在用戶留存率低迷的情況下，仍然投入巨額預算去拉新/獲客，那么你其實就只是在租用流量而已。既然如此，那我們要如何去提高用戶留存？

在上一文《循序漸進的增長黑客指南：如何提高用戶注冊轉化與用戶激活》中，我們已經分享了如何從“目標用戶-文案內容-渠道選擇-落地轉化”這個漏斗中去提高用戶注冊轉化率。那么在用戶完成注冊轉化之后，增長黑客的工作就是盡量去留住用戶——用戶留存率高，用戶生命周期長，用戶生命周期價值就高。

我在《AARRR已是過去式，而RARRA才是更好的增長黑客模型》一文中提過，注重用戶增長的AARRR模型已經失去了實際意義——2007年McClure提出“海盜指標-AARRR模型”時獲客成本（Customer Acquisition Costs, CAC）還很低，所以AARRR模型強調“獲客/用戶拉新(Acquisition)指標”是首要指標。

但是今天，市場情況已經完全不同了。你去看現在各大廣告/社交渠道的流量價格，獲客成本CAC已經高到離譜，市場情況和2007年已經完全不同。所以如果到現在這個發展階段了，首要任務還在強調獲客，我覺得是不合適的。

所以我們需要一個更好的增長黑客模型，那個模型就是RARRA模型。

RARRA模型

而在RARRA模型中，用戶留存Retention是最被關注的要素——因為用戶留存率能夠真正反映產品的價值。正如我所一直強調的那樣，如果你在用戶留存率低迷的情況下仍然投入巨額預算去拉新/獲客，那么你其實就只是在租用流量而已，這根本就算不上是真正的獲客，因為不管你拉新多少新用戶，他們最終都流失了。

那么應該如何提高用戶留存率？

我先潑盆冷水，提高用戶留存絕對不是簡單的教你幾招武術招式，而是靠數據去分析并驅動的。所以在我們采取一系列運營行為試圖去提高用戶留存之前，需要先進行用戶留存分析和群組分析，需要搞清楚用戶留存率有多少、用戶是在什么節點流失的以及為什么用戶流失，這是你做出所有運營干預的基礎，然后我們再有的放矢地進行優化實驗，否則就是無用功。

搞清楚這三個問題，至關重要：

1. 用戶N天留存率是多少？
2. 用戶是什么時候流失的？
3. 用戶是什么留存節點流失的？

要分析用戶留存率，我們可以嘗試群組分析Cohort Analysis。

什么是群組分析Cohort Analysis？

群組分析Cohort Analysis是指你根據用戶來源或用戶行為對用戶進行分組，以了解他們在你產品上的留存情況。群組分析Cohort Analysis我們一般主要分為兩類：

• 獲客群組Acquisition Cohorts：是指在用戶首次注冊產品時對用戶進行劃分，可以按照獲客日期或者獲客渠道來源劃分。
• 行為群組Behavioral Cohorts：是根據用戶在在你的產品中采取的行為軌跡來劃分。這些行為可以是應用啟動、應用卸載、商品交易等任何行為事件。

如何運用獲客群組分析，我們可以來看一個例子：

示例1：獲客群組-按照獲客渠道劃分-用戶留存率

示例1所示的是按照不同的獲客渠道所劃分的獲客群組Acquisition Cohorts，你可以從表中分析周留存，即7日留存情況：

• 搜索引擎自然流量（Organic Search）；
• 直接輸入網址訪問（Direct）；
• 引薦流量（Referral）貼吧、友鏈等；
• 社交媒體（Social）；
• 搜索引擎競價流量（Paid Search）；
• 電子郵件（Email）。

獲客渠道群組分析Acquisition Cohorts有什么作用？

你可以通過比較不同的用戶來源，然后篩選出最優質的渠道。

比如，你可以在上表中分析發現：通過搜索引擎自然流量（Organic Search）來源的用戶最多（可能是SEO優化做得最好），但是它的周留存率是很低的。但是通過直接輸入網址訪問（Direct)）的用戶數量雖然沒有搜索引擎自然流量（Organic Search）來的多，但是周留存率是最高的（可能對產品已經產生了品牌信賴）。

而通過電子郵件(Email)來的用戶雖然不多，但是周留存率是比較高的，后期可以在這個渠道加大營銷投入。相反，通過搜索引擎競價流量(Paid Search)來的用戶，不光是數量少，而且留存率也最低。

所以你后期在調整營銷戰略的時候，可以縮減搜索引擎關鍵詞競價預算，轉而把經費投入到電子郵件營銷當中去，或者打磨產品兩點，增加直接輸入網址訪問（Direct)）的用戶粘性和留存。

