关于留存分析的案例

我是小z

网上有关留存分析的文章很多，这篇不敢说是最全的，但最起码是较全的。有理论，有案例，很值得一读。

目录

1. 互联网企业面临的留存问题

2. 什么是留存分析

3. 留存分析常用口径

4. 留存分析的适用场景

5. 留存分析参考代码

6. 留存下降的可能性原因

7. 留存分析方法

8. 案例实攻

1

互联网企业面临的留存问题

• 流量红利见顶、拉新成本高

在极易同质化的今天，流量竞争着实激烈，提高用户留存的重要性不言而喻，且存量用户的获客成本远远低于拉新成本。

• 新用户较易流失

企业大规模投广告、做活动，高额支出锁不住新用户，长期可持续发展有些无力，只顾眼前利益治标不治本。

2

什么是留存分析

留存率：某日用户数在第N日仍启动该App的用户比例，留存分析即分析用户随时间变化的活跃情况。获取用户只是第一步，留住用户才是所有产品最终目标。

可以理解为：由初期的摇摆用户转化为忠诚&稳定用户的过程。留存率越高，说明用户对产品越有强烈的依赖感。

可分为三个阶段：

• 初期：新用户刚注册，用户留存下降较快，需快速让用户感受到产品核心价值。

• 中期：新用户沉淀下来，形成活跃用户。此时需分析活跃留存，加强核心功能，培养用户对产品的使用习惯。

• 后期：思考产品核心价值，做好产品迭代与优化。

从时间维度划分：

常见的的有：次日留存、3日留存、7日留存、30日留存、周留存、月留存

从用户维度划分：

常见的的有：新用户留存、活跃留存

图解如下：

3

留存分析常用口径

以新用户留存为例

次日留存率=（某日新增的用户中，在注册的第2天还进行登录的用户数）/ 该日新增用户数

3日留存率=（某日新增用户中，在注册的第3天还进行登录的用户数）/ 该日新增用户数

7日留存率=（某日新增的用户中，在注册的第7天还进行登录的用户数）/ 该日新增用户数

30日留存率=（某日新增的用户中，在注册的第30天还进行登录的用户数）/ 该日新增用户数

1周后留存率=（某周新增的用户中，在注册的第2周还进行登录的用户数）/ 该周新增用户数

2周后留存率=（某周新增的用户中，在注册的第3周还进行登录的用户数）/ 该周新增用户数

1月后留存率=（某月新增的用户中，在注册的第2月还进行登录的用户数）/ 该月新增用户数

2月后留存率=（某月新增的用户中，在注册的第3月还进行登录的用户数）/ 该月新增用户数

以活跃留存为例

次日留存率=（某日登录的用户中，在第2天还进行登录的用户数）/ 该日登录用户数

3日留存率=（某日登录用户中，在第3天还进行登录的用户数）/ 该日登录用户数

7日留存率=（某日登录的用户中，在第7天还进行登录的用户数）/ 该日登录用户数

30日留存率=（某日登录的用户中，在第30天还进行登录的用户数）/ 该日登录用户数

1周后留存率=（某周登录的用户中，在第2周还进行登录的用户数）/ 该周登录用户数

2周后留存率=（某周登录的用户中，在第3周还进行登录的用户数）/ 该周登录用户数

1月后留存率=（某月登录的用户中，在第2月还进行登录的用户数）/ 该月登录用户数

2月后留存率=（某月登录的用户中，在第3月还进行登录的用户数）/ 该月登录用户数

4

留存分析的适用场景

日留存率

• 快速判断产品是否迎合市场需求，比如新手对产品的UI设计、功能设置、新手引导等的体验是否满意，是否需做调整。

• 快速判断用户粘性，比如用户是否更易受促销活动的影响等等。

周留存率

• 判断用户忠诚度，用户此时对产品基本已有完整的体验。一整套流程体验下来，继续访问的用户可判断为潜在忠诚用户。

• 分析用户再次访问的原因，找出产品最能巩固用户的点，且参考此点以一贯之，拓展应用到更多的用户身上，促使更多的用户留下来。

月留存率

• 评估迭代与优化的效果。砍掉留存率低的产品功能，进行迭代优化。

5

留存分析参考代码

有些互联网公司面试会出留存SQL题型，该代码仅供参考。

代码运行结果

语法环境：SparkSql或Impala，其他环境也可以，只是个别函数会略有差别，替换个别函数即可，无需更改代码结构。

参考代码如下：

--以a表日期作为主体
select 
t.date_a
,t.date_b
,t.diff_ab
,count(distinct t.user) as user_num
