百木园-与人分享,
就是让自己快乐。

留存分析:系统思路梳理

用户留存的价值想必不用赘述,即便产品有高用户增长,但如果用户没有留下来,完成产品所定义的核心行为,就是无效增长,只有用户留下来才能为产品持续产生收益,像社区类、游戏等产品,还需要留存足够的用户量维持产品生态,因此用户留存情况需要经常做复盘分析。

那如何更高效有序地做留存分析?本文整理了系统思路如下:

第一步:观察留存数据

观察留存数据,看用户的短期、中期、长期留存率,分别对应留存曲线用户生命周期的三个阶段(震荡期、选择期、平稳期)。

图 留存曲线的用户生命周期

不同时期的留存率反映产品和用户不同阶段的状态。

三个时期分别需要看多长时间的留存率,这和产品天然的使用周期有关,即用户使用产品的频次,比如美团外卖、知乎、抖音等每天都会使用的产品短期留存率主要关注次日留存,像猫眼电影、大麦网、12306等每周或每几周才使用的,则关注周留存。

具体判断产品天然使用周期的方法有三种:

1. 根据业务经验

如上例子所述,该方法比较简单,可以在没有历史数据的情况下判断

2. 分析每日留存率

具体做法是,取一段时间内的新增用户,观察他们30天内的每日留存率,在首日留存率后的第一个留存高峰即为产品使用周期,可以通过后续留存高峰出现的周期性去验证。

图 某日新增用户的分天留存率(虚拟数据)

注:

某一天新增用户的N日留存 = 这一天的用户在第N天活跃的用户数 / 该天新增用户数

举例1月1日新增用户数为100,该批用户在第3天活跃用户数为60,则第3天的活跃留存率=60/100=60%

注意若该产品的使用周期为每天,则无明显留存高峰,呈现的每日留存率是日渐衰减,而后趋于平缓的趋势。

观察30天内留存率的原因是,若使用周期超过30天的产品一般不需通过留存关注用户价值,主要关注用户的使用体验,通过会员机制、建立品牌认知等驱动用户成为忠诚用户,如贝壳找房、货拉拉等。

3. 流失回归率曲线

流失回归率曲线可以帮助我们合理定义一个用户,在多长的时间跨度内不回归产品属于流失用户,而产品使用周期必然在这时间跨度内,定义了该产品使用周期的上限。

流失回归主要指流失用户再次登录产品,流失用户即一段时间内无登录产品的用户,这段时间称为流失期。

流失回归率=回归用户数/流失用户数*100%

通过计算不同流失期的流失回归率,可以得出一条流失回归率曲线,随着流失期越大,用户回归率越低,当流失期超过某个点后,用户回归率的下降幅度会大幅减少,趋于平缓,这个点就是曲线的拐点,如下图的拐点是第10天,意味着当一个用户连续10天没有登录产品,即可以判断为已真实流失,该产品使用周期不超过10天。

图 流失回归率曲线

第二步:判断留存问题

如何判断留存是否存在问题,关键在于做对比分析,和不同的留存标准去对比,低于相关的标准则可能存在问题,需要进一步分析。对比的标准可分为以下三类:

1. 时间标准

与自身历史表现对比,需注意低于历史表现不一定是有问题,须考虑产品留存是否有周期性特点,如游戏产品周末新增用户的留存因为用户较泛,通常会比工作日新增用户的留存更低。

2. 计划标准

产品计划留存通常结合产品的商业目标制定。

3. 特定标准

通常是根据业务经验,或与行业/竞品数据对比得出。

另外需注意,即使整体留存达标,也不代表没有问题,可拆分不同渠道/不同价值用户留存数据进一步排查。

第三步:留存问题分析

留存有问题,意味着用户流失,因此需要进一步分析是谁流失了,何时、在何地、如何流失,为了回答这些问题,需要做流失用户细分和流失点定位。

1. 流失用户细分

拆解具体是哪些用户流失了导致留存低,用户细分的思路有三个。

(1)按用户来源细分

用户来源包括渠道类型、手机系统等,比如某个渠道的用户流失大,则可能是因为该渠道的广告投放策略有问题导致导入的新用户过泛,非产品目标用户。

(2)按用户价值细分

按用户价值划分的方法常见有两种,金字塔模型和RFM模型。

  • 金字塔模型:按用户重要程度排序,名人用户>专业用户>贡献用户>活跃用户>普通用户。
  • RFM模型:综合考虑最近一次消费 (Recency)、消费频率 (Frequency)及消费金额 (Monetary)这三个维度,对用户价值进行评估排序。RFM相对复杂,也可以按业务需求简化分析,如游戏产品一般直接按用户充值金额划分几个档次,区分充值大户和普通充值用户。

(3)按用户属性细分

用户属性包括4类:

  • 人口统计特征:如性别、年龄、职业、教育等。
  • 社会关系:婚姻、有无小孩、家有老人等。
  • 行为特征:基本行为(注册时间、日均使用时长…)、业务行为(买过特惠商品…)。
  • 业务相关:如健身产品用户的胖瘦高矮、体脂率、日均8000步等。

