
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。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10