Boost user retention with
behavioral insights
無論是工具類 APP、購物類 APP、社區類 APP、音頻類 APP、還是遊戲類 APP，都有一個重要的數據指標 —— 使用者留存率。因為 APP 的使用者留存率越高，意味著使用者使用產品的時間越長，他們能夠為產品帶來現金流和資本估值也就越高。
內容留人、功能留人、好友留人、物質激勵、情感留人、個人品牌推薦、線下活動等只是常見的提升使用者留存率的營運手段，為了更加有效和科學性的進行使用者營運工作，營運需要做的是營運手段執行前的使用者留存率數據分析，和營運手段執行後的留存率提升效果評估。
在網路行業中，使用者在某段時間內開始使用應用，經過一段時間後，仍然繼續使用該應用的使用者，被認作是該應用的留存使用者，這部分留存使用者佔當時新增使用者的比例即為留存率。
例如：7 月份某旅行 APP 新增使用者 500，這 500 人在 8 月份啓動過應用的有 250 人，9 月份啓動過應用的有 200 人，10 月份啓動過應用的有 150 人，則說明 7 月的這波新增使用者一個月後的留存率是 50%，兩個月後的留存率 40%，三個月後的留存率是 30%。
留存使用者和留存率體現了應用的品質和保留使用者的能力。如果一款產品不僅能夠滿足使用者的核心需求，而且可以比較好的、比較快的、比較方便地滿足客戶的核心需求，那麼這塊產品的使用者留存率基本不會太差。
目前市面上有蠻多專業的數據機構在提供數據統計服務，使用比較多的行動應用統計平台大概有 3、4 家，國外比較流行的是 Flurry，功能上非常全面；另外就是 Google Analytics 也推出了行動版，但是其在對岸中國基本無法正常使用。而在對岸中國的統計分析平台中，目前比較有名的是友盟、TalkingData 以及無需埋點即可實現數據統計分析的 GrowingIO。
這些工具都擁有非常強大數據分析能力，以使用者量較大的友盟為例，它除了可以做使用者留存率分析，還可以對新增使用者、啓動情況、版本分布、使用者構成、通路分銷、營運商情況、管理等指標都能十分清晰地統計出來。
當產品植入數據統計分析工具的 SDK，通常情況下數據分析工具的後台，就會自動生成使用者留存率報表。
上圖是友盟統計為某產品提供的在 7 月 4 日 —— 7 月 10 日這個時間段裡的新使用者留存報表。像 GrowingIO 這樣的工具，為了讓營運更加方便的掌握產品的使用者留存率趨勢，在數據報表的基礎上還提供了留存曲線圖。
這是一個常見的留存曲線，我們把它分成了三個部分：第一部分是振蕩期，第二部分是選擇期，第三部分是平穩期。其中振蕩期的優化空間最大，將振蕩期引起使用者流失的問題解決（引導頁/核心功能優化），可以有效的提升其他兩個時期的使用者留存率。
第一步：分組
使用者留存分析的第一步是按照不同的（時間/通路/行為等）維度進行使用者分組。比如我們在對使用者留存率進行日常的數據分析時，通常是按照單個自然日進行分組，然後對任意時間段內獲取到的新使用者在留存率上的表現做出個報表。
上圖是某社區類 APP 按照使用者的獲取日期，進行了一個使用者留存情況的分組。從圖中可以看到具體每一天的使用者留存表現情況。比如在 6 月 28 日這天獲得的使用者，一天後留存率 27.8%，兩天後留存率是 13.5%，三天後留存率是 11.3%。
如果想深度地挖掘哪裡出了問題，才導致這款社區型 APP 的次日留存率這麼低，只有這種圖是不夠的，我們還需要進一步地分析使用者行為分析。
第二步：對比
營運想透過對使用者留存率的數據分析，找到優化方案和檢驗營運策略效果，最核心分析的方法是根據使用者行為進行分組的比較，因為絕對的數值在大多數場合下是沒有意義的，只有透過在不同維度之間，做數據的比較分析，能幫助營運找到數據變化的原因。
比如對於百度貼吧客戶端來說，想驗證看貼對新使用者的留存效果，則可以對同樣是來自 A 通路的新使用者進行（有使用看貼/未使用看貼）行為分組比較。
透過比較可以知道使用過看貼功能的新使用者，和非使用過該功能的新使用者，在三日留存率上相差 50% 以上（說明看貼對新使用者留存用正向促進作用）。
