用户运营：5步学会用户留存数据分析

用户留存分析的第一步是按照不同的(时间/渠道/行为等)维度进行用户分组。比如我们在对用户留存率进行日常的数据分析时，通常是按照单个自然日进行分组，然后对任意时间段内获取到的新用户在留存率上的表现做出个报表。

    某社区类app的用户留存情况解读

上图是某社区类APP按照用户的获取日期进行了一个用户留存情况的分组。从图中可以看到具体每一天的用户留存表现情况。比如在6月28日这天获得的用户，一天后留存率27.8%，两天后留存率是13.5%，三天后留存率是11.3%。

如果想深度地挖掘哪里出了问题才导致这款社区型app的次日留存率这么低，只有这种图是不够的，我们还需要进一步地分析用户行为分析。

第二步:对比

运营想通过对用户留存率的数据分析找到优化方案和检验运营策略效果，最核心分析的方法是根据用户行为进行分组的比较，因为绝对的数值在大多数场合下是没有意义的，只有通过在不同维度之间做数据的比较分析，能帮助运营找到数据变化的原因。

比如对于百度贴吧客户端来说想验证看贴对新用户的留存效果，则可以对同样是来自A渠道的新用户进行(有使用看贴/未使用看贴)行为分组比较。通过比较可以知道使用过看贴功能的新用户和非使用过该功能的新用户，在三日留存率上相差50%以上(说明看贴对新用户留存用正向促进作用)。

新用户看贴和不看贴的三日留存率比较

如果进一步的进行分组留存率分析的话，可以是对在看贴功能内浏览了3篇贴子的新用户和仅浏览1篇贴子的新用户进行分析，看他们在留存率上的差异表现，要是浏览3篇贴子的用户留存率大于1篇贴子的留存率，那么下一步则需要加强内容质量的把关，提升看的功能的PV/UV的百分比。

5/用户留存数据分析案例

当运营采取了某个运营手段来提升用户留存率时，则可以通过对运营手段覆盖到的新用户留存率和未覆盖的新用户留存率做对比分析，来验证手段的有效性。除了刚才提到的贴吧看贴的案例，这里再分享一个中东的数字音乐流app通过数据分析来改进其引导页以获得更高新用户留存率的例子。(属于通过数据分析寻找优化方案的例子)

音乐app的第一版引导页

这款app的初版引导页由三个部分组织，分别为引导用户定制自己的音乐、选择自己喜欢的音乐类型、选择对应类型的音乐家，然后根据用户的选择进行个性化的首页内容(音乐)推荐。

类似这种通过引导页来获取用户信息，帮助用户快速的在产品内找到自己感兴趣的内容，从而提高用户使用率和活跃度的方式在国内的app用的也蛮多，可是大家都在这么做的情况下，自己的引导页对提升新用户留存的效率到底有多高呢?

为了解决上述的问题，该app负责人进行了如下的分析:将Amplitude(移动数据分析工具)植入该音乐app引导页的每个步骤，提取数据进行分析与验证。他的数据分析的思路是将一段时间内所有完成了三个引导页的用户都筛选出来，然后再计算他们在这之后持续回访产品的比例，同时也将这段时间里未完成三个引导页的用户筛选出来，将这些用户的留存率与完成的引导页的用户留存率做对比。

验证第一个问题的Amplitude事件

经过数据分析发现的完成三个引导页的用户多了47%的可能性成为长期用户(和没完成的相比)。那么问题来了，既然引导页对于提升用户留存率的效果，那该如何进一步的提升完成引导页的新用户占总新增用户的比例呢?(什么原因导致大家不愿意完成引导页里的任务)

验证第二个问题的Amplitude界面

（编辑：应用网_丽江站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!