編輯導(dǎo)語：伴隨著流量紅利見頂?shù)默F(xiàn)狀，除了做好拉新促活之外，品牌商家還需要思考怎么提升用戶留存率，做好精細(xì)化運(yùn)營(yíng)。而在進(jìn)行用戶留存分析時(shí)，數(shù)據(jù)分析是一個(gè)有效手段。本篇文章里，作者結(jié)合自己的工作經(jīng)驗(yàn)，總結(jié)了一些可借鑒的留存分析方法論，一起來看一下。

寫在前面

根據(jù)QuestMobile數(shù)據(jù)顯示，2021年中國(guó)移動(dòng)互聯(lián)網(wǎng)用戶規(guī)模保持在近11.6億，2021年5月同比增速竟首次出現(xiàn)負(fù)增長(zhǎng)，這意味著流量紅利時(shí)代結(jié)束，進(jìn)入存量爭(zhēng)奪階段。而互聯(lián)網(wǎng)不同賽道的玩家，也不得不把突破增長(zhǎng)困局的關(guān)鍵點(diǎn)，放在如何提升存量用戶的留存價(jià)值上。

在該背景下，作不甘淪為取數(shù)工具人的分析師，可以主動(dòng)深入業(yè)務(wù)，通過海量數(shù)據(jù)挖掘出影響用戶留存的關(guān)鍵指標(biāo)，并結(jié)合業(yè)務(wù)邏輯，給出合理可行的建議。

接下來筆者會(huì)分享自己在工作中沉淀的一些留存分析方法論，給大家奉獻(xiàn)滿滿的干貨，別走開，精彩馬上來~

分析框架：

1. 確定流失和留存的具體口徑；
2. 通過定性和定量等方法尋找與用戶留存相關(guān)的指標(biāo)，并設(shè)計(jì)相應(yīng)策略；
3. 設(shè)計(jì)AB實(shí)驗(yàn)，檢驗(yàn)留存提升策略的有效性。

一、確定留存的具體口徑

首先要結(jié)合用戶行為數(shù)據(jù)，或者基于業(yè)務(wù)常識(shí)，和業(yè)務(wù)人員對(duì)流失或者留存用戶的口徑達(dá)成一致?？趶降拇_認(rèn)點(diǎn)主要是：【多久（窗口期）】?jī)?nèi)沒有發(fā)生【什么關(guān)鍵行為】會(huì)被定位為流失。。

1）關(guān)鍵行為

不同業(yè)務(wù)模式下的用戶核心行為不同，比如對(duì)于交易平臺(tái)，關(guān)鍵行為可能是下單；對(duì)于短視頻平臺(tái)，關(guān)鍵行為可能是播放視頻；對(duì)于工具類APP，關(guān)鍵行為可能是啟動(dòng)APP。

2）窗口期

窗口期的長(zhǎng)短取決于，用戶關(guān)鍵行為的發(fā)生頻次高低。比如車主用戶一般每隔14天加油一次，因此14天可以作為窗口期。

可以基于用戶相鄰兩次關(guān)鍵行為天數(shù)間隔的75%分位數(shù)的方法確定窗口期的大小。比如，選取昨日發(fā)生過關(guān)鍵行為（比如下單、或啟動(dòng)APP）的用戶作為研究對(duì)象。分析這些用戶最近兩次關(guān)鍵行為發(fā)生的間隔天數(shù)。如果75%用戶的間隔天數(shù)都在 xx 天內(nèi)，則 xx 天可以作為流失行為的窗口期。

二、影響用戶留存的相關(guān)性因素分析

1. 搭建影響用戶留存的指標(biāo)體系

可以選取用戶靜態(tài)畫像、活躍行為類指標(biāo)、付費(fèi)行為類指標(biāo)、以及其他核心行為類指標(biāo)作為指標(biāo)體系。也可以參考用研團(tuán)隊(duì)針對(duì)流失和留存用戶的調(diào)研結(jié)果，為指標(biāo)體系搭建提供新的思路。

一般的，用研團(tuán)隊(duì)對(duì)流失和留存用戶的調(diào)研提綱如下：

• 流失用戶：調(diào)研其年齡、性別、職業(yè)、城市、圈層等社會(huì)學(xué)畫像；深度挖掘其為什么流失的原因；回歸意愿如何；以及流失的去向是哪里；他們對(duì)競(jìng)品和本品的使用體驗(yàn)差異點(diǎn)在哪里。
• 留存用戶：社會(huì)學(xué)畫像； 留在本品的核心驅(qū)動(dòng)力；通過什么方式被吸引到本品；來源渠道。

