• 原文：原文链接
• 作者：Archana Madhavan
• 翻译：@lixiang
• 版本：v1.0
• 关键字：留存分析，数据分析，流失率

所有初创公司都明白“留存才是硬道理”。如果无法解决留存问题，死路一条。

那么为什么大多数创业公司仍将所有资源都集中在获客/新增（acquisition）上呢？因为与留存相比，这更让人愉悦。在营销和销售上烧钱让人爽；然而，数据和分析却让人苦恼，特别是当脑子里呈现的是用户觉得你的产品糟透了的事实真相。

但是，留存分析是增长的基础; 在不留住现有用户的情况下，您就像在填满一个破桶。您可能会在一段时间内基于新用户而获得增长，但最终您将耗尽所有可能的新用户。您的用户数量将趋于稳定，然后下降。最后死翘翘。

然而，当您开始查看留存指标时，怎么才能知道要关注什么呢？许多人不知道以何种有意义的方式分析留存率，用于推动增长并使产品更好地适用于现有用户和新用户。这就是留存分析发挥作用的地方。

留存分析的好处包括能够：

• 了解安装应用后有多少用户返回使用应用程序
• 理解为什么有些用户会流失而其他用户却没有
• 形成基于定量数据的增长假设
• 制定数据监控策略（data-informed strategy）以提高应用留存率

如何进行留存分析？

以下是您需要针对数据提出的5个重要问题，以便评估留存。这将为您提供开始构建留存策略，并为所有用户改进产品所需的所有信息。

1. 留存是什么？

在开发和迭代产品时，有一个数字应该不断出现在你的脑海中，即产品的N日留存率——有多少人每天/周/月在产品中停留。低留存率是任何应用程序开发人员的噩梦。如果没有得到有效处理，这将成为您产品的丧钟。

这就是留存分析的用武之地。通过将用户分解为特定的同类群组（Cohorts），您可以准确了解他们何时放弃您的产品并开始确定什么原因导致他们离开。衡量留存最快速简便的方法是使用新增用户同期群组分析（Acquisition cohorts）。

通过新增群组，您可以根据他们开始使用您的应用的时间来查看特定群组的留存情况。然后，您可以确切地了解每天（或每周或每月）有多少人流失掉。例如，在下面的群组表中，有13464位新用户在12月1日（第0天）注册。一天后（第1天），57％的用户仍在使用该应用程序（7,675名用户）。两天后（第2天），在12月1日注册的用户中有39.5％仍在使用app（5,318位用户）。到第3天，留存率为12月1日队列的33.6％（4,524名用户）。

通过查看在特定日期（或日期范围）注册的人数在N天后仍在使用您的服务，您可以轻松计算任何每日/每周/每月群组的留存率。

由此，您可以计算留存曲线，以更好地显示用户在应用中停留的时间。根据以上数据，您可以为已注册应用的所有用户计算曲线（317,332）。

到第1天，只有49.1％的用户留存，这意味着下载您应用的所有用户中有一半几乎立即停止使用。从那里开始，每天都会产生进一步的流失，但增量比初始流失小。曲线在第7天左右开始变平，每天的流失率约为1-2％。

因此，应用使用的最显着的下降是从第0天到第1天，随后留存变化越来越小。这告诉您，在初始下载后，用户没有找到令人信服的理由来使用您的应用。但是，那些了解应用程序价值的人确实能够待在一起更长时间; 当您留住了这些超级用户时，留存曲线最终会趋平。

这为您提供了一个重要的重要信息，您无法通过简单的流失率数字获得这些信息。它将您的留存问题分解为某些阶段：您可以看到确切的用户何时立即，几天后或几周后流失。这些都是需要不同解决方案进行应对的不同问题。这意味着您可以将焦点缩小到该特定区域——在这种情况下，即第1天的留存。

2. 留存指标的趋势

一旦开始测试新想法，您就会担心它们对应用留存的影响究竟如何。但是，如果您只是将新留存率与旧留存率组合在一起并创建上面的平均留存曲线，则留存的任何增加或减少都可能被先前数据屏蔽。

相反，最好为每个群组构建单独的留存曲线，以便您可以确定留存过程中的总体趋势。以下是在1月，2月，3月和4月开始使用应用的用户的4条独立留存曲线。

从这些曲线中，您可以看到全年第2季保留率增加：1月份群组的第2个月留存率为24％，而4月份群组的第2个月留存率增加至32％。

当只有4个群组时，这种增加是明显的，但随着您的产品增长并且您拥有更多用户（或者如果您使用每日或每周的新增群组），那么这些趋势可能会在所有噪声中消失。

更好的可视化工具是循环图。不是将每个群组的月留存量绘制为单独的曲线，而是将每个留存期间分成同一图表中的单独图表，并将每个群组的该月份的平均留存时间显示为单个曲线。从上图中获取数据，最终得到4个图（4条折线），显示在用户生命周期的不同阶段留存的趋势。

