京公网安备 11010802034615号
经营许可证编号:京B2-20210330
这节我们来聊一下用户留存的话题,用户留存有多重要呢?“不留存,就去死”,听起来还是有点耸人听闻的对吧。说到留存,不得不先弄清楚用户画像,所谓“知己知彼,百战不殆!”
很多大佬们往往更关注留存这一环节,那么这一环节有什么奇妙的地方呢?由于这一章内容较多,小P给大家找到了思维导图方便大家理解:
首先,书中关于用户留存举了BranchOut的反例:从2012年1月开始,短短几个月时间里,BranchOut的总用户数增长到2500万,月活跃用户一度达到1400万,并且完成了C轮融资。就是这样一个看起来前景一片大好的社交网站,是怎么最后沦落到到处找买家贱卖的下场呢?
归根结底,就是没有注重用户的留存问题,团队把精力全部放在了用户获取上。其实这样的事情在国内我们也见过不少,很多app都有过声势浩大的阶段,但后来却逐渐消失在我们的视野中。我们去结合产品的“S”曲线就会发现,这类产品在当时巨大的用户增量面前,并不足以承担,并且很可能会对产品造成很大的负担,产品功能及各方面不够匹配这么大的用户量,一味的增长反而会加速产品走向下坡。其实,我们首先要认清一个公式:
净用户增长=新用户加入-老用户流失
这也就意味着我们的流失数最起码要与新用户数保持持平,才会实现增长。然而现实中,很多新人会被眼前的新用户数冲昏头脑,而忘记产品现有功能是否能满足大量用户基本使用需求以及是否能满足小众用户的特殊需求。所以,出现这些问题也就可以理解了。
我们再来定义下留存,女主说:衡量留存,我们推荐使用计算同一用户群不同时间的留存率(Retention rate)来绘制留存曲线(Retention curve),有时候也叫做进行同期群分析(Cohort Analysis)。简而言之,就是把同一时期加入的用户放在一起,横向追踪他们在接下来几个月、一年的时间里,是不是还持续使用这个产品,有多大比例流失了,在什么时间流失了,从而了解用户随时间变化的留存情况。在定义留存这个环节中,首先我们需要明确定义自己产品留存关键行为以及用户的天然使用周期,这样我们就可以着手绘制留存曲线图了。想要画出一个周留存曲线,只需以下四步:
1. 记录每一周首次完成关键行为的用户数,也就是激活用户数。
2. 追踪这些用户在接下来的每一周里继续完成关键行为的数量。
3. 通过前两步,计算每一周有关键行为的用户占首周激活用户数的百分比。
4. 把百分比数据画成曲线图,就是你的留存曲线了。
步骤4
那么,从这个留存曲线当中我们能看出什么呢?
横向观察时:用户的流失是不可避免的,但好的留存曲线应该是变得越来越平
纵向观察时:随着产品的改善,以及各种留存手段的帮助,后来加入的用户其留存曲线的
的斜率应该比之前加入的用户的平缓。
同样,用户留存周期也是分阶段的。
1. 新用户激活阶段:包括新用户的注册、激活流程和整体的新用户体验。这一阶段的主要目标是帮助新用户上手,快速发现产品达到Aha时刻。
2. 中期留存阶段:是指用户完成了首次关键行为之后继续熟系产品,发现更多的价值。主要目标是帮助用户形成使用习惯。
3. 长期留存阶段:这时用户对产品的使用已经非常熟悉,主要目标是让用户经常回来使用产品,感受到产品的核心价值,避免用户的流失。
4. 流失用户阶段:这一阶段是针对已经流失的用户,主要目标是让用户重新发现产品价值,唤回用户。
不同阶段,目标也不同。把握住留存的各个阶段,实操起来才会更轻松。
CDA学员免费下载查看报告全文:2026全球数智化人才指数报告【CDA数据科学研究院】.pdf
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
近日,由 CDA 数据科学研究院重磅发布的《2026 全球数智化人才指数报告》,被中国教育科学研究院官方账号正式收录, ...
2026-04-22在数字化时代,客户每一次点击、浏览、下单、咨询等行为,都在传递其潜在需求与决策倾向——这些按时间顺序串联的行为轨迹,构成 ...
2026-04-22数据是数据分析、建模与业务决策的核心基石,而“数据清洗”作为数据预处理的核心环节,是打通数据从“原始杂乱”到“干净可用” ...
2026-04-22 很多数据分析师每天盯着GMV、转化率、DAU等数字看,但当被问到“什么是指标”“指标和维度有什么区别”“如何搭建一套完整的 ...
2026-04-22在数据分析与业务决策中,数据并非静止不变的数值,而是始终处于动态波动之中——股市收盘价的每日涨跌、企业月度销售额的起伏、 ...
2026-04-21在数据分析领域,当研究涉及多个自变量与多个因变量之间的复杂关联时,多变量一般线性分析(Multivariate General Linear Analys ...
2026-04-21很多数据分析师精通描述性统计,能熟练计算均值、中位数、标准差,但当被问到“用500个样本如何推断10万用户的真实满意度”“这 ...
2026-04-21在数据处理与分析的全流程中,日期数据是贯穿业务场景的核心维度之一——无论是业务报表统计、用户行为追踪,还是风控规则落地、 ...
2026-04-20在机器学习建模全流程中,特征工程是连接原始数据与模型效果的关键环节,而特征重要性分析则是特征工程的“灵魂”——它不仅能帮 ...
2026-04-20很多数据分析师沉迷于复杂的机器学习算法,却忽略了数据分析最基础也最核心的能力——描述性统计。事实上,80%的商业分析问题, ...
2026-04-20在数字化时代,数据已成为企业决策的核心驱动力,数据分析与数据挖掘作为解锁数据价值的关键手段,广泛应用于互联网、金融、医疗 ...
2026-04-17在数据处理、后端开发、报表生成与自动化脚本中,将 SQL 查询结果转换为字符串是一项高频且实用的操作。无论是拼接多行数据为逗 ...
2026-04-17面对一份上万行的销售明细表,要快速回答“哪个地区卖得最好”“哪款产品增长最快”“不同客户类型的购买力如何”——这些看似复 ...
2026-04-17数据分析师一天的工作,80% 的时间围绕表格结构数据展开。从一张销售明细表到一份完整的分析报告,表格结构数据贯穿始终。但你真 ...
2026-04-16在机器学习无监督学习领域,Kmeans聚类因其原理简洁、计算高效、可扩展性强的优势,成为数据聚类任务中的主流算法,广泛应用于用 ...
2026-04-16在机器学习建模实践中,特征工程是决定模型性能的核心环节之一。面对高维数据集,冗余特征、无关特征不仅会增加模型训练成本、延 ...
2026-04-16在数字化时代,用户是产品的核心资产,用户运营的本质的是通过科学的指标监测、分析与优化,实现“拉新、促活、留存、转化、复购 ...
2026-04-15在企业数字化转型、系统架构设计、数据治理与AI落地过程中,数据模型、本体模型、业务模型是三大核心基础模型,三者相互支撑、各 ...
2026-04-15数据分析师的一天,80%的时间花在表格数据上,但80%的坑也踩在表格数据上。 如果你分不清数值型和文本型的区别,不知道数据从哪 ...
2026-04-15在人工智能与机器学习落地过程中,模型质量直接决定了应用效果的优劣——无论是分类、回归、生成式模型,还是推荐、预测类模型, ...
2026-04-14