摘要:留存分析是深度分析的一个维度,而且需要长期持续跟踪。具体分析过程中,还要结合版本更新,推广等诸多因素,才能找到用户的最佳周期,进而制定相应的留存策略,才能更好的实现商业变现。

作为 AARRR 的第三个环节,留存至关重要。

因为留存是一切增长的基础,在留存上的每一个进步,都会让其他的因素有所进步:比如病毒传播、用户生命价值、回报周期等等。留存的重要性不言而喻,但是如何将留存率大幅提高呢?今天这篇文章,就给大家介绍一下留存分析的三个典型应用场景:渠道留存、新用户留存、产品功能留存。掌握了这三个留存分析的典型应用场景,提升留存率就是分分钟的事啦!

GrowingIO AARRR 系列文章第三篇 - 留存分析的三个典型应用场景

渠道留存

留存分析的一个重要场景就是对渠道的分析和调整。

现在人口、流量红利不断下跌,获客成本居高不下,市场投放人员在不同的渠道进行投放时,一定要对渠道做深入的留存分析,才能更好地调整策略,提高渠道投放的 ROI 。

留存 | 如何将留存率提升100%?最典型的应用场景汇总-数据分析网

我们要宏观观察用户的生命进程情况,最佳的办法就是从用户导入期就开始。基于不同的获客渠道对用户进行留存分析,观察从不同渠道进来的新用户,在后续一段时间内对产品的使用情况,就能更好地把握渠道质量,比如后续的付费、粘性、价值量、CAC 成本等。

特别是对于一些获客成本较高的互联网金融产品来说,好的渠道分析可以在一定程度上减少羊毛党的出现,比如 A 渠道的新用户因为某次优惠活动进来,但是在后续的留存上表现很差,几乎没有投资行为。那么就可以思考这个渠道用户和产品的匹配度,进而调整投放策略。

新用户留存

对新用户的留存来说,尽快触达 Aha moment 是核心。那么如何提取产品的核心价值,尽快地传递给用户?

找到你产品的魔法数字。

之前有很多「增长黑客」的故事讲到过魔法数字这个概念:

  • 比如 Linkedln 发现:第一周增加 5 个新社交关系的用户,留存率很高;
  • Facebook 发现:在注册第一周里增加 10 个好友用户,留存率很高;
  • Twitter 发现:在第一周有 30 个 follwers(追随者) 的用户,留存率很高。

这些魔法数字都是在用户行为的留存分析中发现的。

那么如何发现自己产品的魔法数字呢?

明确衡量的目标:对于我们来说,第一周的留存和次周留存之间的关系非常重要。具体来说,我们希望找出用户的那些次周留存高的行为。

找到新用户留存较高的早期 Onboarding 行为:比如登录次数,信息发送个数,关注人数,分享次数,点赞次数等。

分别计算在一定时间内这些行为和次周留存的相关关系:找出在第一周不同行为的次数和次周留存率之间的关系。

但是这样的流程说明,你可能需要对一个功能进行近百次的排列组合:

留存 | 如何将留存率提升100%?最典型的应用场景汇总-数据分析网

而现在,在 GrowingIO 的留存魔法师功能中,你只要定义了自己的产品,系统就会自动基于存量用户数据进行数据分析,帮你迅速得到魔法数字。这个功能真正让留存分析的计算更智能,更简单,更好用:

留存 | 如何将留存率提升100%?最典型的应用场景汇总-数据分析网

另一种情况是,对于你的产品来说,没有非常突出的魔法数字,那么就尽可能地优化 Onboarding 流程。将流失的用户分群出来,观察他们的行为路径或者抽样调研,把他们流失的原因找到,解决问题。大部分新用户流失的原因都是,没有迅速感受到产品的价值;跟自己想的不一样;Onboarding 过程太复杂,不容易上手。

找到用户流失的原因后,就要针对性地优化产品。比如砍掉不必要的功能,提供更流畅的指导流程,将具有核心价值的功能放在更显眼的位置等等。但是不论做什么优化,都需要持续地观察和对比用户的留存情况,在不断的测试和监控中,用户才会一点点稳步地增长。

比如我们之前讲过一个 Sidekick 优化留存的案例,他们从 12 月份到 5 月份用了半年时间,不断地进行假设、验证、分析、观察才让新用户留存有了很大的提升。

功能留存

一个专门从事 IT 项目跟踪的权威机构曾经对很多大型机构进行研究,发现每家公司、每个团队都可以做出很多功能,但在大部分产品里,50% 的功能基本上没有被用户使用,30% 的功能很少被使用,20% 的功能才是经常被用户所使用的。与其增加更多的功能,我们不如思考一下哪些功能可以更好地留住用户。

如果说留存是最大的一个核心指标,那么拆解到产品功能上,就是提高单个功能的留存。产品经理要做的是,将自己产品的所有功能进行盘点,建立产品功能留存矩阵。

留存 | 如何将留存率提升100%?最典型的应用场景汇总-数据分析网
使用用户占比:某个周期内使用当前功能的用户量与该周期的活跃用户量的比例。

功能留存率:当前周期再次使用该功能的用户与上个周期使用该功能用户的比例,可以看出当前功能的用户黏性。

在上面这张图中:

  • 第一象限的功能,功能留存率和活跃用户占比都比较高,说明这是产品的核心功能,已经达到PMF(Product Market Fit);
  • 第二象限的功能,留存率较低,但活跃用户占比较高,说明用户对这个功能是有需求的,但是功能本身并没有满足用户;
  • 第三象限的,价值不高,但也有可能是设置类的低频基础性必要功能;
  • 第四象限,留存率高,但是使用占比低,可能是符合用户需求的功能,但是很多用户没有注意到这个功能。

产品功能的留存优化应该针对第二、四象限,即完善第二象限的功能,将第四象限的功能放在更显眼的位置,引导用户更多地使用。需要注意的是,不要轻易地砍掉功能,因为功能之间的相关性,导致砍掉可能会影响到下一个流程。

留存分析是深度分析的一个维度,而且需要长期持续跟踪。具体分析过程中,还要结合版本更新,推广等诸多因素,才能找到用户的最佳周期,进而制定相应的留存策略,才能更好的实现商业变现。