from
( 
    --a、b两段代码一模一样，join之后取二者日期差值
    select 
    a.login_date as date_a
    ,b.login_date as date_b
    ,a.user
    ,datediff(b.login_date,a.login_date) as diff_ab
    from
    (
        --a段代码
        SELECT 
        login_date
        ,user
        from dwd.user_login 
        where login_date>='2021-08-01'and login_date<=date_sub(to_date(now()),1)
    )a
    inner join
    (
        --b段代码
        SELECT 
        login_date
        ,user
        from dwd.user_login 
        where login_date>='2021-08-01'and login_date<=date_sub(to_date(now()),1)
    )b on a.user=b.user
)t
group by 1,2,3
having t.diff_ab>=0

6

留存分析下降的可能性原因

新用户留存下降

• 新用户并未快速的感受到产品的核心价值。

• 新手引导模块体验交差

• 新用户羊毛党居多

• 界面UI设计影响使用感

• 产品功能体验较差

• ......

老用户留存下降

• 产品迭代功能致使用户体验变差

• 产品迭代周期较长，用户丧失新鲜感

• 受竞品影响

• 未促使用户对产品形成习惯

• 连续打卡签到送红包模块优惠力度较小，无坚持意义

• 广告推送较多

• 客服服务响应较慢、服务较差

• 无关推送

• 产品bug较多

• 受促销活动影响较大

• ......

7

留存分析方法

其中产品功能分析：

目的：找出对留存最有价值的功能&最没价值的功能，便于后期迭代优化。

1. 卓越功能：建议侧重优化用户体验。

2. 大众功能：重中之重，建议反思该功能的长期价值与实用性

3. 小众功能：建议保留该功能，但无需过多投入精力

4. 弱势功能：建议考虑是否砍掉

8

案例实攻

案例一

该图是我在ppt上加工出来的，选取了两日来对比。

解析：

2021年5月1日注册的新用户在注册的第7日留存率趋向于平稳，此时留存率60%；2021年5月2日注册的新用户在注册的第7日留存率趋向于平稳，此时留存率20%；2日注册的用户稳定留存率较1日差。

改进思路：

应使得趋向于平稳时的留存率尽可能提高，即平稳的这段线尽量往上提。

案例二

数据纯属个人虚构，实际分析时建议多扩展日期，该图重在解析分析方法。

该表留存率：（某新增的用户中，在第N天还进行登录的用户数）/ 该日新增用户数

以8月1日的新增用户留存为例

• 新手探索期：单纯靠大额优惠吸引的用户会之间流失，产品价值未达到用户预期。

• 习惯养成期：产品功能&实用性未促使用户养成使用习惯。

• 活跃用户期：真正留下来的忠实用户。

解析：

1. 新用户次留骤减60%：没有使得用户迅速发现产品价值

2. 整体留存率于第10日趋向于平稳，留存率稳定于11%左右：说明8月1日的新增用户中只有11%左右发展成了忠实用户。

3. 3留&7留出现留存率增长现象（注意：留存率并不会呈现持续下降情况），进一步定位原因，在8月3日与8月7日是否进行了促销活动？

案例三

解析：

1. 表格中以8月6日注册用户的次留(71%)为起始点，8月1日注册用户的7留(34%)为结束点，二者形成对角线，纵向对比数据，颜色颜色部分留存率都比较高。首先需要确认8月7日这天运营是否做了动作？比如：该日做了促销活动、或者其他特殊活动？因为8月7日正好对应的是8月6日的次留，8月5日的3留......8月1日的7留。

2. 表格中8月9日的次留是20%，远低于其他日次留，且后续留存也较其他日偏低，警惕羊毛党。

以上。

●Graveyard分析模型是真的牛X！●品牌知名度分析实例