留存分析从入门到进阶
说起用户留存分析，想必同学们又会开始吐槽了：哪家公司现在不看用户留存，用你教？
没有错，不管是一线的产品、运营同学们，还是把控全局的管理层们，都一定会关注用户留存。但是，作者在这里想问的是，对于不同类型的用户行为，留存分析的思路相同吗？想要实现自定义的留存分析和流失分析，该怎么做呢？
为了解答以上两个问题，本篇将分享用户留存分析的进阶方法。
（备注：本文中涉及的数据均为 demo 环境下模拟的虚拟数据）
一、通过流失分析逆向反推留存
有的同学会觉得，留存分析的是一群人第一天来了之后，后续几天每天来的一个比率，这也是一种对留存比较主流的的定义，他评估的是一群人进行某项行为后，再次进行某项行为的一个可能性。
这类分析常常适用于用户对于产品的访问会有一定的粘性，使用产品的频率一般较高的场景，例如常见的直播类产品进入直播间、电商类产品进入商品详情页，都可以用这种分析方式来评估用户留存情况。
但其实广义上来讲，留存分析还有另外一种定义。那就是，一群人第一天来了之后，虽然第二天有的人没来，但是我不关心，我在乎的是，以走完产品的核心流程周期或使用频率为基准，用户留存的可能性到底有多少。
具体来说，如果产品的核心流程较长，用户其实在第一天进行了某些操作之后，短期内他并不会再次回到产品内部，自然第二天的留存数据也就相对不重要了。
这类分析思路常常适用于产品的核心流程较长，或者用户不会比较高频地进入产品的情况。例如常见的理财类产品购买，或直播产品的会员开通，在用户进行了产品价值购买后，短期内用户再次进入产品，进行二次购买的可能性较小，这里我们介绍适合这类场景的分析思路——通过流失分析逆向反推留存。
下面我们对这类场景具体进行说明。
上图中，我们采用了一种逆向思维来考虑这一类的分析，既然用户首次进行了产品价值购买（例如成功购买理财产品），短期内用户不会再进行二次购买。那么在分析用户二次进行购买的可能性时，我们可以通过用户进行某项行为的流失分析进行逆向思考。
正如图中展示的，用户初始行为是成功购买理财产品，二次行为也是成功购买理财产品，那么如果我们要分析用户第二次成功购买理财产品的可能性时，可以看用户做第二次行为的流失率，然后 1- 流失率，即为可能性。
具体来说，本周（2-10 当周）用户进行了成功购买理财产品的有 8687 人，那么用户到第三周（3-2 当周）都没有进行过第二次购买的人数有 1782 人，流失率为 20.51%，逆推后得出，用户三周内进行第二次购买的留存可能性是 79.49%（1-20.51%）。下面用脑图做个小结。
二、留存人数与留存价值的交叉分析
喜欢思考的同学还会抛出这样一个问题：我除了想看用户留存的百分比数据，我更关注用户留存下来之后带来的价值。
为了解决这个问题，我们除了要分析用户的人数留存，还需要通过引入相应的指标，比如用户支付、充值等指标，来分析用户的留存价值。下面我们来举个例子。
上图中，初始行为和后续行为均选择了“进入直播间”行为，为了同时能够分析用户的留存价值，我们加入了一个用户行为指标——成功送礼物花费的人均值。
从表格可看到，在 2-17 当周，进入直播间的用户数为 6843 人，同时第二周留存率为 15.55%，第二周留存用户人均送礼物的价值为 4117564 左右。如果再有一些业务成本数据，则可以直接计算单用户的收益情况。同时我们还可以比较不同时间段内的用户留存人数和留存人均价值。
如果我们想要综合分析运营策略变化后的留存效果，除了上文中提到的加入相应的价值指标外，还可以利用筛选条件对策略进行筛选，增加关联属性，从而进行比较分析，此处不作赘述。
三、留存分析中的分组查看
留存分析中分组查看的留存百分比，是不是业务上理解的留存率？
答案是否定的，细心的同学在进行分组查看后，会发现一个奇怪的现象，留存总人数变多了，每个网格的留存率变小了。这是因为如果选定的时间段超过我们分析的基准单位时长，留存总人数将会被人为的“增多”，分母大了，其每个网格的留存率也就自然变小了。
举例来说，如果此时选择 7 日留存分析，我们分析的基准单位为日，选定时间段则应为 1 日，否则留存总人数就会出现如下的情况：
图中选择的时间段为 3-1 至 3-5，选择 7 日留存分析时，分析的基准单位为 1 日。可以看到，足球分类下的留存总人数为 1444 人，这个人数是 3-1 至 3-5 日进入直播间且直播类型为娱乐的全部人数，若将该人数作为留存的分母，显然是不恰当的。
这是因为前几日进入直播间且直播类型为足球的人数可能就不到 1400 余人，怎么能将其作为前几日的留存分母呢，这种情况下的数据也是没有意义的。下面给出正确的时间段选择，见下图：
总结
本节我们介绍了在分析用户留存时，不应仅仅关注用户留存人数，还应该通过增加用户变现相关的行为指标进行综合分析。
同时，对于运营策略的变化，应通过增加策略筛选条件来分析。类似的，如果想要精细化的分析用户在进行初始行为和后续行为的关联性，可以增加关联属性以实现。
在本节的最后，本文也给出了正确使用分组查看功能的说明，即在选择按维度进行分组分析时，选择的时间范围应等于我们分析的基准单位时长。
思考＆留言
最后，假设你是一名运营同学，遇到了以下问题：
“我们上周看了一下目前的用户留存率，发现拉新过来的用户留存效果不好，于是本周就做了一些推广内容和渠道的替换，想看看运营策略变更后的效果。”
你会如何分析？欢迎在文末留言分享~
■ 作者 ■
盼家只是在反思
神策数据分析师
*作者原创声明，转载请注明出处
▼▼▼
【更多干货】