小白学数据分析--留存率是什么

前段时间比较忙碌，小白系列也因此停了一段时间，这期间做了不少分析，发现和总结了不少经验，自己觉得还是很有用，不过倒都是一些基础的东西。最近很多人都在问一些基础术语和计算方式，我懂得不多，在此也想分享一下。
　　在网站分析、电商分析、网游分析中，对于留存率的关注度极高，这一浪潮随着APP应用、社交游戏的火爆逐渐成为一个很重要的衡量准则，也甚至有了40-20-10准则。对于这个准则不予评价，今天就是简单说说留存率就是是个什么玩意。
　　留存率顾名思义，就是留下来存在的比率。从时间上我们分为次日、三日、七日、14日、30日、90日、180日。从用户上来分，有新登用户和活跃用户两大类。但是我们大多数是关注时间次日、三日、七日，用户是新登用户。下面具体说说这些个概念以及为什么是这样定义形式。
　　次日留存率：新登用户在首登后的次日再次登录游戏的比例；
　　3日留存率：新登用户在首登后的第三天再次登录游戏的比例；
　　7日留存率：新登用户在首登后的第七天再次登录游戏的比例。
　　以此类推计算下去就得到了N日留存率。

　　在此图中，我们看到7日新登用户在8日登录的为次日留存用户，9日登录为2日登录留存用户……这就是留存基本定义，所谓留存率就是留存用户/新登的总量。留存率反映的实际上是一种转化率，即由初期的不稳定的用户转化为活跃用户、稳定用户、忠诚用户的过程，随着这个留存率统计过程的不断延展，就能看到不同时期的用户的变化情况。
　　之所以是这样，是因为留存是以研究新登用户为目标对象的，即我们研究某一个点的一批用户在随后的十几天，几周，几个月的时间内的生命周期情况，这样的意义是从宏观上把握用户的生命周期长度以及我们可以改善的余地。
　　因此这里就引申出一个问题，我们为什么要研究的是新登用户？如刚才所说的，我们要宏观观察用户的生命进程情况，那么我们最佳的办法就是从用户导入期就开始，所谓导入期就是用户进入游戏，这个地方我们的分析其实大有作为的，因为用户进入游戏时来源于不同的渠道，通过不同的营销手段拉入游戏，这样我们交叉分析，通过用户的后期留存情况就能从一个层面把握渠道质量，比如，付费，粘性，价值量，CAC成本。
　　那么说到留存就不得不提到另一个词就是流失，有句话我一直觉得有点道理，就是新用户看留存，老用户看流失，但是从目前我们看到的一些分析系统上似乎这部分都没开发或者省略，因为这部分的难度相对而言比较大，再者，其改善带来的效益不是立竿见影的，因此我们似乎很多时候是忽视了对老用户的质量把控和分析。因为老用户在整个用户的生命进程中是属于衰退期和流失期要关注和解决的问题[实际上从进入游戏就伴随流失，此处只是点了一部分]，关于流失这里不再多讲。
　　刚才说到留存和生命周期扯上关系了，为什么这么说，我们来看看下面的曲线。

　　这里截取了4天首登用户在随后接近40天的留存变化情况。
　　上图是跟踪了39天的数据，我们发现留存率的变化初期是震荡的比较厉害，但是随后开始逐步的趋于平稳，下一个时期就开始逐渐稳定，保持在一个水平上，如果持续观察下去，随后开始逐渐的衰退，并最终无限趋于0。
　　事实上，以上的过程是符合用户生命周期的基本形式，用户在导入期用户量会增加很多，一段时间内如果我们渠道和手段得当，用户初期的几天留存质量会很好，之后随着用户的游戏内等级成长，那么就会逐渐淘汰一些人[实际上就是留存下降，流失加剧的过程]，在用户的成长过程中，这样的留存牺牲是必然，而此时的淘汰就意味着接下来的用户成长将会趋于稳定，并保持一个时期。
　　以上我们所说的三个时期，也就是震荡期[留存高]、淘汰期[留存波动]、稳定期[留存趋于稳定水平]，随后的衰退期和流失期那就是流失率分析的部分，因为这个阶段用户留存下的基本就是老用户了，当然此处不是说前三个时期的用户就不需要流失分析，相反用户导入初期的阶段[如果拥有足够的信息]，正需要去做流失分析，因为初期流失是最多的。但是由于初期用户参与游戏的参与度有限，提供的信息也是有限的，偶然因素见多，所以就选择做留存分析。
　　一般来说留存率这类指标是需要长期持续跟踪的，且要根据版本更新，推广等诸多因素结合起来分析，试图去找到玩家的最佳周期进行制定相应的策略提升质量。
　　此外留存率的分析可以结合聚类，决策树等做进一步的深入分析，用于挖掘渠道具体的用户质量，盈利分析等。这类的深入的分析首先是要建立长期的留存率跟踪分析的基础上进行的，抓住留存率长期的作用特点，才能更好的把握这类深层次的分析。
　　最后说一句，至于是不是出于稳定期，这个得自己很好的把握和衡量，必要的时候对于变化趋势做一下显著性检验也可以检验一下。