進入互聯(lián)網(wǎng)下半場后，互聯(lián)網(wǎng)流量競爭愈發(fā)激烈，各種獲客手段層出不窮，但獲客成本仍在不斷提升。這就是問題所在，企業(yè)不可能無限制的投入成本拉取新用戶。在當前互聯(lián)網(wǎng)存量運營的階段，留存重要性高于獲客。獲客是增長的必要條件，但在大多數(shù)情況下，我們過分強調(diào)了用戶拉新，而忽略了用戶留存，這可能是一個致命的錯誤。大家讀書的時候一定做過這道蓄水池的題目，有一個進水管和出水管，灌滿水需要X小時，放完水需要y小時。提問如果兩個管子同事打開，多久能灌滿池子？現(xiàn)在想想，這和我們用戶的拉新和留存是不是一個邏輯？如果出水量大于進水量，那么最終水池里會一無所有。對比來看，進水管就好比獲客，出水管就好比用戶流失，池子中的水就是留存，用大量的成本去獲客，但由于各種各樣的問題，導致用戶留不下來，最后白忙活一場。中國有個歇后語叫做”狗熊掰玉米，掰一個扔一個“，也可以用來形容這種場景我們再舉個例子來解釋一下，曾經(jīng)有個數(shù)據(jù)分析產(chǎn)品公司模擬過這樣一個場景：假設有2個產(chǎn)品A和B，每周獲取的新用戶數(shù)都為100，新用戶的次周留存率都是60%，往后每周B產(chǎn)品的留存率都要比A產(chǎn)品高2個百分點，注意，僅僅是高2%，29周后，B產(chǎn)品的用戶達到了1400位，而A的用戶僅有700位，這就是數(shù)據(jù)分析后的事實。對比兩種情況，他們的拉新量一致，留存率僅有 2% 的區(qū)別，但是 29 周之后，用戶數(shù)差了一倍。這組對比數(shù)字形象的說明了用戶留存的重要性。所以很多公司一頓操作猛如虎，各種融資，融資完就開始燒錢投放做廣告，結果一看，怎么還是比不上競品的用戶數(shù)，甚至每年凈利率仍是負數(shù)。
不過現(xiàn)在也有很多公司越來越重視留存，我認識一些產(chǎn)品經(jīng)理和運營，一年核心的KPI就是提高2-3%的留存率，看著這個數(shù)字不高，一年后卻天差地別；但話說回來，別看數(shù)字小，但想提高也并沒有那么容易，這里就需要科學有效的分析，找到合適的留存分析模型。
多長時間算留存，怎么樣才算留存，這個因業(yè)務類型而異。就拿滴滴來說，他的用戶分為B/C兩端。對于B端用戶，也就是司機，開車是職業(yè)，所以是一個高頻的行為。留存時間窗口的選擇需要短一些，次日留存，3日留存，7日留存等。而對于C端用戶來說，打車只能算是一個中頻行為，天天打車的用戶畢竟還是少數(shù)。留存的時間窗口就可以從7日開始算，也就是7日留存，14日留存等。留存分析模型重點在于對用戶的分群，分析不同類型用戶的留存情況，找到差異，定位解決問題：模型一：新老用戶同期群分析（Cohort Analysis）方法同期群是用戶分析最普遍的方法，在著名的《精益數(shù)據(jù)分析》中也被多次提到。比如用每周的新用戶，觀察相同時間間隔后的表現(xiàn)。例如圖一，2019/1/1的新用戶在第一周的留存率是49%，但2019/2/5的新用戶在第一周的留存率是卻只有40%，這就說明新用戶的留存率在下降，需要重點關注。并且可以對比后續(xù)每周的表現(xiàn)，看是否好轉(zhuǎn)。為什么要區(qū)分新老用戶呢？因為新老用戶對于產(chǎn)品的反應是有很大差別的，一定要區(qū)分來看。比如你第一次去京東，由于不熟悉這家電商，很有可能逛逛就走了；但如果你是一個京東的老用戶，登錄京東后就很可能產(chǎn)生購物行為。通過區(qū)分新老，能夠清晰的看到這兩種用戶的表現(xiàn)，便于發(fā)現(xiàn)到底是哪種用戶發(fā)生了問題。如果是新用戶的留存下降，很可能是新用戶沒有快速的感受到產(chǎn)品的核心價值。比如物流，用戶的主要訴求就是快，那么對于新用戶是否能讓他感受到這個價值。如果是老用戶的留存率下降，也許是產(chǎn)品的體驗在變差，或者受其他競品的影響。