在这里，我们可以看到早期阶段（第2个月）的保留率从1月份的群组到4月份的群组得到显著改善，可以通过第一根向上趋势的蓝色折线表现出来。（绿线显示4月份的月份留存率，与“每月群组”图表中的绿线相对应）。从第一张图中可以清楚地看出，但是更难以阐明后期月份的留存趋势。尽管在所有阶段中留存率仍在不断提高，但变化开始下降，直到所有群组的第5个月留存达到稳定。

这告诉您对应用程序所做的更改已经改善了早期阶段保留，但是在生命周期的后期仍有改进的余地。通过将留存曲线分解为周期，您可以看到应该在哪里引导产品改进，以提高留存率和客户满意度。

3. 什么产品特点/功能推动了留存？

留存就是让用户回到你的应用程序。但除非他们积极使用您的应用，否则他们可能会在某个时候流失。

我们经常错失谈论参与留存讨论的问题。开发人员假设留存=参与，但这不一定是真的。它们是两个独立的想法。您不仅需要知道人们是否回到您的产品，还要了解他们为什么回到您的产品。是什么粘住了用户？

考虑一下：用户下载您的应用并在第0天使用它一次，但随后会忘记它。在第7天，即使用该应用的第2周的第一天，您向他们发送电子邮件提醒。他们再次打开应用程序。但就是这样。没有真正的互动，当然不会有真正的互动。他们会关闭应用程序，可能再也不会使用它了。

就您的移动应用留存统计信息而言，此用户包含在第2周留存数据中。看起来他们在整个第1周和第2周都快乐地使用该应用程序，但实际上，他们只是在两周内随便登陆了应用程序而已。

粘性（Stickness）是衡量应用程序内部参与度的一种方式。它查看用户每周或每月的间隔期内执行特定操作的次数。

假设您正查看支持添加朋友的社交媒体应用程序的“粘性”。上面的粘性曲线显示，在过去4周内，57.2％的用户在一周的2天内添加了一位朋友。26.2％的人在3天内增加了一位朋友，2％的朋友在过去4周内每周7天中有5天添加了朋友。

如果你没有在留存期间测量参与度，并且理解两者之间的差异，那么你也许会去改善一个而忽视掉另一个的功能。这也许会让用户回到应用中，但除非他们认为有充分理由参与进来，否则他们将不可避免地流失。

相反，您想要找到的是让您的应用上瘾的功能。如果一个应用程序让人上瘾（想想Candy Crush），那么不仅人们会回来，他们会在他们这么做的时候经常与应用程序交流 - 他们实际上无法拒绝。在2x2矩阵上，成瘾位于右上角：

它的克星是’一次性’。这是一个你只使用一次的应用程序，而且永远不会真正参与其中。如果您浏览自己的应用程序，您可能会在您的设备上找到大量这些应用程序 - 您认为这些应用程序会很好，但从未向您展示任何真正的价值。

另一个对角线是“实用工具”，你经常使用的东西，但从来没有真正参与过（例如天气应用程序），而“Fad”（短暂狂热），你可能会在一段时间内无情地玩，但很快就会失去兴趣。

通过专注于留存和参与度，您可以将应用程序放入右上象限（成瘾）。

4. 什么行为导致用户留存？

如果仅考虑新增用户群体的留存和参与度，您就没有任何关于如何改善用户体验以留住用户的信息。您无法隔离特定行为或用户属性。新增群组非常适合向您展示趋势并告诉您何时人们正在流失，但要理解他们为什么要离开，您需要进行用户行为分析（User behavior analytics） - 以及另外一种群组分析：行为群组（behavioral cohorts）。

要了解用户留在您的应用中或流失掉的原因，您需要隔离每个用户采取的具体行为，并了解这些行为如何影响这些用户的留存。这样做的方法是行为群组。您可以查看执行特定操作（或一组操作）的所有新用户以及与其留存关联的新用户，而不是查看所有新用户。

通过行为群组，您正在寻找能够让用户一次又一次地回到您的应用程序的功能。

在此案例中，我们发现加入应用社区的新用户有更高的留存率。特别是，他们的第1天留存率高了37个百分点。这意味着加入社区的更活跃的用户更有可能在一个月内留下来。

现在，您可以通过任何实验来提高留存率。如果加入社区的用户更有可能被保留，您如何更改报名页/引导流程（onboarding flow）以增加参与社区的用户数量？或者，关于加入社区，您能否明白是什么让用户留存下来，然后在其他地方也使用这种策略？

