留存

留存简介

留存,顾名思义,就是用户在你的网站/app中留下来、持续使用的意思。

留存为什么重要?留存是AARRR模型中重要的环节之一,只有做好了留存,才能保障新用户在注册后不会白白流失。有时候我们光看日活(DAU),会觉得数据不错,但有可能是因为近期有密集的推广拉新活动,注入了大量的新用户,但是留下来的用户不一定在增长,可能在减少,只不过被新用户数掩盖了所以看不出来。这就好像一个不断漏水的篮子,如果不去修补底下的裂缝,而只顾着往里倒水,是很难获得持续的增长的。

一般我们讲的留存率,是指“新增用户”在一段时间内“回访网站/app”的比例。常见的指标有次日留存、三日留存、七日留存等。 在GrowingIO中,我们提供三种留存分析:用户留存、产品功能留存、自定义留存。

  • 用户留存:分析用户回访网站、App的留存情况,包括新用户和所有用户留存分析。通常情况下,用户在早期流失现象非常严重。产品需要让用户快速容易的体验到产品的价值。一旦用户发现产品对自己的价值,继续使用和探索产品新功能的概率就会增大很多。对比分析用户进行过的行为可以帮助您发现高留存率的行为,寻找行为与留存的相关性, 还可以通过维度、分群对比了解不同特征的新用户留存分布情况,并为您的决策提供数据支持。
  • 产品功能留存: 分析用户对不同产品功能的使用粘性与活跃度。一般我们不仅需要关注整个网站/App的留存,还需要关注核心行为的留存率,比如重复购买的情况。对产品进行迭代时,我们还可以使用产品功能留存观测这个功能的留存率整体有没有提高;或者例如电商网站,发现用户对某一类商品购买的留存率很高,便可以采取相应的营销活动。
  • 自定义留存:可自定义起始、回访行为,进行更多情景下的留存分析。 例如您想了解新用户多久才开始使用某个产品功能,您可以选择起始行为是任意行为,回访行为是点击这个功能的按钮,来观测新用户对这个功能使用时间的分布情况,寻找到合适的转化周期。您还可以通过维度对比与分群对比,进行更深度挖掘。

功能简介

当您进入留存功能时,页面上默认显示的是过去14天新访问用户的留存情况。我们先来认识一下页面中的留存概况和细节。

留存图表

目前留存有两个图表可以观察:留存趋势概况和留存趋势细节。

在图表上,您可以选择留存分析的时间范围

  • 在这里您可以选择过去7天、14天、30天、90天或任意自定义时间。 例如,如果选择了1月1日至1月9日,那么系统会筛选出1月1日-9日的新访问用户,并在这批用户里计算之后每一天又回访网站/App的发生比例。
  • 您可以选择留存分析的颗粒度:日留存、周留存、月留存

留存趋势细节

我们先来看留存趋势细节,它是一张表格图,每一行都代表了某一天的起始行为用户的留存情况。例如,上图红框中6.9%的意思为:1月25日新增的390个用户中,有6.9%的用户在2天后(即1月27日)又一次来到了网站上。根据留存率的高低,我们对每个单元格进行了不同的染色,颜色越深表示留存率越高。

概况中的数据是根据选择的时间区间中每日的留存人数计算出来的。比如上图中2天后留存率为3.5%,它是根据以下公式计算出的:

(1月21日到1月25日的新访问用户中,2天后又回访网站/App的人数) / (1月21日到1月25日的新访问用户)

留存表中每一列留存率根据以上公式进行计算,就成为了第一行“概况”中对应列的总留存率。 在上图的例子中,只有在1月21日访问网站的人群有6天后回访网站的数据,所以概况中的7日留存是根据1月21日访问网站的人群计算出来的,基数较少,这就是有时候留存概况尾部留存率反而变高的原因。

在查看所有访问、登录用户的时候,在上面的公式中用户量是不去重的,用户数2.2k是1月21日到1-27日每日访问用户数的直接相加,而总留存人数也是每天留存人数的直接相加。比如一个用户每天都访问的网站,此时总人数会加7。这样做的原因是留存概况表示某段时间用户回到网站、App的留存比例,考察产品对用户的吸引力,如果对用户做去重处理,会导致留存数据受到部分用户或者某天数据的影响而发生比较大的波动。比如一个用户1月21日、22日访问了网站,23日没有访问网站,用这三天计算留存的时候应该是50%,但如果去重了的话,计算出来就是100%,显然网站对用户的吸引力并没有达到100%。如果需要分析某个时间段来访的用户之后的留存情况,可以选择查看周留存或者月留存。在周留存和月留存中,当周、当月的用户是去重了的。