2. 流失点定位

流失点定位即明确用户具体在何时、何地、如何流失,通过这些信息可以找到用户流失原因的线索。

(1)何时流失

观察用户在何时流失,有三种可能的情况:

第一种:在使用产品的某个时期流失

如下图,3月21-27日这段时间新增的用户在第7日留存与预期水平相比明显偏低,同时可观察第3~7日的留存衰减明显快于预期趋势(比例越低,衰减越快),虽然15日、30日留存也比预期偏低,但衰减趋势与预期相符,因此可基本判断流失问题点出现在用户使用产品的第7日左右。

图 留存率热力图(虚拟数据)

第二种:在某个特定时间点流失

如下图,3月21-27日这段时间新增的用户在3月27-28日具体这两天的留存率比日常水平明显偏低,则可进一步排查,该两日有无异常,如APP无法登录、运营活动不当影响用户体验等问题。

图 留存率热力图(虚拟数据)

第三种:某日/某段时间的新增用户留存持续偏低

如下图,3月25日新增的用户整体留存明显较其他时间的新增用户留存更低,该类情况通常为新用户导入问题,如广告投放异常,可结合流失用户来源细分进行分析,进一步定位问题点。

图 留存率热力图(虚拟数据)

(2)何地流失

主要指用户在产品哪个功能模块,或使用产品的哪个流程阶段流失,通常是看用户流失前所停留的功能模块或流程,若发现大部分流失用户流失前都停留在某一个地方,则可以重点排查相应的功能或流程。

比如游戏产品,发现流失玩家有很高的比例在流失前停留在了某一个任务副本,则该任务副本可能是导致玩家流失的原因所在。

(3)如何流失

通常可以分析流失用户在流失前的操作日志,看是否有异常。

第四步:流失原因挖掘

在第三步中,通过流失用户细分和流失点定位可以获得用户流失原因的线索,第四步就是根据获得的线索深入挖掘流失原因。

挖掘流失原因的方法有两种:

1. 调研

有条件有资源的可以优先考虑做调研,包括:

  • 常规调研问询:如卸载调研页面、问卷。
  • 深层原因调研:如电话、访谈、社群、论坛。

2. 假设验证

调研一般比较耗费人力、财力和时间,在大多数的业务分析场景中,每次都做调研不太现实,所以在条件有限的情况下可以采用第二种方法“假设验证”,即基于第三步获得的线索,根据业务经验做原因假设,然后用数据验证。

比如上述游戏产品玩家流失的例子,发现流失玩家有很高的比例在流失前停留在了某一个任务副本,且这些玩家均为5级玩家,则根据业务经验可假设该任务副本对这些玩家难度太大导致流失,具体可通过5级玩家在这个任务副本的通过率数据进行验证,如通过率明显偏低,则可验证假设。

第五步:提高留存

在了解流失原因后,如何着手提升留存率?具体问题具体分析,但有一个大原则,如《打造 10 亿美金产品的核心秘密:用户参与层级模型》一文所说,就是要不断提高用户「持续使用产品的收益」和「离开产品的损失」。

1. 提高「持续使用产品的收益」

(1)需求满足

一方面追求更精准匹配用户需求,比如短视频产品,若推荐的视频不符合某部分用户喜好,该部分用户需求没有被满足,则该部分用户容易流失;另一方面争取满足用户更长期的需求,比如美颜相机产品,不断优化产品推出新玩法。

(2)使用体验

在市面上有其他产品能满足相同的用户需求情况下,使用体验更好,用户才不会转去选择别的产品,比如同样是打车软件满足日常打车需求,服务是趋同的,但服务体验可以有差别,滴滴因为司机资源更多,订单响应的速度更快,所以相比其他打车软件我更愿意使用滴滴,这也是滴滴能长期占据市场第一的壁垒优势。

2. 提高「离开产品的损失」

用户投入:引导用户在产品内完成更多关键行为,本质思路是让用户投入更多,包括时间、精力、感情,即尽可能提高用户的沉没成本。人在决定是否做一件事的时候,不仅看这件事对自己有没有好处,而且也看过去是不是在这件事上有过投入,因此当沉没成本越高,用户越不忍舍弃产品。

比如印象笔记,引导用户创建一定数量的笔记,当用户创建的笔记越多,用户转移至别的笔记产品的损失就越高。

写在最后,以上分享是基于工作经验、业余学习和个人思考总结梳理得出,或有思虑不周之处,还请不吝赐教。

部分内容参考书籍:

  • 《游戏数据分析实战》- 黎艳湘
  • 《数据化管理》- 黄成明

给作者点赞,鼓励TA抓紧创作!


来源:http://www.woshipm.com/operate/5377423.html
本站部分图文来源于网络,如有侵权请联系删除。

未经允许不得转载:百木园 » 留存分析:系统思路梳理

相关推荐

  • 暂无文章