发布时间:2023-03-16 00:00:01源自:https://www.it-th.com作者 :it谈话网阅读(256)
最近一直在写数据理论和机器学习相关的文章,好久没有写点实践相关的了。今天分享一下关于用户留存分析的逻辑细节及常见的产品化思路。
关于分析方法相关的内容,之前有写过《RFM分析的实现细节》、《漏斗分析及产品化》、《归因分析的详细逻辑》、《路径分析的细节及产品化》,都是读者关注比较高的内容,大家可以参考。   
是的,这是一个典型的用户留存分析图。
通常来讲,在这个图的左侧第一列是用户的获取时间,右侧是用户在后续第一天(周、月)、第二天(周、月)……依然有操作行为的用户数量以及留存率。这里的留存率=具体后序天用户数量÷用户获取天的总用户量(即上图中的第二列)。
时间粒度可以是天、周、月,甚至是年均可。
其实从上面的图中,包括留存分析的名称中,我们也能看出来,留存分析是用来分析新获取的用户在获取后的一段时间内,在网站或者APP的留存情况的分析。
直击本质,其实留存分析是将用户按照日期维度进行展开,看在展开日期中的行为表现,而主要看的是是否还属于网站用户,即留存。
这样展开后,一个非常大的好处是,可以分析用户的留存质量,避免出现新用户过多掩盖掉留存质量差的状况。
当然了,上面的可视化的留存分析图比较复杂,主要是涉及到了一个日期的矩阵,虽然很直观,但是信息比较分散。有时为了汇报、做分析,或者建立北极星指标,我们需要一个更概况的指标。
这一般就是日期留存率。比如:7日留存率、14日留存率、次日留存、月留存率等(注意30日留存和月留存不是一个概念,周留存和7日留存也不一样)。
强调:只说留存率不提日期就是耍流氓。因为明显时间越长留存越少,不同时间周期的留存是没有对比意义的。
具体计算比较好理解了,就是按照上图,将符合对应日期留存的用户加和做分子,对应的总用户做分母。
通过这一番操作,用一个指标衡量留存情况,就更加便捷了。
我们之前其实分享过《路径分析》、《漏斗分析》。留存分析是否和上述两个分析有一些关联呢?
答案是肯定的。
具体而言,都是针对用户在一段时间内,在不同的核心路径、或者产品环节发生的行为表现分析。
这三个分析的侧重点是不同的。
其实,这三者也是有一定关联的。
我们可以把漏斗分析看作是一个概括的分析,分析一段时间内用户在核心产品流程上的转化率、流失情况。漏斗分析是事先固化了具体的行为链路,比如先搜索、后加购、再下单、支付。
但实际呢?用户的行为是**的,肯定有用户加购以后又进行了搜索,或者下单以后进行了浏览等。所以不是按照漏斗分析这么理想的顺序来的。那如果想去分析用户具体的在各个产品环节的跳转路径,就需要将用户实际的行为顺序拆解开进行分析,这就是路径分析。
但这不代表漏斗分析没有意义。它固化了流程,也简化抽象了流程,虽然不能反映细节的路径关系,但是能分析整体的各个环节的转化。
漏斗和路径分析都更加注重于产品环节。如果想分析时间层面用户的行为表现呢?对,从产品环节中选择两个环节(或者两个衍生逻辑的环节),按照时间维度展开,就是留存分析了。
03 留存分析的产品化实现
首先,要明确的是开始和结束日期行为的定义。我们上文提过,留存分析看的是两个产品环节之间的时间展开。我们看神策的产品设计:
最顶端就是选择开始结束行为。
通常呢,我们看的是开始环节是注册行为,结束是用户登陆行为,这可以反映用户的留存,没有疑问。那如果开始日期是注册,结束日期是用户的购买呢?是不是也可以反映用户的留存呢?只不过比登陆更严格了。因此,不同的开始结束行为的定义,对于留存的统计,是有很大差异的。
具体用什么行为,还是要针对分析场景具体分析。不过在公司实践中,往往关注用户的留存质量用的是比较宽的逻辑,即关注的是注册用户的后续登陆行为,顶多是浏览,不会看比较偏后链路的行为(比如购买)。
为啥呢?
因为后续环节应该算作是用户的链路转化。既然用户已经回到网站了,那就可以用弹窗、优惠券等方式触达,和留存关系这件事,其实已经不大了。而且后链路的行为叠加了产品的漏斗损失,导致留存分析叠加其他因素,分析的意义减弱。
第二个重要的参数就是分析的日期范围以及时间力度。
时间范围比较好理解,即看哪个日期范围的用户行为。时间力度是啥意思呢?
对,这就是上文说的,7日留存和次周留存是不一样的。时间力度指的是我们分析留存是以日为单位、还是周、月。
另外还有一部分是趋势图,这里就不放了,感兴趣的朋友可以自己看看。
当然,还有就是用户的细分。比如看整体新用户的留存表现,或者男性用户的留存表现等。
欢迎分享转载→ 留存分析:如何高效实现活跃用户增长?(含产品化方法)
下一篇:三分钟读懂被吹爆了的私域流量