如果進一步的進行分組留存率分析的話，可以是對在看貼功能內瀏覽了 3 篇貼子的新使用者和僅瀏覽 1 篇發文的新使用者進行分析，看他們在留存率上的差異表現，要是瀏覽 3 篇貼子的使用者留存率大於 1 篇發文的留存率，那麼下一步則需要加強內容品質的把關，提升看的功能的 PV/UV 的百分比。
當運營採取了某個營運手段來提升發文留存率時，則可以透過對營運手段覆蓋到的新使用者留存率和未覆蓋的新使用者留存率做對比分析，來驗證手段的有效性。
除了剛才提到的貼吧看貼的案例，這裡再分享一個中東的數位音樂流 APP，透過數據分析來改進其引導頁，以獲得更高新用戶留存率的例子（屬於通過數據分析尋找優化方案的例子）。
這款 APP 的初版引導頁由三個部分組織，分別為引導使用者客製化自己的音樂、選擇自己喜歡的音樂類型、選擇對應類型的音樂家，然後根據用戶的選擇進行個性化的首頁內容（音樂）推薦。
類似這種透過引導頁來獲取使用者資訊，幫助使用者快速的在產品內，找到自己感興趣的內容，從而提高使用者使用率和活躍度的方式，在對岸中國的 APP 用的也蠻多，可是大家都在這麼做的情況下，自己的引導頁對提升新使用者留存的效率到底有多高呢？
為瞭解決上述的問題，該 APP 負責人進行了如下的分析：將 Amplitude（行動數據分析工具）植入該音樂 APP 引導頁的每個步驟，提取數據進行分析與驗證。他的數據分析的思路，是將一段時間內所有完成了三個引導頁的使用者都篩選出來，然後再計算他們在這之後持續回訪產品的比例，同時也將這段時間裡未完成三個引導頁的使用者篩選出來，將這些使用者的留存率與完成的引導頁的使用者留存率做對比。
經過數據分析發現的完成三個引導頁的使用者，多了 47% 的可能性成為長期使用者（和沒完成的相比）。那麼問題來了，既然引導頁對於提升使用者留存率的效果，那該如何進一步的提升完成引導頁的新使用者佔總新增使用者的比例呢（什麼原因導致大家不願意完成引導頁裡的任務）？
該 APP 負責人對三個引導頁的新使用者點擊情況，進行漏斗模型分析，發現從第二個引導頁到第三個引導頁的流失率達到 15%（按照負責人解釋的原因是在中東，使用者聽歌認臉多於認音樂的類型！）。此外第一頁到第二頁雖然流失率不大，但是為了進一步提升走完引導頁的使用者比例，該 APP 負責人認為，可以將引導頁第一部分「Personalize Anghami」取消，因為這部分資訊對更精準的使用者推薦的幫助幾乎為零。
經過以上兩輪的數據分析後，這個數位音樂流 APP 改版後的引導頁變現只有兩個部分了，並且在展示元素上也做了優化。
使用者留存率的交叉對比分析，除了可以用來做營運手段的有效性驗證，和功能優化分析之外，其實還可以用在當產品數據出現異常時的原因探究。下面再舉一個案例來說明如何透過對比留存率，找到在營運過程中出現產品數據變化的原因。
有個工具型 APP 最近 DAU（日活躍使用者）上升的效果不錯，DAU 在一個月時間的時間裡提升了3 萬，環比增加明顯。第一步先對數據進行初步分析，發現該月新增使用者環比幾乎為零。
然後觀察新使用者的留存率，發現留存率在這個月大概提升了 3 個百分點，和產品同學溝通後發現月初發佈了新版。為了查看是否為新版本更新帶來的留存率成長，於是進一步篩選查看了新版本的留存，發現新版留存率比整體是偏的，而新版在產品上並沒有很大的變化，所以問題很可能是推廣的流量。
後來分析發現，新增的 C 通路作為這個月的主推通路，量佔了 40%，但留存率卻比總體還要高，所以最終的原因就，是新版本在 C 通路的推廣，獲得了更多與產品定位相符的使用者。
總的來說，使用者留存數據分析幫助營運進行更加科學、可量化的使用者營運管理，同時為營運工作找到了一個新的價值標準：提升用戶留存率！
比如當你策劃了一個內容分享活動，在不知道使用者留存率這個概念時，只會說分享數少，透過分享引入的新使用者多少，如果為這個分享活動加上使用者留存率這個價值衡量指標的話，則可以添加「參與分享活動的新使用者與非參與活動的新使用者留存率的對比，以及透過分享鏈接進入到產品的新使用者與正常通路進入產品的新使用者留存對比。
備註：作者陳維賢，百度前員工，小紅書早期社區營運與推廣工人。微信公眾號「產品菜鳥匯」，分享營運視角下的網路的有趣好貨。
 |
0 comments:
張貼留言