用户运营：5步学会用户留存数据分析

下期音视频由天下人都是商品副经理多媒体项目组公司出品

策画/制做：龚蓓苾

责任编辑全长约3200字，提议写作4-8两分钟

嫌文本分心，戳音视频，听ACG萌哈哈哈编者按

5步专业委员会采用者存留统计数据挖掘 音视频： unlock 00:00 00:56 退后15秒倍速快进15秒

不论是辅助工具类App、网购类App、街道社区类app、音视频类app、却是米朗博县App，都有一个关键的统计数据分项——采用者存留率。即使App的采用者存留率越高，意味著采用者采用商品的天数越长，她们能为产品增添投资收益和民营企业估值水平也就越高。

文本上捷尔萨、机能上捷尔萨、挚友上捷尔萨、化学物质鞭策、感情上捷尔萨、对个人国际品牌所推荐、实体店公益活动等而已常用的提高采用者存留率的营运方式，为的是更为有效率和有效率性的展开采用者营运组织工作，营运须要做的是营运方式竭尽全力执行前的采用者存留率统计数据挖掘，和营运方式竭尽全力执行后的存留率提高效用评估结果。

在网络金融行业中，采用者在某几天内已经开始采用应用领域，历经一几天后，依然竭尽全力采用该应用领域的采用者，被误认为是该应用领域的存留采用者，该些存留采用者占彼时追加采用者的比率即为存留率。

存留采用者和存留率体现了应用领域的质量和保留采用者的能力。如果一款商品不仅能满足采用者的核心需求，而且可以比较好的、比较快的、比较方便地满足客户的核心需求，那么这块商品的采用者存留率基本不会太差。

目前市面上有蛮多专业的统计数据机构在提供统计数据统计服务，采用比较多的移动应用领域统计平台大概有3、4家，国外比较流行的是Flurry，机能上非常全面；另外就是Google Analytics也推出了移动版，但是其在国内基本无法正常采用。而在国内的统计分析平台中目前比较有名的是友盟、TalkingData以及无需埋点即可实现统计数据统计分析的GrowingIO。

这些辅助工具都拥有非常强大统计数据挖掘能力，以采用者量较大的友盟为例，它除了可以做采用者存留率分析，还可以对追加采用者、开启情况、版本分布、采用者构成、渠道分销、营运商情况、管理等分项都能十分清晰地统计出来。

友盟的其他统计数据挖掘能力

当商品植入统计数据统计分析辅助工具的SDK，通常情况下统计数据挖掘辅助工具的后台就会自动生成采用者存留率报表。

友盟提供的采用者存留率报表

上图是友盟统计为某商品提供的在7月4日——7月10日这个天数段里的新采用者存留报表。像GrowingIO 这样的辅助工具，为的是让营运更为方便的掌握商品的采用者存留率趋势，在统计数据报表的基础上还提供了存留曲线图。

GrowingIO的采用者存留曲线

这是一个常用的存留曲线，我们把它分成了三个部分：第一部分是振荡期，第二部分是选择期，第三部分是平稳期。其中振荡期的优化空间最大，将振荡期引起采用者流失的问题解决（引导页/核心功能优化），可以有效率的提高其他两个时期的采用者存留率。

优化振荡期后的存留效用曲线图变化

第一步：分组

采用者存留分析的第一步是按照不同的（天数/渠道/行为等）维度展开采用者分组。比如我们在对采用者

某街道社区类app的采用者存留情况解读

户存留情况的分组。从图中可以看到具体每一天的采用者存留表现情况。比如在6月28日这天获得的采用者，一天后存留率27.8%，两天后存留率是13.5%，三天后存留率是11.3%。

如果想深度地挖掘哪里出了问题才导致这款街道社区型app的次日存留率这么低，只有这种图是不够的，我们还须要进一步地分析采用者行为分析。

第二步：对比

营运想通过对采用者存留率的统计数据挖掘找到优化方案和检验营运策略效用，最核心分析的方法是根据采用者行为展开分组的比较，即使绝对的数值在大多数场合下是没有意义的，只有通过在不同维度之间做统计数据的比较分析，能帮助营运找到统计数据变化的原因。

比如对于百度贴吧客户端来说想验证看贴对新采用者的存留效用，则可以对同样是来自A渠道的新采用者展开（有采用看贴/未采用看贴）行为分组比较。通过比较可以知道采用过看贴机能的新采用者和非采用过该机能的新采用者，在三日存留率上相差50%以上（表明看贴对新采用者存留用正向促进作用）。

