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。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在神经网络模型搭建中,“最后一层是否添加激活函数”是新手常困惑的关键问题——有人照搬中间层的ReLU激活,导致回归任务输出异 ...
2025-12-05在机器学习落地过程中,“模型准确率高但不可解释”“面对数据噪声就失效”是两大核心痛点——金融风控模型若无法解释决策依据, ...
2025-12-05在CDA(Certified Data Analyst)数据分析师的能力模型中,“指标计算”是基础技能,而“指标体系搭建”则是区分新手与资深分析 ...
2025-12-05在回归分析的结果解读中,R方(决定系数)是衡量模型拟合效果的核心指标——它代表因变量的变异中能被自变量解释的比例,取值通 ...
2025-12-04在城市规划、物流配送、文旅分析等场景中,经纬度热力图是解读空间数据的核心工具——它能将零散的GPS坐标(如外卖订单地址、景 ...
2025-12-04在CDA(Certified Data Analyst)数据分析师的指标体系中,“通用指标”与“场景指标”并非相互割裂的两个部分,而是支撑业务分 ...
2025-12-04每到“双十一”,电商平台的销售额会迎来爆发式增长;每逢冬季,北方的天然气消耗量会显著上升;每月的10号左右,工资发放会带动 ...
2025-12-03随着数字化转型的深入,企业面临的数据量呈指数级增长——电商的用户行为日志、物联网的传感器数据、社交平台的图文视频等,这些 ...
2025-12-03在CDA(Certified Data Analyst)数据分析师的工作体系中,“指标”是贯穿始终的核心载体——从“销售额环比增长15%”的业务结论 ...
2025-12-03在神经网络训练中,损失函数的数值变化常被视为模型训练效果的“核心仪表盘”——初学者盯着屏幕上不断下降的损失值满心欢喜,却 ...
2025-12-02在CDA(Certified Data Analyst)数据分析师的日常工作中,“用部分数据推断整体情况”是高频需求——从10万条订单样本中判断全 ...
2025-12-02在数据预处理的纲量统一环节,标准化是消除量纲影响的核心手段——它将不同量级的特征(如“用户年龄”“消费金额”)转化为同一 ...
2025-12-02在数据驱动决策成为企业核心竞争力的今天,A/B测试已从“可选优化工具”升级为“必选验证体系”。它通过控制变量法构建“平行实 ...
2025-12-01在时间序列预测任务中,LSTM(长短期记忆网络)凭借对时序依赖关系的捕捉能力成为主流模型。但很多开发者在实操中会遇到困惑:用 ...
2025-12-01引言:数据时代的“透视镜”与“掘金者” 在数字经济浪潮下,数据已成为企业决策的核心资产,而CDA数据分析师正是挖掘数据价值的 ...
2025-12-01数据分析师的日常,常始于一堆“毫无章法”的数据点:电商后台导出的零散订单记录、APP埋点收集的无序用户行为日志、传感器实时 ...
2025-11-28在MySQL数据库运维中,“query end”是查询执行生命周期的收尾阶段,理论上耗时极短——主要完成结果集封装、资源释放、事务状态 ...
2025-11-28在CDA(Certified Data Analyst)数据分析师的工具包中,透视分析方法是处理表结构数据的“瑞士军刀”——无需复杂代码,仅通过 ...
2025-11-28在统计分析中,数据的分布形态是决定“用什么方法分析、信什么结果”的底层逻辑——它如同数据的“性格”,直接影响着描述统计的 ...
2025-11-27在电商订单查询、用户信息导出等业务场景中,技术人员常面临一个选择:是一次性查询500条数据,还是分5次每次查询100条?这个问 ...
2025-11-27