巧婦難為無米之炊，數(shù)據(jù)是分析師必備的武器。用戶調(diào)研結(jié)束后，數(shù)據(jù)分析師要嘗試對(duì)調(diào)研結(jié)果中用戶強(qiáng)烈吐槽或者十分滿意的功能體驗(yàn)，盡可能抽象成可觀測(cè)、可度量的數(shù)據(jù)指標(biāo)。

比如用戶吐槽刷到內(nèi)容平臺(tái) APP 廣告太頻繁，可以將廣告性質(zhì)內(nèi)容的曝光次數(shù)作為指標(biāo)，納入下一階段的定量分析中；用戶認(rèn)為平臺(tái)最大的優(yōu)勢(shì)在于有金幣領(lǐng)取，可以將金幣等指標(biāo)體系納入定量分析中。

2. 影響留存的重要指標(biāo)篩選

影響用戶留存或者流失的因素非常多，需要從眾多指標(biāo)中篩選出重要度較高的幾個(gè)指標(biāo)。以下有兩種方法可以提供參考。

1）相關(guān)性分析

選出與留存率相關(guān)性系數(shù)較高的前幾個(gè)行為，作為關(guān)鍵行為候集；同時(shí)還要考慮發(fā)生該行為的用戶的滲透率高低、留存率提升幅度的高低，即要保證最終的留存人數(shù)處于較高的水平（留存人數(shù) = 人數(shù)*滲透率*留存率 ）。

假設(shè)某個(gè)社交媒體平臺(tái) APP ，流失用戶被定義為近7日未啟動(dòng)APP的用戶。影響留存的指標(biāo)、各指標(biāo)與留存率間的相關(guān)系數(shù)、行為滲透率、留存率提升幅度見下表（具體數(shù)值均為模擬數(shù)據(jù)，請(qǐng)勿參考）。

從上面的四象限圖可以發(fā)現(xiàn)，播放短視頻、金幣頁面訪問等行為的滲透率較高，且留存率提升幅度也較高，因此可以作為影響留存的關(guān)鍵行為候選集。

2）基于各類樹模型

各類樹（決策樹、隨機(jī)森林、GBDT等）模型訓(xùn)練結(jié)束后，可以輸出模型所使用的特征的相對(duì)重要度，可以解釋哪些因素是對(duì)預(yù)測(cè)有關(guān)鍵影響，因此可以幫助我們快速找出對(duì)用戶留存影響度高的關(guān)鍵因素。

① 特征選擇

• 用戶畫像類特征（年齡、性別、城市、手機(jī)品牌、手機(jī)型號(hào)、平臺(tái)角色、是否安裝競(jìng)品、競(jìng)品APP安裝數(shù)量、新增渠道類型）；
• 活躍類標(biāo)簽（近 7 天APP啟動(dòng)次數(shù)、近 7 天APP使用時(shí)長(zhǎng)、近 7 天活躍天數(shù)、首次活躍距今天數(shù)、末次活躍距今天數(shù)）；
• 消費(fèi)類行為標(biāo)簽（近 7 天內(nèi)容曝光次數(shù)、近 7 天內(nèi)容點(diǎn)擊次數(shù)、近 7 天內(nèi)容播放時(shí)長(zhǎng)）；
• 互動(dòng)類行為標(biāo)簽（近 7 天點(diǎn)贊次數(shù)、關(guān)注次數(shù)、評(píng)論次數(shù)、轉(zhuǎn)發(fā)次數(shù)、收藏次數(shù)）；
• 付費(fèi)類行為標(biāo)簽（近 7 天打賞主播次數(shù)、打賞金額、充值金額）；
• 金幣激勵(lì)類標(biāo)簽（近 7 天金幣提現(xiàn)金額、簽到次數(shù)、得金幣數(shù)、訪問福利中心頁面次數(shù)）。

② 正負(fù)樣本構(gòu)建：先鎖定特定日期范圍（比如 2021.07.01-2021.07.07）的活躍用戶，根據(jù)其是否在后續(xù)7天（2021.07.08~2021.07.14））活躍來劃分正負(fù)樣本。