而“概况”中的所有百分比数值绘制成曲线图,就是“留存趋势概况”这张图了。

在留存分析中,我们提供“用户留存”、“产品功能留存”、“自定义留存”三个功能。

用户留存

用户留存用于分析用户回访网站、App的留存情况。

用户类型

您可以选择新访问用户或者新登录用户。访问用户指的是GrowingIO通过浏览器cookies或者设备ID来识别出的用户,凡是访问了网站、App的用户都被会标记为访问用户;如果您上传了用户属性字段,可以分析登录用户的留存情况。

细分对比

细分对比不同特性的用户留存,可以帮助您了解某些维度特性或者行为与留存的相关性。你可以选择行为、维度和用户分群细分,最多支持5个细分选项。

行为细分: 用户访问初期的行为会对留存情况产生较大影响。在用户留存分析中,您可以选择行为细分,分析在首次访问当天/周/月进行过该行为的新用户的留存,定位留存和某些特定行为的相关性。 当您进行日留存分析时,选择某个行为表示分析在首次访问当天进行过该行为的新用户的留存情况。如果是周留存,则表示访问当周进行过该行为的新用户。 行为细分中可以选择任意圈选过的页面浏览或元素点击行为。

维度细分: 分析符合某维度特征的新用户的留存,用于分析渠道质量等。

用户分群细分: 分析属于某用户分群的新用户的留存,比如来自华北地区的用户、或者领取过红包奖励的用户等。

产品功能留存

产品功能留存用于分析用户回访网站、App或重复进行某些关键行为的情况。一般我们不仅需要关注整个网站/App的留存,还需要关注核心行为的留存率,比如重复购买的情况。 在产品功能留存中,您可以选择用户类型:访问用户或者登录用户;选择您要分析的功能,比如浏览商品支付页或者支付购买按钮等。 还可以使用产品功能留存分析:

 1.对产品进行小幅迭代时,通过留存表观测随着时间变化产品功能的留存率整体有没有提高。  
 2.电商网站,发现用户对某一类啤酒购买的留存率很高,便可以采取相应的营销活动。

选择需要分析的功能,图中显示的是进行了这个行为的用户N天/周/月后又重复进行该行为的留存情况。 产品功能留存可以使用维度和用户分群进行细分。

自定义留存

自定义留存可以灵活地建立最适合的留存模型,分析满足特定条件的用户使用产品的留存情况。 自定义留存中一共有三个可以调整的选项:

  • 用户类型:新访问用户、访问用户、新登录用户、登录用户
  • 起始行为 起始行为规定了你想筛选什么样的用户进行留存分析。我们按照最普遍的留存率的概念,将默认的起始行为设置为“任意行为”,即。除了默认选项外,我们还支持将任意圈选过的标签的浏览或点击行为作为起始行为,在下拉菜单中就可以直接选择。 例如,选择“页面_加入我们”“浏览”为起始行为,那么系统会将一段时间内所有浏览过“加入我们”这个页面的用户都筛选出来,然后再计算他们在这之后是否发生过回访行为。

  • 回访行为 您希望用户经常地、持续地到你的产品中做什么?这就是回访行为的定义。在默认条件下,回访行为被设置为“任意行为”,即对任何页面的浏览或点击都被认为是留存。与起始行为一样,你可以设置任意标签的浏览或点击行为作为回访行为,在下拉菜单中可以选择。

    例如,选择“按钮_加入购物车”“点击”作为回访行为,那么系统会计算:在满足起始行为的用户中,接下来的每一天里有多少人点击了“加入购物车”按钮?他们占起始用户的比例有多少?

使用案例

案例一:

市场部门的同事在优化渠道的时候,留存是一个重要的考察渠道质量的指标。从各个渠道拉新获取的新用户,有多少人留下来了,哪个渠道质量比较高,都可以在“用户留存”模块中快速找到结果。 在“用户留存”中选择维度对比,然后选择您想分析对比的维度,比如“访问来源”。

留存图中会出现各个访问来源的新用户在首次访问后的第N天又回访网站的情况。 不同的渠道、地区可能会有不同的留存曲线,您可以通过细分对比找到留存率高的用户的共同特征,从而优化渠道投放,提高用户留存。

案例二:如何优化产品初期体验,提高用户留存

对于产品经理,提升用户用户初次产品体验是非常重要。通常情况下,新用户在早期流失现象非常严重。产品经理需要设计出一套简单易用的上手方案,让新用户快速容易的体验到产品的价值。一旦用户发现产品对自己的价值,继续使用和探索产品新功能的概率就会增大很多。

