常见用户行为分析模型解析(2)——用户留存分析

在用户行为领域,通过数据分析方法的科学应用,经过理论推导,能够相对完整地揭示用户行为的内在规律。基于此帮助企业实现多维交叉分析,帮助企业建立快速反应、适应变化的敏捷商业智能决策。结合近期的思考与学习,将为大家陆续介绍不同针对用户行为的分析模型。

在用户行为领域,通过数据分析方法的科学应用,经过理论推导,能够相对完整地揭示用户行为的内在规律。基于此帮助企业实现多维交叉分析,帮助企业建立快速反应、适应变化的敏捷商业智能决策。结合近期的思考与学习,将为大家陆续介绍不同针对用户行为的分析模型。本文主要介绍用户留存分析。


据某第三方平台近期调研结果显示,在金融创业领域,2013 年一家互联网金融创业公司的投资获客成本区间为 300 – 500 元,而 2016 年则涨为 1000 – 3000 元;在电商领域,新用户的获取成本,是维护一个老用户的 3 倍到 10 倍……

如今,高居不下的获客成本让互联网、移动互联网创业者们遭遇新的“天花板”,甚至陷入“纳不起”新客的窘境。而花费极高成本所获取的客户,可能仅打开一次APP、或完成一次交易,就流白白流失。随着市场饱和度上升,绝大多数企业亟待解决如何增加客户黏性,延长每一个客户的生命周期价值。因此,留存分析分析模型备受青睐。

一、什么是留存分析

留存分析是一种用来分析用户参与情况/活跃程度的分析模型,考察进行初始行为的用户中,有多少人会进行后续行为。这是用来衡量产品对用户价值高低的重要方法。

留存分析可以帮助回答以下问题:

  • 一个新客户在未来的一段时间内是否完成了您期许用户完成的行为?如支付订单等;

  • 某个社交产品改进了新注册用户的引导流程,期待改善用户注册后的参与程度,如何验证?

  • 想判断某项产品改动是否奏效,如新增了一个邀请好友的功能,观察是否有人因新增功能而多使用产品几个月?

二、为什么要做留存分析,直接看活跃用户百分比不行吗?

对此疑惑,答案显然是,当然不行!

如果产品目前处于快速增长阶段,很有可能新用户中的活跃用户数增长掩盖了老用户活跃度的变化。按初始行为时间分组的留存分析可以消除用户增长对用户参与数据带来的影响。通过留存分析,你可以将用户按照注册时间分段查看,得出类似如下结论:

“三月份改版前,该月注册的用户 7 天留存只有 15%;但是四月份改版后,该月注册的用户 7 天留存提高到了 20%。”

三、留存分析模型特点与价值

科学的留存分析模型具有灵活条件配置——根据具体需求筛选初始行为或后续行为的细分维度,针对用户属性筛选合适的分析对象的特点。那么,留存分析有哪些价值呢?

1、留存率是判断产品价值最重要的标准,揭示了产品保留用户的能力

留存率反映的实际上是一种转化率,即由初期的不稳定的用户转化为活跃用户、稳定用户、忠诚用户的过程。随着统计数字的变化,运营人员可看到不同时期用户的变化情况,从而判断产品对客户的吸引力。

2、宏观上把握用户生命周期长度以及定位产品可改善至之处

通过留存分析,可以查看新功能上线之后,对不同群体的留存是否带来不同效果? 可以判断产品新功能或某活动是否提高了用户的留存率?结合版本更新、市场推广等诸多因素结合,砍掉使用频率低的功能,实现快速迭代验证,制定相应的策略。

三、留存分析应用场景

场景一:游戏行业提升活跃、留存——如何精准找到玩家“流失点”?

游戏的生命周期的时长差异、玩家的游戏粘度,直接体现了游戏的竞争能力和盈利能力。玩家对游戏的直观感受、游戏难度曲线、游戏节奏的松弛、游戏福利等游戏内涵都能够导致游戏玩家流失。正确找到玩家流失原因,是促进玩家、活跃挽留玩家的第一步。下面为《迷城物语》在删档测试期间的相关应用情景。(注:以下配图所涉及的数据,均为模拟真实应用场景下的虚拟数据)

图一统计出流失玩家的等级分布,判断玩家流失与关卡设置的相关性。

图1 玩家在首次登陆游戏之后的8周流失情况分析

上图显示,100~110级、80~90级是玩家流失较多的关卡。为精准导致玩家流失的关键因素,需要每个环节、具体场景进行深入追踪与分析,余略。

场景二:了解新用户的留存

运营人员想从总体上看用户留存的情况是否越来越好了。可根据新用户启动 APP 的时间按日或按月进行分组,得到同期群,观察该群体用户发生投资的 7 日留存、14 日留存或 30 日留存(可自由选择),通过比较不同的同期群,可以获知。也可以点击“曲线标识”按钮,就可以看到每天留存率的变化趋势了。

图 2 新用户群体七天留存趋势变化

对于 7 日或者 30 日仍留下来做投资的用户,显然是一批忠诚度非常高的用户,什么样的用户群体有这么高的留存率?以 4 月 10 号这天的新用户为例,一共有 1931 个新用户,在第 7 天有 68 人留下来了,点击“ 68 ”这个数字,我们进入了用户列表界面。

这里值得强调的是,在任何分析模型中都支持人群明细的查看,将让用户行为分析事半功倍,如下图:

图 3 第 7 天用户留存 68 人基本信息明细

这里我们能够看到留存下来的用户的一些详细的基础信息,比如借款次数,借款金额、年龄等,通过总借款次数以及借款金额,可进行用户质量评估;通过年龄可以分析到金融平台吸引的群体用户的年龄分布。

若想深度挖掘高留存用户有哪些共性特征、具体操作流程,以作为后序产品优化与改进的借鉴,则可使用用户分群功能,命名为“ 4 – 10 号 7 日留存用”然后通过用户路径等其他分析模型进一步深度分析。


文章申明:本文章转载自互联网公开渠道,如有侵权请联系我们删除
文章评价
登录后可以评论
立即登录
分享到