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
B+树作为数据库索引的核心数据结构,其高效的查询、插入、删除性能,离不开节点间指针的合理设计。在日常学习和数据库开发中,很 ...
2026-01-30在数据库开发中,UUID(通用唯一识别码)是生成唯一主键、唯一标识的常用方式,其标准格式包含4个短横线(如550e8400-e29b-41d4- ...
2026-01-30商业数据分析的价值落地,离不开标准化、系统化的总体流程作为支撑;而CDA(Certified Data Analyst)数据分析师,作为经过系统 ...
2026-01-30在数据分析、质量控制、科研实验等场景中,数据波动性(离散程度)的精准衡量是判断数据可靠性、稳定性的核心环节。标准差(Stan ...
2026-01-29在数据分析、质量检测、科研实验等领域,判断数据间是否存在本质差异是核心需求,而t检验、F检验是实现这一目标的经典统计方法。 ...
2026-01-29统计制图(数据可视化)是数据分析的核心呈现载体,它将抽象的数据转化为直观的图表、图形,让数据规律、业务差异与潜在问题一目 ...
2026-01-29箱线图(Box Plot)作为数据分布可视化的核心工具,能清晰呈现数据的中位数、四分位数、异常值等关键统计特征,广泛应用于数据分 ...
2026-01-28在回归分析、机器学习建模等数据分析场景中,多重共线性是高频数据问题——当多个自变量间存在较强的线性关联时,会导致模型系数 ...
2026-01-28数据分析的价值落地,离不开科学方法的支撑。六种核心分析方法——描述性分析、诊断性分析、预测性分析、规范性分析、对比分析、 ...
2026-01-28在机器学习与数据分析领域,特征是连接数据与模型的核心载体,而特征重要性分析则是挖掘数据价值、优化模型性能、赋能业务决策的 ...
2026-01-27关联分析是数据挖掘领域中挖掘数据间潜在关联关系的经典方法,广泛应用于零售购物篮分析、电商推荐、用户行为路径挖掘等场景。而 ...
2026-01-27数据分析的基础范式,是支撑数据工作从“零散操作”走向“标准化落地”的核心方法论框架,它定义了数据分析的核心逻辑、流程与目 ...
2026-01-27在数据分析、后端开发、业务运维等工作中,SQL语句是操作数据库的核心工具。面对复杂的表结构、多表关联逻辑及灵活的查询需求, ...
2026-01-26支持向量机(SVM)作为机器学习中经典的分类算法,凭借其在小样本、高维数据场景下的优异泛化能力,被广泛应用于图像识别、文本 ...
2026-01-26在数字化浪潮下,数据分析已成为企业决策的核心支撑,而CDA数据分析师作为标准化、专业化的数据人才代表,正逐步成为连接数据资 ...
2026-01-26数据分析的核心价值在于用数据驱动决策,而指标作为数据的“载体”,其选取的合理性直接决定分析结果的有效性。选对指标能精准定 ...
2026-01-23在MySQL查询编写中,我们习惯按“SELECT → FROM → WHERE → ORDER BY”的语法顺序组织语句,直觉上认为代码顺序即执行顺序。但 ...
2026-01-23数字化转型已从企业“可选项”升级为“必答题”,其核心本质是通过数据驱动业务重构、流程优化与模式创新,实现从传统运营向智能 ...
2026-01-23CDA持证人已遍布在世界范围各行各业,包括世界500强企业、顶尖科技独角兽、大型金融机构、国企事业单位、国家行政机关等等,“CDA数据分析师”人才队伍遵守着CDA职业道德准则,发挥着专业技能,已成为支撑科技发展的核心力量。 ...
2026-01-22在数字化时代,企业积累的海量数据如同散落的珍珠,而数据模型就是串联这些珍珠的线——它并非简单的数据集合,而是对现实业务场 ...
2026-01-22