企業(yè)經(jīng)常采取多種渠道來獲客。有線上的方式，比如百度搜索或者抖音短視頻等；有新媒體的方式，比如公眾號，知乎等；有線下的方式，比如線下沙龍和公眾活動。各種渠道的獲客都需要成本的，我們需要知道是哪種渠道的新用戶留存高，留存率高說明這是高價值渠道，我們可以在這里做更多的投入。比如圖三，可以明顯觀察到，渠道一用戶的留存率明顯高于渠道二和渠道三，說明渠道一的用戶和產(chǎn)品的契合度更高，為高質(zhì)量渠道，應該在這里加大投入。
一個產(chǎn)品一般具有很多功能，通過分析了解各個功能的價值，找到各個功能的提升空間，進而通過功能優(yōu)化來整體提升用戶留存。以圖四為例，矩陣的橫軸是功能的留存率，表示當前功能的用戶黏性；縱軸是活躍用戶的數(shù)量。做出這樣一個矩陣后，我們就可以看到不同的功能在矩陣中的位置分布。1 比如橘色代表的功能就是產(chǎn)品的核心功能，使用率和留存率都很高，我們要保證核心功能的體驗越來越好，并持續(xù)監(jiān)控使用情況，防止意外發(fā)生；2 比如綠色代表的功能，這個功能雖然使用的人數(shù)不多，但留存率非常高，說明這個功能的體驗很好，我們要盡量引導用戶使用這個功能；3 而對于紅色代表的功能，雖然使用的用戶很多，但留存率不高。也許是這個功能有用，但體驗不好；也許是這個功能本身就是雞肋；所以我們要繼續(xù)深入分析，來決定是優(yōu)化功能還是直接下線
進行留存分析的時候，我們更多時候要學會做問題拆解，把提升留存率這樣一個大目標拆解為一個個小的可執(zhí)行的目標，我們就可以通過產(chǎn)品優(yōu)化、運營調(diào)整等等方式來實現(xiàn)用戶留存提升。
在我們常見的留存曲線中，通常會根據(jù)用戶的旅程劃分出不同的留存階段。
振蕩階段，我們主要關注用戶激活，在這個階段中，我們需要讓用戶迅速低成本地感受到產(chǎn)品的核心價值
選擇階段，在這個階段，用戶對產(chǎn)品有初步了解，開始探索產(chǎn)品是否滿足其核心需求，我們就要關注老用戶的留存提升，打造好產(chǎn)品的核心功能，培養(yǎng)用戶對產(chǎn)品的使用習慣。
平穩(wěn)階段，用戶已經(jīng)基本養(yǎng)成使用習慣，我們接下來就要思考產(chǎn)品對用戶的長期價值是什么，如何才能讓用戶反復體驗到產(chǎn)品的價值。
1、分組
用戶留存分析的第一步是按照不同的（時間/渠道/行為等）維度進行用戶分組。比如我們在對某一個平臺用戶留存率進行日常的數(shù)據(jù)分析時，通常是按照單個自然日進行分組，然后對任意時間段內(nèi)獲取到的新用戶在留存率上的表現(xiàn)做出個報表。
先把常用的幾個用戶生命周期指標給大家：
我網(wǎng)上找了一個某社區(qū)類APP按照用戶的獲取日期進行的一個用戶留存情況分組圖。從圖中可以看到具體每一天的用戶留存表現(xiàn)情況。比如在6月28日這天獲得的用戶，一天后留存率27.8%，兩天后留存率是13.5%，三天后留存率是11.3%。
如果想深度地挖掘哪里出了問題才導致這款社區(qū)型app的次日留存率這么低，只有這種圖是不夠的，我們還需要進一步地分析用戶行為分析。
2、對比
在我們進行數(shù)據(jù)分析之前，要先對影響因素進行拆分，如果要對比APP的拉新效果，就要將因素拆分為訪問量、點擊量、注冊量等等，這些被拆分出來的因素就是我們要對比的指標。
同時也要排除掉無關的因素，比如APP某幾天瀏覽量的下降，可能是因為平臺全面限流導致的，這樣的因素會影響我們對數(shù)據(jù)變化的判斷，不能幫助我們找到產(chǎn)品缺陷，因此要排除出去。
多維度對比，一般分為四種。
時間維度：同時期對比或者上一時期的對比，包括環(huán)比、同比。
空間維度：比如不同城市的對比、不同行業(yè)的對比、不同國家的對比。
計劃維度：比如與計劃值、平均值、中間值的對比，多為差異對比。
簡單的歸納就是留存分析模型是用來做用戶活躍相關的數(shù)據(jù)分析，而且更多的是需要配合對比（時間上/分組上）來進行使用，從而獲取有效的信息。
