很多公司都會問“我們該如何獲取更多用戶？”這樣的問題，但我們更應該問的是“我們如何能夠更好地保持已經擁有的客戶？”

處理增長問題的時候，你會理所當然的以為只需要獲取更多用戶，畢竟這似乎是我們對增長的定義。然而，如果你退后一步，把增長看做是隨著時間推移，用戶數以周為單位的最大化，那么很快就能看到，專注于留存比拉新更重要。這更多的是一種可持續增長的心態。用戶快速增長快速流失，是不可持續的增長指標。隨著時間推移保持較高的用戶留存是產品與市場匹配的很好的指示，這也是你無論如何都希望實現的。

病毒因子和留存

很大程度上講，用戶留存比病毒性更重要，因為如果你的用戶流失，那么在一段時間內就不能邀請其他人。如果你的產品有高留存率而沒有病毒性，隨著時間推移你也能可持續的增長你的用戶基礎；反之，如果只有病毒性而沒有留存，則不會有用戶的持續增長。在這兩個極端之間，似乎有點復雜，為了更詳細的解釋，我們先來看看幾個術語：病毒因子（viral factor）和留存（retention），這將讓你更好的理解這篇文章里的內部增長模型，我們后面引用的圖表就是由此衍生的。

病毒因子

它描述網站或應用的現有用戶邀請其他人的增長率，通常被稱為 k 因子。

• i = 每個客戶發送的邀請數
• c = 這些邀請的轉化率（c = 注冊數/邀請數）
• k = i * c

以周為單位，病毒因子通常像下圖這樣，視不同產品而有所不同，但在我服務的這些產品里我一次又一次看到了這樣的形狀，它的趨勢是這樣有下面三個原因：

1.登陸邀請流程的有效性

登陸是在完成特定目標（用戶注冊）時獲得用戶高度關注為數不多的幾個節點之一，并且當你指示用戶邀請其他用戶時，他們一般不會考慮太多。

2.用戶的興奮程度

人類對新鮮事物最感興趣，這也適用于互聯網產品。用戶在嘗試新產品時獲得的興奮感讓他們分享更多東西，但這種分享會隨著產品在日常生活中變得平常而逐漸消失。

3.用戶網絡的低邀請飽和

當一個用戶第一次開始使用產品時，他們知道不使用這個產品的人比使用這個產品的人多。隨著時間推移，他們會給認識的人分享你的產品。最終，即使是一個對你的產品非常熱衷的用戶也會發現已經沒有人可以去繼續分享了，因為很多人沒聽過這個產品，導致病毒性隨時間降低。如果你的公司發展的很大，這可能會是一個問題，但這是一個很好的問題。

留存

它指一段時間到另一段時間內還保持粘性的用戶數。兩種方式來表示留存，總留存和周留存：

1.總留存

總留存是隨時間累積的。如果你在第三周的總留存率為30%，這意味著有30%的用戶從第一周到第三周一直在。這是公司內部討論時通常表示留存的方式。

2.周留存

為了增長目的，它通常用于查看每周的用戶留存情況。周留存指這周到下周有多少用戶留下來。如果第二周有40%的總留存，第三周只有30%的總留存，那么第二周到第三周的周留存是75%。如果周留存低于100%，意味著我們依然在失去用戶。

周留存曲線通常像下面這樣，第一周到第二周是最低的，隨著時間的推移逐漸接近100%。

為什么留存這么重要？

為了使病毒性比留存更重要，你的病毒因子必須大于當時的總留存。后文會用數學證明，數學很難確切地簡化，但有一個基本原則，你可以跟隨并接近。如果從這篇文章里你只吸收一個觀點的話，會是下面這句：

除非你的總留存是穩定的，否則不要關注于提高病毒性，直到它在一段合理的時間后不再繼續減小。

為了幫助說明這一點，讓我們看幾個例子：

1.你的產品有一個非常高的即時病毒因子，如果你的產品在前端加載發出邀請，并以很高的比例被接受，可以實現即時病毒因子 k > 1。在這種情況下，如果你的邀請的接受率足夠快，即使你的網站/應用首次使用后的留存為零，你每月的激活用戶數仍然會持續增長。但由于可利用的 k > 1 的即時病毒循環最終會到期，高病毒性，低留存型的增長幾乎總是不可持續的。這解釋了很多公司的垮臺，看起來似乎快速增長，在增長中賺了不少錢，然后很快死亡。比如 Viddy……

1.你的總留存很高，并隨時間推移緩慢下降，但你有很強的病毒性。在這種情況下，長期關注于病毒性的增長確實能讓產品得到受益，但這通常是一個錯誤信號。如果你認為你可以讓病毒性高于總留存，這是唯一值得關注病毒性的時候。如果你過早切換焦點，它將導致低于標準的增長指標。這是因為改善留存能帶來的復合效應比改善病毒性能帶來的要強太多?？梢杂昧舸?病毒模擬器很容易地說明這一點，并且將周留存和病毒性設置為相等。然后，我們可以根據我們在未來某個時間點的用戶數量來衡量比例變化對其中一個的影響。在現實世界里，病毒性似乎不太可能等于周留存，但是這樣設置有助于以最清楚的方式說明我們的觀點。

基本案例-病毒因子等于留存：在第七周約有88k個用戶，從44k的留存用戶和44k的病毒式用戶條形圖堆疊可以得到

第一周病毒性增加了20%：在第七周約有110k個用戶，留存53k與病毒57k堆疊

第一周病毒性增加了20%：在第七周約有125k個用戶，留存65k和病毒60k

如你所見，留存的變化有長期的影響力，比等量的病毒性帶來的變化影響更大。

你的總留存高且穩定。如果你已經把留存最大化到你認為可以增加病毒性而不是來提高總留存的程度，即使考慮到留存的復合影響，關注病毒性也是有意義的。

證明它！

在 Excel 中對增長建模很容易，有一些在線共享幫助，我用的是從 http://bit.ly/growthmodel 下載的。如果你插入一些數字，它能對你所期望的增長有一個那好的概述，從用戶計算上來看，這是偉大的，但有點難以概念化實際工作中的增長。為了得到一個不同的視角，建立一個樹狀圖，對確切的了解一周中存在的用戶來自哪里非常有幫助。

在下面的樹中， w0 表示時間為0時開始的一組用戶。樹的每一級代表一周時間，在每個后續的級別，你會從留存或病毒式邀請中得到用戶。給定節點的用戶數量是通向該節點的所有節點的乘積。系數表示隨時間變化的病毒和留存因數， v2 是第二周的病毒系數， r3 是第三周的留存系數等。

任何給定級別的用戶數可以簡化為遞歸方程。

如你所見，這與我們在上面的樹狀圖中看到的一致。主要病毒因子（當前病毒i）與總留存（n‘s乘積有關）有關。

本文由 Zoran # 吆喝科技（微信：appadhoc）編譯自：?http://andrewchen.co/retention-is-king/

本文由 @吆喝科技 翻譯發布于人人都是產品經理。未經許可，禁止轉載。