我們再來看一個例子：

示例2：獲客群組-按照獲客日期劃分-用戶留存率

示例2是按照獲客日期劃分的獲客群組Acquisition Cohorts，你可以從表中分析：

• 1月25日（Day0）的新用戶共1098人，Day1留存率是33.9%，Day2留存率是23.5%，Day3留存率是18.7%……Day7留存率是14.5%……Day10留存率是12.1%，也就是說1月25日共1098名新用戶的到第10天的留存率是12.1%，只剩下132人，用戶流失率高達87.9%；
• 1月26日（Day0）的新用戶共1358人，Day1留存率是31.1%，Day2留存率是18.6%……Day9留存率是11.3%，用戶留存率高達88.7%，1358人只剩下153人；
• 你可以根據此表格，繼續分析不同獲客日期的每日用戶留存率……

獲客日期群組分析Acquisition Cohorts有什么作用？

這張圖表能夠明確的告訴我們Day1的用戶流失率是最高的，從1月25日到2月3日共計13487名新用戶（Day0）到了Day1平均留存率僅僅才27%，也就是說13487人在Day1當天就只剩下3641人了，剩下的9846人全部離開了，用戶流失率高達73%。

所以你已經明白了——用戶在第一天的流失情況最嚴重，至于用戶流失的原因，你不知道。因為獲客群組分析只會告訴你用戶在第幾天流失了，但不會告訴你具體流失的原因以及具體的流失節點。

所以我們需要運用用戶行為群組分析，來洞察用戶流失的原因和具體流失的節點。

我們可以來看一個例子：

示例3：用戶行為群組-用戶引導Onboarding-用戶留存率

通過上圖，我們選擇了用戶引導（Onboarding）作為觀察項，看看用戶在完成用戶引導（Onboarding）之后的留存情況。仔細觀察會發現最大的流失率是在Day1，平均留存率都是23%-27%之間，那意味著完成用戶引導Onboarding之后，流失率竟然高達73%以上！

那么這就表明了用戶引導Onboarding出了問題，我們需要完善Onboarding用戶引導，告訴用戶我們的產品價值、產品功能等等。

用戶行為群組分析Behavioral Cohorts有什么作用？

它可以告訴我們用戶為什么流失以及用戶具體流失的節點，用戶行為群組分析Behavioral Cohorts和獲客渠道群組分析Acquisition Cohorts是相輔相成的。

如果說用戶行為群組分析(Behavioral Cohorts)不太便于理解，那么漏斗分析模型就更能直觀地表現用戶的流失情況，而且會將用戶流失的情況更為具象化，我們舉個例子：

示例4：漏斗模型-用戶引導Onboarding-用戶流失率

從示例4中，有多少新用戶成功地完成了所有引導頁流程？

我們來分析整個漏斗的完整流程：下載安裝—登錄App—引導頁1—引導頁2—引導頁3—完成用戶引導Onboarding

我們分析這個漏斗模型的結果是——大多數用戶在從引導頁2進到引導頁3階段放棄了，最終完成整個用戶引導Onboarding的只有30%的用戶。

這個漏斗分析模型有說明作用？

這個漏斗分析模型告訴我們——用戶之所以流失嚴重，是因為Onboarding頁面出了問題，而且是Onboarding頁面3出了問題。

那么我們應該如何完善？

用戶引導頁面Onboarding Pages對于產品是非常重要的，首先它是對產品主要功能的描述，其次是向用戶傳遞產品的價值，再次是幫助用戶更好地使用產品。所以如果引導頁面Onboarding Pages不吸引人，那么用戶的好感度就會下降，建議做文案上或者視覺設計上的A/B測試，然后再次試驗、分析、調整。

以上只是舉例說明用戶行為群組分析和漏斗模型分析需要結合著使用，這樣能夠幫助你更加清楚直觀的分析用戶流失的時間以及用戶的流失節點。

所以通過以上的三點：

1. 獲客渠道群組分析Acquisition Cohorts；
2. 用戶行為群組分析Behavioral Cohorts；
3. 用戶漏斗模型分析Funnel Analysis。

我們就能夠知道：

• 用戶N天留存率是多少？
• 用戶是什么時候流失的？
• 用戶是什么留存節點流失的？

那么我們接下來要做的，就是針對具體的問題，去針對性的、有的放矢地運營，才能真正提高用戶留存。

數據驅動增長是真正的關鍵所在。

推薦閱讀

《循序漸進的增長黑客指南：找到產品和市場的最佳契合點PMF》

《循序漸進的增長黑客指南：如何提高用戶注冊轉化與用戶激活》

作者：席文奕，蝌蚪互娛聯合創始人，關注SaaS行業應用、大數據分析及業務增長。

本文由 @?蝌蚪互娛 原創發布于人人都是產品經理。未經許可，禁止轉載

題圖來自Unsplash，基于CC0協議