开启辅助访问
 找回密码
 立即注册

用户留存-数据分析攻略

时间:2022-04-06 阅读:2421 回复:0

77

主题

155

帖子

541

积分

管理员

Rank: 9Rank: 9Rank: 9

积分
541
留存分析

当前市场产品同质化愈发严重,投放广告、瓜分流量,拉新成本越来越高,部分产品新用户平均获客成本达到了几十甚至几百元。

所以如何提高留存率,将高额获取的用户留住,提高用户对产品的依赖,变成了更重要的需求。


   大家都非常熟悉的AARRR模型,

Acquisition

Activation

Retention

Revenue

Refer

即用户获取、激活、留存、收益以及用户传播,通过下图可以看到,这是一个典型的逐级减少的漏斗图,通过对于每个环节转化率的分析变化,来确定实现最终转化的关键方法,不断进行优化迭代。

1649216935890.jpg

在目前产品普遍红海的情况下,增长专家们也对模型进行了新的思考和优化,在AARRR模型中,最为关注的是用户的获取,通过扩大漏斗顶端的流量池,实现最终转化的提高。


在目前市场情况下,获客已经很难成为增长实现的最重要指标了,重新定义的RARRA模型,帮助人们把关注重点从用户获取转移到用户留存上,这就需要更多的去关注用户活跃和留存数据

1649216965654.jpg

下面我们一起来看下关于留存分析的一些具体数据分析过程和分析方法




#1#留存里的不同概念
留存率定义为用户在某段时间内开始使用网站/应用(一般定义是注册),经过一段时间后,仍然继续使用的人被认作是留存用户。

留存率体现了网站/应用的质量和保留用户的能力,也可以说留存率越高,代表用户对产品的依赖性更强。

留存率计算方法:
留存率=登录用户数/新增用户数*100%
一般统计周期为天,常见的周期维度有次日、7日、14日/15日、30日、60日、90日

比如:
次日留存率:(第一天新增用户数,第2天还登录的用户数)/第一天总注册用户数
7日留存率:(第一天新增用户数,第8天还登录的用户数)/第一天总注册用户数
30日留存率:(第一天新增用户数,第31天还登录的用户数)/第一天总注册用户

不同周期维度的留存率数据,也代表着用户对于产品感知的不同阶段。

次日留存率,通常可以表示用户对于产品的第一印象,例如注册流程、新手引导、界面UI等,代表产品是否能第一时间带给用户好的感受和价值体验。

周留存率,此时用户基本已经体验了产品的大部分功能,这时留存的用户代表其需求和产品功能相匹配,已产生初步的忠诚度。

月留存率,更长期的留存率数据,代表用户对产品产生依赖感,这部分用户更深入的使用和了解产品,这时产品的不可替代性和核心价值,是留住这部分用户最重要的东西。


#2#留存率的计算分析

下面我们一起看下具体的数据分析过程,以新增用户的日留存率计算为例
1649216975028.jpg
1、数据准备
包含字段:用户id 、该用户访问时间、账号注册时间

2、表格设置
维度:访问日期(按日分析)
数值:新增用户数(即用户id计数值)
1日留存率:将用户id字段拖至数值栏,在高级计算中选择留存率
1649216984652.jpg

1649216994133.jpg

在基本设置中,可以选择留存周期,设置第1日留存率,即次日留存,以次类推,还可以拖拽字段,分别设置2、3、4、5、6、7、15日的几日留存

当维度中为日期字段时,留存的计算配置会根据日期字段的粒度调整,如果为按日,则计算的是1日、2日后的留存;如果为按月,则计算的是1月、2月后的留存。按周、按季、按年同理。

注:
在上面的示例中,我们添加了一个新增用户数字段,这里使用了筛选器,来确保排除老用户的访问记录影响。
1649217003120.jpg

使用day_diff([日期字段1],[日期字段2]),求出两个日期差,通过日期差是否=0,来判断是否为新注册的用户

此时后续添加的留存率也会受筛选器影响,如果不想影响后面的留存率数值,可以在高级选项中,添加例外字段,排除影响。
1649217011737.jpg

更灵活的留存率分析:

留存率计算中的留存周期还可以设置为范围时间自定义时间段
范围时间:可以设置一个范围时间来统计留存,例如设置为1~3日留存,则会将3日内有重复访问的用户计为留存用户,并以此计算留存率

1649217022039.jpg
自定义时间段:可以设置一个固定的时间段来统计留存,例如设置为2016年12月7日~2016年12月11日,则会将在此时间段重复访问的用户计为留存用户,并以此计算留存率

1649217033442.jpg

留存率的可视化设计:
在上面的图中,根据不同的留存率数值大小设置了颜色显示,可以通过色阶显示,清晰展示用户留存率的变化或异常值

1649217041976.jpg
#3#留存数据分析

根据数据统计和结果,我们可以结合一些方法进行分析

1、划分新老用户

新老用户在产品中产生的行为不同,需求阶段也不同,所以划分新老用户后,可以对应的找出优化改进方向。

例如,影响新用户留存的因素可能是
注册流程是否简单;
界面UI设计;
引导流程是否友好;
是否能第一时间体验到产品核心价值等
新用户对于产品还没有产生忠诚度,很多原因都会影响用户的进一步使用体验

老用户更关注
产品功能迭代;
有无售后使用支持服务;
竞品影响等等

在使用过程中,一部分不符合需求或者没有被满足需求的用户会流失掉,如何让更多的老用户更加依赖产品,用户回访、好的建议反馈渠道、优惠活动等,对这部分老用户进行好的维护是方法之一。

2、划分产品功能

通过对不同产品功能的留存分析,可以了解各个功能的价值,才能对应的针对不同功能,采取更加适合的迭代优化,也避免在一些对于用户价值较低的功能上浪费成本。

例如,使用频繁且使用用户数较多,留存率较高的功能,是产品的核心功能,是需要进行好的维护,避免出现问题的功能;

部分功能使用不频繁但是留存率较高,说明这些功能对于用户有长期价值的,也是产品中值得推广和引导的功能;

发现部分功能使用过的用户较多,但是留存率较低时,就需要具体分析原因,是由于该功能并不符合用户需求,还是由于体验不好没有能留住更多用户等

产品功能的留存率细分分析,能为后续的产品优化更新提供支持。

3、划分不同渠道

不同渠道引流的新用户的留存率,是帮助我们了解渠道价值、宣传方向等的重要指标。

在产品宣传推广中,不同渠道获取的用户群体画像不同,例如搜索引擎的推广和短视频广告等平台获取的用户往往不是同一批,同时,他们的需求也不完全一致。在搜索引擎引流的用户,大部分是已经有明确需求,在搜索类似产品等的过程中被引流,他们往往希望在第一时间解决当前需求;而短视频平台,可能是被广告中的宣传词、产品效果等吸引,想了解产品的核心价值等。

结合对不同渠道引流的用户的留存率分析,可以调整渠道的投入成本和宣传方向,以提高整体的用户留存率。


回复
使用道具 举报
快速回复
您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

北京市海淀区学院路甲5号768创意产业园

400-063-9966

bdp@haizhi.com

微信公众号 官方微信
登录 发布 快速回复 返回顶部 返回列表