用户在初次体验我们的产品时,可能只会体验几个功能,但是就是这几个功能的体验效果决定了他们会不会继续使用我们的产品。我们必须了解到用户在早期体验我们产品时候,完整的体验过我们产品的哪些功能,体验了这些功能的新用户的留存比没有体验过这些功能的留存,或者整体用户留存的对比是什么样?了解到这些基础问题,我们就可以把用户初次体验我们产品的表现监控起来,并且依据数据提供的信息支持,采取 产品的优化策略,提升用户初次体验我们产品的体验。

下面我们来看看GrowingIO 新上线的留存功能是如何帮您实现这个目的。

例如某个社交网站,用户在访问网站的时候可能会用到“添加好友”、“发表评论”等功能,我们希望看到新用户在首次访问初期使用各功能的情况和之后的留存情况。 进入“用户留存”分析模块,在行为对比中,添加“添加好友”、和“发表评论”功能进行细分对比。

我们可以在结果中看到,全部新访问用户的次日留存是8.3%,而首次访问当天使用过“添加好友”、“发表评论”功能的新用户次日留存分别是28.1%和14.5%。在之后的几天,使用过“添加好友”功能的用户粘性也都高于整体用户。 虽然使用过“添加好友”功能的用户留存很高,但是在首次访问当天,使用过该功能的用户只有143人,仅仅占总人数的2.4%。 这个时候我们可以做一些尝试性的实验,比如新用户on boarding 阶段促进用户使用“添加好友”功能,提高使用该功能的用户量,然后在留存表中看所有新用户的留存是否有相应提高。

除了使用行为对比来寻找可能提高留存率的关键行为之外,我们还可以使用维度对比、分群对比来寻找某些高留存率的用户的共性,再通过调整市场推广策略、产品设计来提高留存率。

案例三:如何分析关键行为的回访情况

除了关注网站/App的整体用户留存之外,一些核心功能的重复使用情况也是非常重要的;另外产品经理会关注自己设计的产品线或者某项产品功能的留存情况。这时候可以使用产品功能留存模块分析这个问题。

比如一个电商网站,非常关注用户的购买行为。我们点击“产品功能”留存,选择想分析的关键行为,“支付订单”,分析有过支付行为的用户,在之后的N天又购买商品,浏览“支付订单”页面的留存情况。

对于关键的业务行为,我们需要关注留存率的变化。如果次日、7日等重要时间点的回访率突然降低,这个时候我们就需要查看这个功能出现了什么问题,分析、找到问题的根源及解决问题。 另外产品经理在一项功能上线后,会进行改版或者小步迭代。所以对于迭代(改版)前后留存率变化非常看重,我们可以通过留存表时间变化的趋势,看出留存的变化情况。

除了查看功能的整体回访情况及时间趋势以外,我们也可以通过维度对比查看不同渠道过来的用户,或者您上传的不同属性的用户对该功能的回访情况。通过细分对比就可以很容易看到各个渠道的质量,为您提高留存提供数据基础和思路。

除此之外,还可以建立不同特征的用户分群,然后细分对比这些不同特征的用户,对这个功能的使用情况和留存表现。

案例四:

某个O2O应用,想观察给用户发放红包之后的回购行为趋势。在这个案例中,我们将触发了购买行为的用户定义为留存用户,因为对于这个活动来说,刺激用户的购买是首要目标,那些仅在应用里查看了商品页面的用户,虽然他们回访了,但并没有进行关键行为,因此在这个案例中暂不能成为留存用户。

首先点击自定义留存,在【起始行为】中选择【红包领取成功页面】【浏览】,然后在【回访行为】中选择【购买成功页面】【浏览】

在这张表中,可以看到第一列“当天”的留存率已经不是100%,这是因为我们设定的起始行为与回访行为不一致而形成的,是正常现象。当天的平均留存率为80.4%,表示每100个领取了红包的用户中,大约80人会在当天就去购买商品花掉红包。

我们还可以根据这张表做进一步的分析:例如,在1天后的留存率中,7月11日领取红包的这批用户转化率非常低,只有14.5%,而7月12日的转化率达到36.6%。我们可以进一步通过维度、用户分群的细分来定位这个差异的原因。或者在【用户分群】功能中将这批用户定义为一个分群A,同时将1月7日领取红包的这批用户定义为分群B,将这两个分群进一步按照多个维度和指标进行交叉对比,找出他们的行为差异。

results matching ""

    No results matching ""