在做產品運營的工作中，用戶留存率是大家最常關注的關鍵指標之一，那么如何更高效從用戶留存中，找到一些關于用戶增長的線索，制定對應的增長策略呢？

1. 用戶留存與用戶活躍的整體認知

1.1 留存與用戶活躍的底層內核

1. 關于留存促活，其本質是伴隨著用戶體量的增長，不斷針對不同類型的用戶，找到性價比最優的轉化、成長路徑，再施加引導激勵。
2. 產品的長期價值成立和穩定，是留存+促活能夠產生意義的前提；
3. 不同業務類型+屬性的產品，在思考“留存”時的關注重點注定不同；
4. 產品形態+功能越豐富、用戶行為越多，想要做好“留存、促活”的技術含量就越高；
5. 典型用戶轉化、成長路徑清晰 + 用戶使用習慣行為閉環形成后，一個用戶激勵體系可以顯著通過產品化放大內增長的效率。

1.2 增長/留存工作方法

大多數人以為的增長/留存工作流程如下圖：

但實際增長/留存工作流程應如下圖：

• 所有的“增長”工作最終都有構建典型用戶路徑并引導和激勵用戶，形成轉化。
• 增長/留存/促活工作的基本前提，都在于你要擁有一個「明確、可被驅動的用戶轉化/成長路徑」。
• 我們在一款產品上所有工作的目的，要么是為了發現它，要么是為了放大它。并且這個成長路徑也可能會不斷變化。

2. 通過用戶留存數據分析問題

2.1 留存曲線的定義

說到留存曲線，那邊需先解釋一下什么是留存率和流失率。

從上述的定義引申，留存曲線就是：持續追蹤不同時期開始活躍的用戶群的留存率隨時間的變化趨勢。

2.2 如何繪制留存曲線

2.2.1 確定關鍵行為的核心思路

• 初始行為：完成哪種初始行為的用戶才能定義為留存用戶？
• 回訪行為：用戶再次訪問產品時，需要完成什么行為才能成為留存用戶？

然后初始行為和回訪行為在多數情況時是一樣的，當然在某些特定場景的產品中也是存在不同的，關鍵還跟需求本身決定的。

2.2.2?選擇時間周期的方法

不同產品的天然使用周期是不同的，如：

• 投資類產品：每周~每月；
• 社交類產品：每天；
• 游戲類產品：每天；
• 內容類產品：每天~每周；
• 保險類產品：每周~每月；

在不知道產品的天然使用周期時，該怎么著手去尋找這個時間周期呢？

做法：分析月活用戶的一個月內的活躍天數的占比分布；

• 將月活用戶作為分母；
• 進一步劃分某個月里不同活躍天數的用戶各種所占比重；
• 找到用戶占比最大的活躍天數項，即為該留存曲線的用戶天然使用周期。

2.2.3 收集數據并制作表單

• 記錄每一個周期首次完成初始行為的用戶數，一般情況即為激活用戶數；
• 追蹤這些用戶在接下來的每一個周期內繼續完成回訪行為的數量，一般情況即為有留存關鍵行為的用戶數；
• 通過1和2，計算你每個周期有回訪行為的用戶數占首個周期激活用戶數的百分比。

通過上述操作，即可得到如2.4.案例中提供的留存數據表單。

2.3 如何從留存曲線中尋找留存問題

2.3.1 評估曲線的基本形態

1.下滑型

留存曲線：說明未達到PMF。

專注于改變產品以找到某種針對核心用戶群的價值定位，然后在此用戶群基礎上拓展。此時不要開始盲目拉新，否則只能“無本之木”。

2.趨平型

留存曲線：說明產品達到了PMF。

表明嘗試過該產品的用戶中，有一定比例人群發現了其中的價值且在一段時間后持續使用它，可以開始拉新。

3.微笑型

留存曲線：不僅能達到PMF，還有大量的回流用戶。

最理想的留存曲線，一般只存在于特定類型的產品里。

2.3.2 對比行業均值，觀測變化趨勢

在我們分析產品的用戶留存時，也要結合產品所屬行業的整體趨勢。與頭部產品比較數據差異性以及產品差異。

觀測變化趨勢的思考模式：

• 根據時間維度進行對比；
• 根據增長策略實時前后的效果進行對比。

將新的留存曲線與舊的的留存曲線進行對比，觀測新留存趨勢是否較舊留存曲線起點更高，斜率更小，曲線更平滑。

2.4 案例分析

本節小編通過一個簡單的案例來介紹一下如何通過統計的留存數據來發現一些增長線索。

通過鏈接(https://shimo.im/sheets/K8dqhKtQ8GJPw38P/MODOC/)，我們可以看到一份周留存數據(虛擬數據，不涉及機密數據)，假設這是一份音頻產品的用戶周留存數據表。