• 正樣本：留存用戶，即前7-14日（2021.07.01-2021.07.07）啟動(dòng)過APP，近7日（2021.07.08~2021.07.14）啟動(dòng)過APP的用戶；
• 負(fù)樣本：留存用戶，即前7-14日（2021.07.01-2021.07.07）啟動(dòng)過APP，但近7日（2021.07.08~2021.07.14）未啟動(dòng)過APP的用戶。

③ 構(gòu)建模型時(shí)的注意點(diǎn)

• 正負(fù)樣本的樣本數(shù)盡量保持在1：1，避免正樣本數(shù)量過少導(dǎo)致學(xué)習(xí)不到正樣本的信息，或者負(fù)樣本數(shù)量過大影響訓(xùn)練速度；
• 模型預(yù)測(cè)效果不佳時(shí)，可以嘗試使用多種模型，比如GBDT+LR、XBoost等；
• 區(qū)分不同類型用戶分別構(gòu)建模型，比如區(qū)分新老用戶、創(chuàng)作者用戶和消費(fèi)型用戶、高低中頻次用戶等。

根據(jù)上圖（具體數(shù)值均為模擬數(shù)據(jù)，請(qǐng)勿參考）可以看出，近7日活躍天數(shù)、APP啟動(dòng)次數(shù)、訪問時(shí)長(zhǎng)、以及播放短視頻次數(shù)等行為指標(biāo)可以作為留存的關(guān)鍵指標(biāo)。

④ 特征間的相關(guān)性分析

通過對(duì)特征間的相關(guān)性系數(shù)分析發(fā)現(xiàn)， APP 啟動(dòng)次數(shù)和 訪問 APP 時(shí)長(zhǎng)指標(biāo)之間存在很強(qiáng)的相關(guān)性，可以剔除其中一個(gè)指標(biāo)。

至此，我們可以選擇7天內(nèi)APP活躍天數(shù)、啟動(dòng)APP次數(shù)、播放短視頻次數(shù)作為影響留存的關(guān)鍵指標(biāo)。

根據(jù)這些指標(biāo)，我們可以設(shè)計(jì)新人激勵(lì)體系，引導(dǎo)用戶盡可能地多完成關(guān)鍵行為。比如新用戶激活后登錄APP、播放視頻，會(huì)有積分或者金幣等形式的激勵(lì)，該激勵(lì)活動(dòng)以 Push 或者站內(nèi)彈窗等形式傳遞到用戶。

但是激勵(lì)活動(dòng)的具體規(guī)則，比如播放視頻次數(shù)在7天達(dá)到多少，才能給到激勵(lì)呢？我們同樣可以基于數(shù)據(jù)給到建議。比如觀察第一個(gè)7天內(nèi)完成不同播放次數(shù)的用戶，在下一個(gè)周期的留存率，找到留存率變化的拐點(diǎn)（邊際提升幅度最小的點(diǎn)）作為激勵(lì)規(guī)則的臨界值。

三、留存關(guān)鍵因素的因果性驗(yàn)證

相關(guān)性不等于因果性，因果性的檢驗(yàn)必需通過設(shè)計(jì)AB實(shí)驗(yàn)驗(yàn)證，并量化策略的增量效果。

比如對(duì)于金幣激勵(lì)策略，可以抽取50%新用戶作為對(duì)照組用戶，且對(duì)照組用戶無激勵(lì)活動(dòng)觸達(dá)；50%新用戶的實(shí)驗(yàn)組，則通過push或者站內(nèi)彈窗觸達(dá)用戶。觀測(cè)對(duì)比兩組用戶在未來7天的留存率，并核算delta ROI（delta 活躍人數(shù)/金幣折算），以衡量策略的效果。

鑒于網(wǎng)上AB實(shí)驗(yàn)如何開展以及如何評(píng)估的文章較多，該部分不再具體展開敘述。

總結(jié)

本文介紹了用戶留存相關(guān)的通用分析方法，希望能夠給大家?guī)硪恍┬碌恼J(rèn)識(shí)。但限于筆者自身知識(shí)和能力水平限制，本文難免會(huì)有考慮不周全之處，如有不同見解，希望大家可以一起討論。

本文由 @郝笑笑 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)許可，禁止轉(zhuǎn)載

題圖來自Unsplash，基于 CC0 協(xié)議