新采用者看贴和不看贴的三日存留率比较

如果进一步的展开分组存留率分析的话，可以是对在看贴机能内浏览了3篇贴子的新采用者和仅浏览1篇贴子的新采用者展开分析，看她们在存留率上的差异表现，要是浏览3篇贴子的采用者存留率大于1篇贴子的存留率，那么下一步则须要加强文本质量的把关，提高看的机能的PV/UV的百分比。

当营运采取了某个营运方式来提高采用者存留率时，则可以通过对营运方式覆盖到的新采用者存留率和未覆盖的新采用者存留率做对比分析，来验证方式的有效率性。

除了刚才提到的贴吧看贴的案例，这里再分享一个中东的数字音乐流app通过统计数据挖掘来改进其引导页以获得更高新采用者存留率的例子（属于通过统计数据挖掘寻找优化方案的例子）。

音乐app的第一版引导页

这款app的初版引导页由三个部分组织，分别为引导采用者定制自己的音乐、选择自己喜欢的音乐类型、选择对应类型的音乐家，然后根据采用者的选择展开个性化的首页文本（音乐）所推荐。

类有多高呢？

为的是解决上述的问题，该app负责人展开了如下的分析：将Amplitude（移动统计数据挖掘辅助工具）植入该音乐app引导页的每个步骤，提取统计数据展开分析与验证。他的统计数据挖掘的思路是将一几天内所有完成了三个引导页的采用者都筛选出来，然后再计算她们在这之后持续回访商品的比率，同时也将这几天里未完成三个引导页的采用者筛选出来，将这些采用者的存留率与完成的引导页的采用者存留率做对比。

验证第一个问题的Amplitude事件

历经统计数据挖掘发现的完成三个引导页的采用者多了47%的可能性成为长期采用者（和没完成的相比）。那么问题来了，既然引导页对于提高采用者存留率的效用，那该如何进一步的提高完成引导页的新采用者占总追加采用者的比率呢（甚么原因导致大家不愿意完成引导页里的任务）？

验证第二个问题的Amplitude界面

该app负责人对三个引导页的新采用者点击情况展开漏斗模型分析，发现从第二个引导页到第三个引导页的流失率达到15%（按照负责人解释的原因是在中东，采用者听歌认脸多于认音乐的类型！）。此外第一页到第二页虽然流失率不大，但是为的是进一步提高走完引导页的采用者比率，该app负责人认为可以将引导页第一部分“Personalize Anghami”取消，即使该些信息对更精准的采用者所推荐的帮助几乎为零。

历经以上两轮的统计数据挖掘后，这个数字音乐流app改版后的引导页变现只有两个部分了，并且在展示元素上也做了优化。

音乐app的第二版引导页

采用者存留率的交叉对比分析，除了可以用来做营运方式的有效率性验证和机能优化分析之外，其实还可以用在当商品统计数据出现异常时的原因探究。下面再举一个案例来表明如何通过对比存留率，找到在营运过程中出现商品统计数据变化的原因。

有个辅助工具型app最近DAU（日活跃采用者）上升的效用不错，DAU在一个月天数的天数里提高了3万，环比增加明显。第一步先对统计数据展开初步分析，发现该月追加采用者环比几乎为零。

然后观察新采用者的留存率，发现存留率在这个月大概提高了3个百分点，和商品同学沟通后发现月初发布了新版。为的是查看是否为新版本更新增添的存留率增长，于是进一步筛选查看了新版本的存留，发现新版存留率比整体是偏的，而新版在商品上并没有很大的变化，所以问题很可能是推广的流量。

后来分析发现，追加的C渠道作为这个月的主推渠道，量占了40%，但存留率却比总体还要高，所以最终的原因就是新版本在C渠道的推广获得了更多与商品定位相符的采用者。

总的来说，采用者存留统计数据挖掘帮助营运展开更为科学、可量化的采用者营运管理，同时为营运组织工作找到了一个新的价值标准：提高采用者存留率！

比如当你策画了一个文本分享公益活动，在不知道采用者存留率这个概念时只会说分享数少，通过分享引入的新采用者多少，如果为这个分享公益活动加上采用者存留率这个价值衡量分项的话，则可以添加“参与分享公益活动的新采用者与非参与公益活动的新采用者存留率的对比，以及通过分享链接进入到商品的新采用者与正常渠道进入商品的新采用者存留对比。

责任编辑系作者授权发布，未经许可，不得转载。