留存分析

留存,是指用户在 APP、网站等应用上使用过,并一段时间后仍有使用。

留存分析模型是一种衡量用户健康度/参与度的方法,超越下载量、DAU 等指标,深入了解用户的留存和流失状况,发现影响产品可持续增长的关键因素,指导市场决策、产品改进、提升用户价值等。

留存分析能解决哪些问题?

  1. 上个月做了一次产品迭代,如何评估其效果?是否完成了产品经理期望完成的行为?

  2. 作为一个社交 APP,在注册后不添加好友和添加 10 个好友的用户后续留存有差异吗?

  3. 短期留存低,长期留存一定很差吗?

  4. 两个推广渠道带来不同的用户,哪个渠道的用户更有可能是的高价值用户?

  5. 近 30 天注册的用户,半个月都没有回访的用户比例是多少?

    ……

1. 定义指标

上方为指标定义区域,定义留存条件,指标定义、细分维度查看,支持条件过滤,支持多个人群的对比分析,支持对全量数据随机抽样计算。

1.1 定义留存

留存是基于某个用户群体的初始行为时间来计算的,描述发生了某个行为的同期群,在一段时间后是否发生了期望的行为。

初始行为和后续行为均可以是任意事件或者某个具体的事件

通常的三类留存可以这样来构建:

A. 新增用户留存

移动端: 选择条件【初始行为 = 启动,后续行为 = 启动】,分群=新访问用户,即可分析新访用户的留存情况

H5/Web/小程序: 选择条件【初始行为 = 浏览页面,后续行为 = 浏览页面】,分群=新访问用户,即可分析新访用户的留存情况

同样也可以根据业务需求,自定义新增用户

B. 活跃用户留存

移动端: 选择条件【初始行为 = 启动,回访行为 = 启动】,分群=所有用户,即可分析活跃的用户后续使用应用的情况

H5/Web/小程序: 选择条件【初始行为 = 浏览页面,回访行为 = 浏览页面】,分群=所有用户,即可分析用户活跃的用户在后续访问网站的情况

C. 自定义留存

相较分析新增/活跃用户的总体留存情况,关注业务的核心事件使用情况,会更有利于发现用户的行为模式和其中可能存在的问题。

e.g. 对于电商的运营,可以定义【 初始行为 = 支付订单,后续行为 = 支付订单】 了解用户的复购行为,多长时间会产生复购,可以进一步分析这些忠实用户的行为特征;

对于问答应用,可以定义【初始行为 = 注册 ,回访行为 = 评论 】,了解用户在注册后有多少用户在多长的频率里会参与进来。

不同的分析场景中可以设置多个不同的留存条件来分析:

初始行为和后续行为设置为相同,对比不同的功能,重复发生的情况,发现用户对不同功能的使用粘性;

初始行为相同,设置不同的后续行为,对比同一个优化,是否对其他功能有不同的影响;

后续行为相同,设置不同的初始行为,对比发现不同的运营手段、产品功能对核心业务目标的影响。

V5.1 及以上版本初始行为和后续行为支持选择多个,比如分析使用A功能或者B功能的用户后续回访的用户,可以通过设定以下条件来查询

初始行为:点击A功能 或 点击B功能

后续行为:启动

1.2 筛选条件

可以增加某个行为的条件约束,查看满足这些条件下的用户行为,

e.g.对于电商运营,可以查看具体某个品类的复购情况,【初始行为 = 支付订单,商品品类 = 3C;后续行为 = 支付订单,商品品类 = 3C】。

1.3 指标切换

可查看第 N 日/之后连续 N 日的留存/流失用户

指标

说明文案

第 N 日 - 留存用户数 和 留存率

在某一日/周/月发生了初始行为的用户在第 N 日/周/月时发生了后续行为的用户记为留存用户

留存率是指第 N 日/周/月时发生了后续行为的留存用户在初始行为用户中的占比

第 N 日 - 流失用户数 和 流失率

在某一日/周/月发生了初始行为的用户在第 N 日/周/月时没有发生后续行为的用户记为流失用户

流失率是指第 N 日/周/月时流失的用户在初始行为用户中的占比

之后连续 N 日 - 留存用户数 和 留存率

在某一日/周/月发生了初始行为的用户在之后连续 N 日/周/月发生了后续行为的用户记为留存用户

留存率是指之后连续 N 日/周/月发生了后续行为的留存用户在初始行为用户中的占比

之后连续 N 日 - 流失用户数 和 流失率

在某一日/周/月发生了初始行为的用户在之后连续 N 日/周/月没有发生后续行为的用户记为流失用户

流失率是指之后连续 N 日/周/月没有发生后续行为的流失用户在初始行为用户中的占比

同时分析指标

可以同时分析留存用户在每个周期里的指定指标的表现,比如选择【初始行为:支付订单】【后续行为:支付订单】【同时分析指标:支付订单的金额】即可分析回购用户的回购金额

1.4 细分维度

支持同时查看某个维度不同属性值的留存,比如不同城市的新用户留存,细分发现影响留存的特定因素。

对于不同属性值类型支持不同的分组方式,同《事件分析 - 1.3 细分维度

1.5 人群选择

默认基于所有用户计算留存,可以选择其他已保存人群,e.g.要分析北京地区用户留存,选择北京地区的用户即可。也可点击对比分群,选择对应的人群进行对比分析。

2. 图表展示

图表展示区,可以选择时间范围、时间粒度、

2.1 时间范围

时间范围限制的是初始行为发生的日期

e.g 选择了【2018/03/01-2018/03/07】【初始行为 = 注册,后续行为 = 任意事件】则计算的是在2018/03/01-2018/03/07这段时间里,每一天注册的用户,在随后30天里再次回访的留存用户。