此外，您可以查看反向群组 - 在这种情况下，所有未加入社区的人员。

这表明该群组的留存率甚至低于平均水平。它可以促使你确保加入社区是一种在应用程序中提早强调的体验，以帮助短期和中期留存。

您还可以查看此行为群组与其他群组的比较情况。以下是所有用户（蓝色），加入1个或多个社区的用户（红色）以及将歌曲添加到3个或更多列表（绿色）的用户的留存曲线。虽然歌曲加法器的表现优于所有用户，但它们仍然不如社区加入者保留，特别是在中期（第5天到第17天）。如果您要优先考虑执行提高留存率的试验，那么您肯定会先从强调社区功能的方法开始。

通过对留存分析过程的这一简单添加，您已经从了解用户在特定时间流失的情况转变为了解导致流失或说服他们留下的行为。从这里开始，您可以开始对应用进行更改，并了解这会如何影响您的留存趋势。

5. 什么预测长期留存？

识别影响留存的行为还可以帮助您了解推动应用程序参与度的行为。但是一旦你开始进行实验来发现促使增长的行为，你就需要在这些行为上加上具体的数字指标。

通过查看某些用户操作与留存之间的关系，您可以确定与产品长期使用相关的主要行为和操作。这些可以让您发现产品中的“aha”时刻（Aha moment），让用户留下并继续使用该应用。这就是开始制定可持续留存策略的方式。

我们来看看Facebook。Facebook发现，在使用社交网络的前10天内添加了7位朋友的用户很可能会继续长期使用该平台。没有添加这7个朋友的用户更容易流失。在这种情况下，执行在特定时间范围内添加7个朋友的特定事件与留存高度相关。

Netflix是另一个例子。通过使用类似的留存分析，他们确定了需要观看的节目剧集数量。例如，只有2集Breaking Bad让70％的观众着迷。如果他们观看了第1集和第2集，那么70％的人会在整个系列中继续观看。然而，对于《老爸老妈的浪漫史》，需要经过8集，用户才能算作忠实狂热的观众。

那么如何计算留存和行为之间的相关系数呢？像这样：

虽然这个公式看起来像很可怕，但实际上非常简单。它基本上表示对于一个变量（x和y）的每个数据点，你计算出它们的协方差（通过减去平均值），乘以它们，将它们相加，然后除以协方差平方的平方根。

好的，这仍然听起来很复杂。但用数字来解释要容易得多。这里有一些假数据来说明方程是如何工作的（a和b是协方差）。

然后，您可以将这些数字放入等式中，它突然变得更加简单：

wow，这是一个非常高的相关性。相关系数在1和-1之间。它越接近1，两个变量正相关性越高 - 也就是说，当一个变量变大时，另一个变量变大。相关系数越接近-1，变量就越负相关 - 也就是说，当一个变量变大时，另一个变量变小。

除非“灵感”乍现，否则你不太可能在行为和留存之间获得0.9的相关性。事实上，超过0.2的任何东西都可能很有趣，可能值得尝试。相反，任何低于-0.2的东西都意味着这些行为正在使人们失望，你应该将这一行为视为人们正在流失的原因。

通过自己或通过Amplitude的增长发现引擎（GDE）计算特定事件和长期留存之间的相关性，可以让您找到一些边际收益 - 您可以构建与应用程序的留存正相关的操作或行为。这也为您提供了一个思考长期留存策略的良好起点。另一方面，GDE可以帮助您找到与留存负相关的行为，并找出用户流失的原因。

但请记住，相关性不等于因果关系。与所有留存分析一样，它是深入了解您的应用程序的起点，允许您识别可能意味着长期流失的行为，并指导您针对这些功能去测试产品增强方案。

结论

所有这些分析都可以用来回答Greylock Partners的Josh Elman所说的产品的关键问题：

有多少人真正使用您的应用？

理想情况下，您需要一个回答此问题的数据指标。一个指标，表明用户正在按照您的期望真正使用您的应用，并且经常与其进行交互，以便他们了解其核心价值主张。对于Facebook，这可能会继续每周添加x个朋友，或查看y个人资料。对于Netflix，它将会观看电视节目的z个剧集。

这不仅仅是为了给你一个目标。它为您提供了关于构建流程和公司（to build your process and company）的故事。对于Facebook来说，可能有很多用户不适合整齐的“10天内7个朋友”的概念但是却继续使用这项服务；就算有人符合这个标准，但仍然会流失。不过，通过这个更简单的故事，Facebook上的每个人都知道什么是有效的，应该关注什么。他们通过一个指标而形成共识，团结一致。他们将全部精力投入到这个指标之中，并且获得了他们想要的疯狂增长。

这些数字只是一个起点。对于用户和团队，它们是围绕产品构建故事的基础，以确保每个人都在同一页面，构建相同的产品。当你明白了你的灵感时刻，如何让产品进入右上象限时，你可以建立一个可以跟随独角兽一样的平行增长的产品。