编辑导语：用户留存是产品最关键的指标之一，留存分析是产品复盘中十分高频的业务场景。那如何更高效地发现和分析留存问题呢？本文系统地整理了做留存分析的思路，一起来看看吧！
用户留存的价值想必不用赘述，即便产品有高用户增长，但如果用户没有留下来，完成产品所定义的核心行为，就是无效增长，只有用户留下来才能为产品持续产生收益，像社区类、游戏等产品，还需要留存足够的用户量维持产品生态，因此用户留存情况需要经常做复盘分析。
那如何更高效有序地做留存分析？本文整理了系统思路如下：
观察留存数据，看用户的短期、中期、长期留存率，分别对应留存曲线用户生命周期的三个阶段（震荡期、选择期、平稳期）。
图 留存曲线的用户生命周期
不同时期的留存率反映产品和用户不同阶段的状态。
三个时期分别需要看多长时间的留存率，这和产品天然的使用周期有关，即用户使用产品的频次，比如美团外卖、知乎、抖音等每天都会使用的产品短期留存率主要关注次日留存，像猫眼电影、大麦网、等每周或每几周才使用的，则关注周留存。
具体判断产品天然使用周期的方法有三种：
. 根据业务经验
如上例子所述，该方法比较简单，可以在没有历史数据的情况下判断
. 分析每日留存率
具体做法是，取一段时间内的新增用户，观察他们天内的每日留存率，在首日留存率后的第一个留存高峰即为产品使用周期，可以通过后续留存高峰出现的周期性去验证。
图 某日新增用户的分天留存率（虚拟数据）
注：
某一天新增用户的N日留存 = 这一天的用户在第N天活跃的用户数 / 该天新增用户数
举例月日新增用户数为，该批用户在第天活跃用户数为，则第天的活跃留存率=/=%
注意若该产品的使用周期为每天，则无明显留存高峰，呈现的每日留存率是日渐衰减，而后趋于平缓的趋势。
观察天内留存率的原因是，若使用周期超过天的产品一般不需通过留存关注用户价值，主要关注用户的使用体验，通过会员机制、建立品牌认知等驱动用户成为忠诚用户，如贝壳找房、货拉拉等。
. 流失回归率曲线
流失回归率曲线可以帮助我们合理定义一个用户，在多长的时间跨度内不回归产品属于流失用户，而产品使用周期必然在这时间跨度内，定义了该产品使用周期的上限。
流失回归主要指流失用户再次登录产品，流失用户即一段时间内无登录产品的用户，这段时间称为流失期。
流失回归率=回归用户数/流失用户数*%
通过计算不同流失期的流失回归率，可以得出一条流失回归率曲线，随着流失期越大，用户回归率越低，当流失期超过某个点后，用户回归率的下降幅度会大幅减少，趋于平缓，这个点就是曲线的拐点，如下图的拐点是第天，意味着当一个用户连续天没有登录产品，即可以判断为已真实流失，该产品使用周期不超过天。
图 流失回归率曲线
如何判断留存是否存在问题，关键在于做对比分析，和不同的留存标准去对比，低于相关的标准则可能存在问题，需要进一步分析。对比的标准可分为以下三类：
与自身历史表现对比，需注意低于历史表现不一定是有问题，须考虑产品留存是否有周期性特点，如游戏产品周末新增用户的留存因为用户较泛，通常会比工作日新增用户的留存更低。
产品计划留存通常结合产品的商业目标制定。
通常是根据业务经验，或与行业/竞品数据对比得出。
另外需注意，即使整体留存达标，也不代表没有问题，可拆分不同渠道/不同价值用户留存数据进一步排查。
留存有问题，意味着用户流失，因此需要进一步分析是谁流失了，何时、在何地、如何流失，为了回答这些问题，需要做流失用户细分和流失点定位。
拆解具体是哪些用户流失了导致留存低，用户细分的思路有三个。
（）按用户来源细分
用户来源包括渠道类型、手机系统等，比如某个渠道的用户流失大，则可能是因为该渠道的广告投放策略有问题导致导入的新用户过泛，非产品目标用户。
（）按用户价值细分
按用户价值划分的方法常见有两种，金字塔模型和RFM模型。
金字塔模型：按用户重要程度排序，名人用户>专业用户>贡献用户>活跃用户>普通用户。
RFM模型：综合考虑最近一次消费 (Recency)、消费频率 (Frequency)及消费金额 (Monetary)这三个维度，对用户价值进行评估排序。RFM相对复杂，也可以按业务需求简化分析，如游戏产品一般直接按用户充值金额划分几个档次，区分充值大户和普通充值用户。