2.2 时间粒度

可选择的时间粒度,包括:

  • 按日,可分别查看次日、7日、14日及 30日留存

  • 按周,可分别查看次周、8周、12周及 24周留存

  • 按月,可分别查看次月、6月、12月及 24月留存

2.3 第 N 日留存/流失

第 N 日留存用户数指在某个时间发生了初始行为 X 的用户,在之后的第 N 日/周/月进行了后续行为 Y 的用户( X 可以等于 Y )。

例如:

初始行为 = 点击购买

后续行为 = 点击购买

4月1日发生购买的用户200人,这200人中4月2日再次购买的用户有100人,4月4日再次购买的用户有50人,

则第1日留存用户为100,第3日留存用户为50。

第 N 日流失用户数指在某个时间发生了初始行为 X 的用户,在之后的第 N 日/周/月没有进行后续行为 Y 的用户( X 可以等于 Y )。

例如:

初始行为 = 点击购买

后续行为 = 点击购买

4月1日发生购买的用户200人,这200人中4月2日没有购买的用户有100人,4月4日仍然没有购买的用户有50人,

则第1日流失用户为100,第3日流失用户为50。

基础计算规则

假设定义初始行为是 X 事件,回访行为是 Y 事件。

2017/03/01-2017/03/08 小明各天的行为序列为:

2017/3/1

2017/3/2

2017/3/3

2017/3/4

2017/3/5

2017/3/6

2017/3/7

2017/3/8

XYXY

ABC

YCX

DDY

ABC

BYC

ABC

DDY

那么计算 2017/03/01的7日留存,则需要在3月1日之后加上7日,查找2017/03/01-2017/03/08范围内,是否发生了后续行为 Y 事件,小明会被算作第2日、第3日、第5日、第7日的留存;则第1日、第4日、第6日被算作流失。

但是若细分维度时,会略有差异,分别说明提供的两类细分维度:

用户属性: 根据用户属性来分组,e.g. 性别,如果小明是男,则会被算到男性用户的留存当中

事件属性: 根据初始行为的事件属性分组。如果用户触发了多次初始行为,并且属性值不相同,会按用户首次初始行为的属性值进行分组,e.g. 设备品牌,如果小明3月1日方开始用 iPhone X 点击了XY,随后更换了华为 Mate8 又点击了 XY 事件,则小明会被算到 iPhone X 的分组中。

可以对比不同人群的留存,探索发现影响留存/流失的原因

2.4 之后连续 N 日留存/流失

之后连续 N 日留存用户数指在某个时间发生了初始行为 X 的用户,在之后连续 N 日/周/月进行了后续行为 Y 的用户( X 可以等于 Y )。

例如:

初始行为 = 点击购买

后续行为 = 点击购买

4月1日发生购买的用户200人,这200人中4月2日再次购买的用户有100人,4月3日再次购买的用户有50人,4月4日没有人购买,4月5日有50人再次购买

则之后连续1日后留存用户为100,2日后留存用户为50,3日、4日都为0。

之后连续 N 日流失用户数指在某个时间发生了初始行为X的用户,在之后的连续 N 日/周/月没有进行后续行为 Y 的用户( X 可以等于 Y )。

例如:

初始行为 = 点击购买

后续行为 = 点击购买

4月1日发生购买的用户200人,这200人中4月2日没有购买的用户有100人,4月3日都发生了购买,4月4日没有购买的用户有50人,

则之后连续1日流失用户为100,2日、3日都为0。

2.5 留存曲线

留存曲线用来表现【目标用户】的回访比例按照天数衰减的趋势。

对于常见的留存曲线,可以将其分为三个部分:第一部分是振荡期,第二部分是选择期,第三部分是平稳期。

对于不同时期,我们应该有不同策略,总的来说,在振荡期和选择期,我们应该关注新用户的留存,进入平稳期以后,着重关注产品功能的留存。

方舟留存曲线展示的是留存表格中的第一行的概括

  • 留存用户是已发生日期的累加值

  • 留存率是当前列每个数据与初始行为用户数的加权平均数

合计列第N日的留存的计算逻辑为:每一日的第N日留存的留存用户的算术累加和/剔除未发生日期的目标用户数的算术累加和。

例如:当前日期为0923,查询过去7日(0916-0922)的留存。以合计列的第4日留存的计算逻辑举例:已知0920的第4日为0924,从0920开始往后的日期的第4日都是未来时间,未来日期不会有回访行为,因此计算合计列的第3日留存计算公式为:留存率=0.83%=(6+76+65+4)/(6180+5732+5497+800)

2.4 人群下钻分析

所有图表中的数据节点,都可以下钻查看人群概览以及保存人群。

下钻人群下钻功能与分群一致,可在分群中作进一步了解。

3. FAQ

3.1 初始行为和后续行为选择相同事件,当日留存率为什么不是100%

当日留存的规则是:用户在触发了初始行为的当日触发了后续行为,不考虑初始行为和后续行为的发生顺序。但是用户触发的1次行为,不能同时作为初始行为和后续行为,因此初始行为和后续行为选择相同事件时,当日触发次数必须大于等于2次才会被计为当日留存。

以上内容没有解答我的问题?点击我来反馈 🚀

最后更新于