無論是工具類App、購物類App、社區類app、音頻類app、還是游戲類App，都有一個重要的數據指標——用戶留存率。因為App的用戶留存率越高，意味著用戶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用戶留存率的運營手段，為了更加有效和科學性的進行用戶運營工作，運營需要做的是運營手段執行前的用戶留存率數據分析，和運營手段執行后的留存率提升效果評估。

1 什么是用戶留存率

在互聯網行業中，用戶在某段時間內開始使用應用，經過一段時間后，仍然繼續使用該應用的用戶，被認作是該應用的留存用戶，這部分留存用戶占當時新增用戶的比例即為留存率。

例如，7月份某旅行app新增用戶500，這500人在8月份啟動過應用的有250人，9月份啟動過應用的有200人，10月份啟動過應用的有150人，則說明7月的這波新增用戶一個月后的留存率是50%，兩個月后的留存率40%，三個月后的留存率是30%。

留存用戶和留存率體現了應用的質量和保留用戶的能力。如果一款產品不僅能夠滿足用戶的核心需求，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，那么這塊產品的用戶留存率基本不會太差。

2 常用留存數據分析工具

目前市面上有蠻多專業的數據機構在提供數據統計服務，使用比較多的移動應用統計平臺大概有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也推出了移動版，但是其在國內基本無法正常使用。而在國內的統計分析平臺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，以用戶量較大的友盟為例，它除了可以做用戶留存率分析，還可以對新增用戶、啟動情況、版本分布、用戶構成、渠道分銷、運營商情況、管理等指標都能十分清晰地統計出來。

友盟的其他數據分析能力

3 用戶留存率圖表

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后臺就會自動生成用戶留存率報表。

友盟提供的用戶留存率報表

上圖是友盟統計為某產品提供的在7月4日——7月10日這個時間段里的新用戶留存報表。像GrowingIO?這樣的工具，為了讓運營更加方便的掌握產品的用戶留存率趨勢，在數據報表的基礎上還提供了留存曲線圖。

GrowingIO的用戶留存曲線

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，將振蕩期引起用戶流失的問題解決（引導頁/核心功能優化），可以有效的提升其他兩個時期的用戶留存率。

優化振蕩期后的留存效果曲線圖變化

4 用戶留存分析流程

第一步：分組

用戶留存分析的第一步是按照不同的（時間/渠道/行為等）維度進行用戶分組。比如我們在對用戶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，然后對任意時間段內獲取到的新用戶在留存率上的表現做出個報表。

某社區類app的用戶留存情況解讀

上圖是某社區類APP按照用戶的獲取日期進行了一個用戶留存情況的分組。從圖中可以看到具體每一天的用戶留存表現情況。比如在6月28日這天獲得的用戶，一天后留存率27.8%，兩天后留存率是13.5%，三天后留存率是11.3%。

如果想深度地挖掘哪里出了問題才導致這款社區型app的次日留存率這么低，只有這種圖是不夠的，我們還需要進一步地分析用戶行為分析。

第二步：對比

運營想通過對用戶留存率的數據分析找到優化方案和檢驗運營策略效果，最核心分析的方法是根據用戶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，只有通過在不同維度之間做數據的比較分析，能幫助運營找到數據變化的原因。

比如對于百度貼吧客戶端來說想驗證看貼對新用戶的留存效果，則可以對同樣是來自A渠道的新用戶進行（有使用看貼/未使用看貼）行為分組比較。通過比較可以知道使用過看貼功能的新用戶和非使用過該功能的新用戶，在三日留存率上相差50%以上（說明看貼對新用戶留存用正向促進作用）。

新用戶看貼和不看貼的三日留存率比較

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篇貼子的新用戶和僅瀏覽1篇貼子的新用戶進行分析，看他們在留存率上的差異表現，要是瀏覽3篇貼子的用戶留存率大于1篇貼子的留存率，那么下一步則需要加強內容質量的把關，提升看的功能的PV/UV的百分比。

5?用戶留存數據分析案例

當運營采取了某個運營手段來提升用戶留存率時，則可以通過對運營手段覆蓋到的新用戶留存率和未覆蓋的新用戶留存率做對比分析，來驗證手段的有效性。除了剛才提到的貼吧看貼的案例，這里再分享一個中東的數字音樂流app通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。（屬于通過數據分析尋找優化方案的例子）

音樂app的第一版引導頁

這款app的初版引導頁由三個部分組織，分別為引導用戶定制自己的音樂、選擇自己喜歡的音樂類型、選擇對應類型的音樂家，然后根據用戶的選擇進行個性化的首頁內容（音樂）推薦。

類似這種通過引導頁來獲取用戶信息，幫助用戶快速的在產品內找到自己感興趣的內容，從而提高用戶使用率和活躍度的方式在國內的app用的也蠻多，可是大家都在這么做的情況下，自己的引導頁對提升新用戶留存的效率到底有多高呢？

為了解決上述的問題，該app負責人進行了如下的分析：將Amplitude（移動數據分析工具）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用戶都篩選出來，然后再計算他們在這之后持續回訪產品的比例，同時也將這段時間里未完成三個引導頁的用戶篩選出來，將這些用戶的留存率與完成的引導頁的用戶留存率做對比。

驗證第一個問題的Amplitude事件

經過數據分析發現的完成三個引導頁的用戶多了47%的可能性成為長期用戶（和沒完成的相比）。那么問題來了，既然引導頁對于提升用戶留存率的效果，那該如何進一步的提升完成引導頁的新用戶占總新增用戶的比例呢？（什么原因導致大家不愿意完成引導頁里的任務）

驗證第二個問題的Amplitude界面

該app負責人對三個引導頁的新用戶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，用戶聽歌認臉多于認音樂的類型?。?。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用戶比例，該app負責人認為可以將引導頁第一部分“Personalize Anghami”取消，因為這部分信息對更精準的用戶推薦的幫助幾乎為零。

經過以上兩輪的數據分析后，這個數字音樂流app改版后的引導頁變現只有兩個部分了，并且在展示元素上也做了優化。

音樂app的第二版引導頁

用戶留存率的交叉對比分析，除了可以用來做運營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通過對比留存率，找到在運營過程中出現產品數據變化的原因。

有個工具型app最近DAU（日活躍用戶）上升的效果不錯，DAU在一個月時間的時間里提升了3萬，環比增加明顯。第一步先對數據進行初步分析，發現該月新增用戶環比幾乎為零。

然后觀察新用戶的留存率，發現留存率在這個月大概提升了3個百分點，和產品同學溝通后發現月初發布了新版。為了查看是否為新版本更新帶來的留存率增長，于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，而新版在產品上并沒有很大的變化，所以問題很可能是推廣的流量。

后來分析發現，新增的C渠道作為這個月的主推渠道，量占了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渠道的推廣獲得了更多與產品定位相符的用戶。

總的來說，用戶留存數據分析幫助運營進行更加科學、可量化的用戶運營管理，同時為運營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，在不知道用戶留存率這個概念時只會說分享數少，通過分享引入的新用戶多少，如果為這個分享活動加上用戶留存率這個價值衡量指標的話，則可以添加“參與分享活動的新用戶與非參與活動的新用戶留存率的對比，以及通過分享鏈接進入到產品的新用戶與正常渠道進入產品的新用戶留存對比。

#專欄作家#

陳維賢，雪橙金服運營經理，人人都是產品經理專欄作家。百度前員工，小紅書早期社區運營與推廣工人。微信公眾號“產品菜鳥匯”，分享運營視角下的互聯網的有趣好貨。

本文系作者授權發布，未經許可，不得轉載。