（）按用户属性细分
用户属性包括类：
人口统计特征：如性别、年龄、职业、教育等。
社会关系：婚姻、有无小孩、家有老人等。
行为特征：基本行为（注册时间、日均使用时长…）、业务行为（买过特惠商品…）。
业务相关：如健身产品用户的胖瘦高矮、体脂率、日均步等。
流失点定位即明确用户具体在何时、何地、如何流失，通过这些信息可以找到用户流失原因的线索。
（）何时流失
观察用户在何时流失，有三种可能的情况：
第一种：在使用产品的某个时期流失
如下图，月-日这段时间新增的用户在第日留存与预期水平相比明显偏低，同时可观察第~日的留存衰减明显快于预期趋势（比例越低，衰减越快），虽然日、日留存也比预期偏低，但衰减趋势与预期相符，因此可基本判断流失问题点出现在用户使用产品的第日左右。
图 留存率热力图（虚拟数据）
第二种：在某个特定时间点流失
如下图，月-日这段时间新增的用户在月-日具体这两天的留存率比日常水平明显偏低，则可进一步排查，该两日有无异常，如APP无法登录、运营活动不当影响用户体验等问题。
图 留存率热力图（虚拟数据）
第三种：某日/某段时间的新增用户留存持续偏低
如下图，月日新增的用户整体留存明显较其他时间的新增用户留存更低，该类情况通常为新用户导入问题，如广告投放异常，可结合流失用户来源细分进行分析，进一步定位问题点。
图 留存率热力图（虚拟数据）
（）何地流失
主要指用户在产品哪个功能模块，或使用产品的哪个流程阶段流失，通常是看用户流失前所停留的功能模块或流程，若发现大部分流失用户流失前都停留在某一个地方，则可以重点排查相应的功能或流程。
比如游戏产品，发现流失玩家有很高的比例在流失前停留在了某一个任务副本，则该任务副本可能是导致玩家流失的原因所在。
（）如何流失
通常可以分析流失用户在流失前的操作日志，看是否有异常。
在第三步中，通过流失用户细分和流失点定位可以获得用户流失原因的线索，第四步就是根据获得的线索深入挖掘流失原因。
挖掘流失原因的方法有两种：
有条件有资源的可以优先考虑做调研，包括：
常规调研问询：如卸载调研页面、问卷。
深层原因调研：如电话、访谈、社群、论坛。
调研一般比较耗费人力、财力和时间，在大多数的业务分析场景中，每次都做调研不太现实，所以在条件有限的情况下可以采用第二种方法“假设验证”，即基于第三步获得的线索，根据业务经验做原因假设，然后用数据验证。
比如上述游戏产品玩家流失的例子，发现流失玩家有很高的比例在流失前停留在了某一个任务副本，且这些玩家均为级玩家，则根据业务经验可假设该任务副本对这些玩家难度太大导致流失，具体可通过级玩家在这个任务副本的通过率数据进行验证，如通过率明显偏低，则可验证假设。
在了解流失原因后，如何着手提升留存率？具体问题具体分析，但有一个大原则，如《打造 亿美金产品的核心秘密：用户参与层级模型》一文所说，就是要不断提高用户「持续使用产品的收益」和「离开产品的损失」。
（）需求满足
一方面追求更精准匹配用户需求，比如短视频产品，若推荐的视频不符合某部分用户喜好，该部分用户需求没有被满足，则该部分用户容易流失；另一方面争取满足用户更长期的需求，比如美颜相机产品，不断优化产品推出新玩法。
（）使用体验
在市面上有其他产品能满足相同的用户需求情况下，使用体验更好，用户才不会转去选择别的产品，比如同样是打车软件满足日常打车需求，服务是趋同的，但服务体验可以有差别，滴滴因为司机资源更多，订单响应的速度更快，所以相比其他打车软件我更愿意使用滴滴，这也是滴滴能长期占据市场第一的壁垒优势。
用户投入：引导用户在产品内完成更多关键行为，本质思路是让用户投入更多，包括时间、精力、感情，即尽可能提高用户的沉没成本。人在决定是否做一件事的时候，不仅看这件事对自己有没有好处，而且也看过去是不是在这件事上有过投入，因此当沉没成本越高，用户越不忍舍弃产品。
比如印象笔记，引导用户创建一定数量的笔记，当用户创建的笔记越多，用户转移至别的笔记产品的损失就越高。
写在最后，以上分享是基于工作经验、业余学习和个人思考总结梳理得出，或有思虑不周之处，还请不吝赐教。
