1. 用户留存与用户活跃的整体认知
1.1 留存与用户活跃的底层内核
关于留存促活，其本质是伴随着用户体量的增长，不断针对不同类型的用户，找到性价比最优的转化、成长路径，再施加引导激励。产品的长期价值成立和稳定，是留存+促活能够产生意义的前提；
不同业务类型+属性的产品，在思考“留存”时的关注重点注定不同；
产品形态+功能越丰富、用户行为越多，想要做好“留存、促活”的技术含量就越高；
典型用户转化、成长路径清晰 + 用户使用习惯行为闭环形成后，一个用户激励体系可以显著通过产品化放大内增长的效率。
1.2 增长/留存工作方法
大多数人以为的增长/留存工作流程如下图：
但实际增长/留存工作流程应如下图：
所有的“增长”工作最终都有构建典型用户路径并引导和激励用户，形成转化。
增长/留存/促活工作的基本前提，都在于你要拥有一个「明确、可被驱动的用户转化/成长路径」。
我们在一款产品上所有工作的目的，要么是为了发现它，要么是为了放大它。并且这个成长路径也可能会不断变化。
2. 通过用户留存数据分析问题
2.1 留存曲线的定义
说到留存曲线，那边需先解释一下什么是留存率和流失率。
从上述的定义引申，留存曲线就是：持续追踪不同时期开始活跃的用户群的留存率随时间的变化趋势。
2.2 如何绘制留存曲线
2.2.1 确定关键行为的核心思路
初始行为：完成哪种初始行为的用户才能定义为留存用户？
回访行为：用户再次访问产品时，需要完成什么行为才能成为留存用户？
然后初始行为和回访行为在多数情况时是一样的，当然在某些特定场景的产品中也是存在不同的，关键还跟需求本身决定的。
2.2.2 选择时间周期的方法
不同产品的天然使用周期是不同的，如：
投资类产品：每周~每月；
社交类产品：每天；
游戏类产品：每天；
内容类产品：每天~每周；
保险类产品：每周~每月；
在不知道产品的天然使用周期时，该怎么着手去寻找这个时间周期呢？
做法：分析月活用户的一个月内的活跃天数的占比分布；
将月活用户作为分母；
进一步划分某个月里不同活跃天数的用户各种所占比重；
找到用户占比最大的活跃天数项，即为该留存曲线的用户天然使用周期。
2.2.3 收集数据并制作表单
记录每一个周期首次完成初始行为的用户数，一般情况即为激活用户数；
追踪这些用户在接下来的每一个周期内继续完成回访行为的数量，一般情况即为有留存关键行为的用户数；
通过1和2，计算你每个周期有回访行为的用户数占首个周期激活用户数的百分比。
通过上述操作，即可得到如2.4.案例中提供的留存数据表单。
2.3 如何从留存曲线中寻找留存问题
2.3.1 评估曲线的基本形态
1.下滑型
留存曲线：说明未达到PMF。
专注于改变产品以找到某种针对核心用户群的价值定位，然后在此用户群基础上拓展。此时不要开始盲目拉新，否则只能“无本之木”。
2.趋平型
留存曲线：说明产品达到了PMF。
表明尝试过该产品的用户中，有一定比例人群发现了其中的价值且在一段时间后持续使用它，可以开始拉新。
3.微笑型
留存曲线：不仅能达到PMF，还有大量的回流用户。
最理想的留存曲线，一般只存在于特定类型的产品里。
2.3.2 对比行业均值，观测变化趋势
在我们分析产品的用户留存时，也要结合产品所属行业的整体趋势。与头部产品比较数据差异性以及产品差异。
观测变化趋势的思考模式：
根据时间维度进行对比；
根据增长策略实时前后的效果进行对比。
将新的留存曲线与旧的的留存曲线进行对比，观测新留存趋势是否较旧留存曲线起点更高，斜率更小，曲线更平滑。
2.4 案例分析
本节小编通过一个简单的案例来介绍一下如何通过统计的留存数据来发现一些增长线索。
通过链接(https://shimo.im/sheets/K8dqhKtQ8GJPw38P/MODOC/)，我们可以看到一份周留存数据(虚拟数据，不涉及机密数据)，假设这是一份音频产品的用户周留存数据表。
首先假设该数据的统计前提如下：
留存行为：首次登录
时间周期：周
回访行为：再次登录
留存率：首次完成登录后的用户中，有多少用户，在下一周内，完成再次登录的行为。
因为这是周留存数据表，所以在进行分析前，需要对数据进行可视化处理。小编比较懒，直接用Excel进行数据可视化处理。