首先假設該數據的統計前提如下：

• 留存行為：首次登錄
• 時間周期：周
• 回訪行為：再次登錄
• 留存率：首次完成登錄后的用戶中，有多少用戶，在下一周內，完成再次登錄的行為。

因為這是周留存數據表，所以在進行分析前，需要對數據進行可視化處理。小編比較懶，直接用Excel進行數據可視化處理。

先繪制了平均留存曲線圖，如下：

通過上圖我們可以發現如下幾個趨勢現象：

• 首周留存僅有85%，也就意味著有15%的用戶在首次下載后再無登錄行為；
• 第一個月的次留數據迅速下滑至61%后，下滑速度明顯減緩，趨于平穩下滑中；
• 從第3周至第17周，數據基本保持在50%-60%之間；
• 從第18周至第36周，數據再次跌落一個檔次，穩定保持在39%-43%之間；
• 從第37周至第45周，數據首先迎來一次大幅跌落2個百分點后，進行震蕩下跌至35%；
• 從第46周后，數據跌落幅度提高并最終跌落至23%；
• 綜上所述，此留存曲線圖是一個下滑性留存曲線；

那么就上述的這些現象，我們再將案例中的留存數據表進行近一步的處理，得到留存熱力分布圖，如下：

通過周留存環比圖（紅色代表優，綠色代表差），進步驗證上述結論。

將上述數據熱力圖放大后，可以發現幾點數據異常，也可能是增長線索：

• 從下載量表中，可以明顯發現「2018/4/22」「2018/9/23」「2018/11/18」「2018/12/23」四個時間段的下載量與前后時段的下載量存在明顯差距。
• 在「2018/4/22」，即第16周，整體數據指標遠低于前后數據接近10個百分點，存在明顯的異常部分；
• 從熱力圖可發現，第46周起，數據可能出現異常，出現明顯的下跌。為了驗證猜測，將橫向熱力圖（環比）改為縱向熱力圖（同比），如下圖所示：

從數據趨勢，再次印證上面的猜測是正確的。

根據上述數據分析，提出假設：

1. 首周平均留存僅為85%，有15%的用戶在首次下載后變流失掉了。可能是渠道推廣不精準導致的結果，也可能是用戶在首次登錄后并未達到激動時刻，以至于快速流失掉了。
2. 在「2018/4/22」，即第16周，下載量激增，同比增長1倍之多。可能是增加了新的渠道曝光并加以運營活動跟進。但留存率卻直線下降，猜測可能是新活動效果未達到用戶的期望效果，新運營活動帶來的留存率遠低于原有激活流程帶來留存率，以至拉低了整個大盤數據。
3. 在「2018/9/23」，下載量達到全年峰值，并且周留存率也達到全年最高水平，猜測行為是可能增加的新的用戶激勵限時活動，并加大渠道曝光力度，在同比熱力圖可發現「2018/9/23」后整體留存數據有短期的明顯提升。
4. 從「2018/11/18」開始下載量成斷崖式下跌，并直接影響了全年用戶的留存走勢。猜測可能出現大版本優化，整體產品定位轉型，但效果不理想。

結合用戶生命周期，得到以下增長線索：

新用戶激活階段：

• 北極星指標：新用戶激活率
• 判定依據：通過生命周期提升用戶留存的策略中，提升新用戶激活率優先級最高，因為可達到的影響最大，操作難度最低。
• 數據現象：首周平均留存僅為85%。
• 增長策略：提升渠道推廣精準度、提升新用戶達到激活時刻的占比。
• 執行方案：通過數據精細化分析不同渠道的留存用戶占比和活躍用戶占比，找到優化方向，提升渠道渠道投放精準率和轉化率。
• 優化新用戶激活流程，提升新用戶達到激活時刻的占比。

新用戶留存階段：

• 北極星指標：新用戶首月留存率
• 判定依據：通過生命周期提升用戶留存的策略中，提升新用戶留存率優先級排第2位，因為雖影響效果與提升新用戶激活率相仿，但操作難度較之偏高。
• 數據現象：新用戶首月留存率僅有63%。數據成長空間較大。
• 增長策略：提升新用戶達到激活時刻的占比，提升新用戶激活率
• 執行方案：構建用戶畫像，拆解不同用戶維度下的用戶使用產品的目的和行為。通過數據精細化分析不同使用目的用戶的留存占比和活躍用戶占比，找到優化方向，提高不同分組的用戶的新用戶激活策略。

流失用戶召回階段：

• 北極星指標：新用戶召回率
• 數據現象：從第36周開始留存率明顯下跌，從39%下跌至23%。
• 判定依據：通過生命周期提升用戶留存的策略中，提升流失用戶召回率優先級排第3位，因影響效果不如前兩項，且操作難度也不易。
• 增長策略：召回認同產品定位，對產品有使用需求的但已流失的用戶。
• 執行方案：通過短信Push等行為進行營銷活動推送；
• 進一步提高優質內容的精準投放（坑位展示，Push推送等）；

關于基礎留存數據分析的內容就分享到這。

作者：楊三季

來源：楊三季 （ zyjn2020）