，不能帮助我们找到产品缺陷，因此要排除出去。
多维度对比，一般分为四种。
时间维度：同时期对比或者上一时期的对比，包括环比、同比。
空间维度：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：比如与计划值、平均值、中间值的对比，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，而且更多的是需要配合对比（时间上/分组上）来进行使用，从而获取有效的信息。
以上。