先绘制了平均留存曲线图，如下：
通过上图我们可以发现如下几个趋势现象：
首周留存仅有85%，也就意味着有15%的用户在首次下载后再无登录行为；
第一个月的次留数据迅速下滑至61%后，下滑速度明显减缓，趋于平稳下滑中；
从第3周至第17周，数据基本保持在50%-60%之间；
从第18周至第36周，数据再次跌落一个档次，稳定保持在39%-43%之间；
从第37周至第45周，数据首先迎来一次大幅跌落2个百分点后，进行震荡下跌至35%；
从第46周后，数据跌落幅度提高并最终跌落至23%；
综上所述，此留存曲线图是一个下滑性留存曲线；
那么就上述的这些现象，我们再将案例中的留存数据表进行近一步的处理，得到留存热力分布图，如下：
通过周留存环比图（红色代表优，绿色代表差），进步验证上述结论。
将上述数据热力图放大后，可以发现几点数据异常，也可能是增长线索：
从下载量表中，可以明显发现「2018/4/22」「2018/9/23」「2018/11/18」「2018/12/23」四个时间段的下载量与前后时段的下载量存在明显差距。
在「2018/4/22」，即第16周，整体数据指标远低于前后数据接近10个百分点，存在明显的异常部分；
从热力图可发现，第46周起，数据可能出现异常，出现明显的下跌。为了验证猜测，将横向热力图（环比）改为纵向热力图（同比），如下图所示：
从数据趋势，再次印证上面的猜测是正确的。
根据上述数据分析，提出假设：
首周平均留存仅为85%，有15%的用户在首次下载后变流失掉了。可能是渠道推广不精准导致的结果，也可能是用户在首次登录后并未达到激动时刻，以至于快速流失掉了。
在「2018/4/22」，即第16周，下载量激增，同比增长1倍之多。可能是增加了新的渠道曝光并加以运营活动跟进。但留存率却直线下降，猜测可能是新活动效果未达到用户的期望效果，新运营活动带来的留存率远低于原有激活流程带来留存率，以至拉低了整个大盘数据。
在「2018/9/23」，下载量达到全年峰值，并且周留存率也达到全年最高水平，猜测行为是可能增加的新的用户激励限时活动，并加大渠道曝光力度，在同比热力图可发现「2018/9/23」后整体留存数据有短期的明显提升。
从「2018/11/18」开始下载量成断崖式下跌，并直接影响了全年用户的留存走势。猜测可能出现大版本优化，整体产品定位转型，但效果不理想。
结合用户生命周期，得到以下增长线索：
新用户激活阶段：
北极星指标：新用户激活率
判定依据：通过生命周期提升用户留存的策略中，提升新用户激活率优先级最高，因为可达到的影响最大，操作难度最低。
数据现象：首周平均留存仅为85%。
增长策略：提升渠道推广精准度、提升新用户达到激活时刻的占比。
执行方案：通过数据精细化分析不同渠道的留存用户占比和活跃用户占比，找到优化方向，提升渠道渠道投放精准率和转化率。
优化新用户激活流程，提升新用户达到激活时刻的占比。
新用户留存阶段：
北极星指标：新用户首月留存率
判定依据：通过生命周期提升用户留存的策略中，提升新用户留存率优先级排第2位，因为虽影响效果与提升新用户激活率相仿，但操作难度较之偏高。
数据现象：新用户首月留存率仅有63%。数据成长空间较大。
增长策略：提升新用户达到激活时刻的占比，提升新用户激活率
执行方案：构建用户画像，拆解不同用户维度下的用户使用产品的目的和行为。通过数据精细化分析不同使用目的用户的留存占比和活跃用户占比，找到优化方向，提高不同分组的用户的新用户激活策略。
流失用户召回阶段：
北极星指标：新用户召回率
数据现象：从第36周开始留存率明显下跌，从39%下跌至23%。
判定依据：通过生命周期提升用户留存的策略中，提升流失用户召回率优先级排第3位，因影响效果不如前两项，且操作难度也不易。
增长策略：召回认同产品定位，对产品有使用需求的但已流失的用户。
执行方案：通过短信Push等行为进行营销活动推送；
进一步提高优质内容的精准投放（坑位展示，Push推送等）；
关于基础留存数据分析的内容就分享到这。
作者： 杨三季 来源：杨三季 （ zyjn2020）
文章来源：运营人
【转载说明】 若上述素材出现侵权，请及时联系我们删除及进行处理：8088013@qq.com
