发布时间：2019-1-2 分类： 电商动态
无论是工具应用，购物应用，社区应用，音频应用还是游戏应用，都有重要的数据指标——用户保留。
由于用户保留率越高，用户在产品上花费的时间越长，他们可以为产品带来的现金流和资本评估就越高。
内容保留，功能保留，朋友保留，物质激励，情感保留，个人品牌推荐，离线活动等只是提高用户保留率的常用手段，以便更有效和科学地执行用户操作，操作需要什么在执行操作装置之前分析用户保留率数据，并且在执行操作装置之后评估保留率改善效果。
什么是保留率？
在互联网行业中，当用户开始使用某个应用程序一段时间后，经过一段时间后，继续使用该应用程序的用户被视为该应用程序的保留用户，以及该保留用户的比例当时新添加的用户是保留率。
例如，在7月，一个旅行应用程序增加了500个用户。 8月份启动应用程序的500人有250人。 9月，有200人启动了应用程序。 10月份，有150人启动了应用程序，显示7月份。一个月后新一波用户的保留率为50％，两个月后的保留率为40％，三个月后的保留率为30％。
保留的用户和保留率反映了应用程序的质量和保留用户的能力。如果一个产品不仅能够满足用户的核心需求，而且更好，更快，更方便地满足客户的核心需求，那么这款产品的用户保留率基本上也不会太差。
常用的保留数据分析工具
目前，市场上有不少专业数据组织提供数据统计服务。大约有3到4个移动应用程序统计平台。更受欢迎的国外是Flurry，其功能非常全面。此外，Google Analytics也已推出。手机版，但在中国基本上不能正常使用。
在国内统计分析平台上，最着名的是Union League，TalkingData和GrowingIO，它们可以实现数据的统计分析而不会埋点。
这些工具都具有非常强大的数据分析功能。例如，对于大量用户，它可以进行用户保留分析，也可以进行新用户，启动状态，版本分发，用户组成，通道分发和操作。可以清楚地和统计地计算商业条件和管理等指标。
友盟的其他数据分析能力
用户保留表
当产品嵌入统计分析工具的SDK中时，将在数据分析工具的后台自动生成用户保留率报告。
用户保留报告由Union League提供
上图是Union League在7月4日为产品提供的新用户保留报告—— 7月10日。 GrowingIO等工具提供基于数据报告的保留图，以便操作更容易掌握产品的用户保留趋势。
GrowingIO用户保留曲线
这是常见的保留曲线。我们将其分为三个部分：第一部分是振荡周期，第二部分是选择周期，第三部分是静止期。其中，振荡周期的优化空间最大，解决了振荡周期引起的用户损失问题（引导页/核心功能优化），可以有效提高其他两个周期的用户保留率。
振荡周期后优化保留效应曲线
用户保留分析过程
第一步：分组
用户保留分析的第一步是根据不同（时间/频道/行为等）维度对用户进行分组。例如，当我们对用户保留率执行每日数据分析时，通常会根据单个自然日对其进行分组，然后针对保留率在任何时间段内获取的新用户的性能进行报告。
解释社区应用的用户保留
上图是一个类似社区的APP组合，根据用户的获取日期执行用户保留。从图片中可以看出每天用户保留的性能。例如，6月28日获得的用户在一天后的保留率为27.8％，两天后的保留率为13.5％。三天后的保留率为11.3％。
如果您想深入研究问题，这个基于社区的应用程序的第二天保留率非常低。只有这种图表是不够的。我们需要进一步分析用户行为分析。
第2步：比较
该操作希望通过用户保留率的数据分析找到优化计划并验证操作策略的效果。核心分析方法是根据用户行为比较分组，因为在大多数情况下绝对值是没有意义的，只有通过对比分析不同维度之间的数据才能帮助操作找到数据变化的原因。
例如，对于百度贴吧客户端，如果要验证贴子对新用户的保留效果，您可以比较同样来自A通道的新用户的行为（使用贴贴纸/不用贴纸）。相比之下，可以知道使用观看功能的新用户和未使用该功能的新用户在三天保留率方面的差异超过50％（表明观看为正保留新用户）。
比较新用户查看帖子而不阅读帖子的3天保留率
如果您进一步分析群组保留率，则可以分析在查看功能中查看3个帖子的新用户以及仅浏览一个帖子的新用户，以查看他们在保留率方面的差异。如果查看3个帖子的用户保留率大于一个帖子的保留率，则下一步是提高内容质量并增加查看该功能的PV/UV百分比。
用户保留数据分析案例
当操作采用某种操作手段来提高用户保留率时，可以通过比较和分析新用户保留率和操作装置所覆盖的未覆盖的新用户保留率来验证手段的有效性。
除了刚刚应用的帖子之外，这里还有一个中东地区的数字音乐流媒体应用程序示例，它通过数据分析改进了引导页面，以便为新用户提供更高的保留率。 （通过数据分析找到优化方案的情况）
音乐应用指南页的第一个版本
该应用程序的第一个版本的指南页面分为三个部分，每个部分用于指导用户自定义他们自己的音乐，选择他们喜欢的音乐类型，选择相应类型的音乐家，然后根据家庭内容（音乐）个性化根据用户的选择。推荐。
类似于这种用户信息，通过指南页面帮助用户快速找到他们感兴趣的产品内容，从而提高用户在国内app中的使用率和活动量也非常多，但每个人都是这样的。这样做，您自己的指南页有多高效，以提高新用户的保留率？
为了解决上述问题，应用负责人进行以下分析：将振幅（移动数据分析工具）植入音乐应用指南页的每个步骤，提取数据进行分析和验证。
他的数据分析的想法是筛选出在一段时间内完成三个指南页面的所有用户，然后计算他们之后继续访问的比例，并且在此期间也不会完成三个指南页面。过滤掉用户以将这些用户的保留率与完成的引导页面的用户保留率进行比较。
验证第一个问题的幅度
在分析数据后，完成三个指南页面的用户成为长期用户的可能性增加47％（与未完成的用户相比）。所以问题是，由于指南页面可以有效提高用户保留率，我们如何进一步提高完成启动页面的新用户占新用户总数的比例？ （是什么原因导致人们无法完成指南页面中的任务？）
验证第二个问题的Amplitude界面
该应用程序的负责人对三个指南页面的新用户点击进行了漏斗模型分析，发现从第二个指南页面到第三个指南页面的流失率达到了15％（根据该人的解释）负责，用户在中东，用户听歌曲识别的不仅仅是音乐类型！）。
另外，虽然从第一页到第二页的丢失率并不大，但为了进一步提高完成指南页面的用户比例，应用程序的负责人认为指南的第一部分页面可以取消，因为“Personalize Anghami”已取消。准确的用户推荐的帮助几乎为零。
经过上述两轮数据分析后，数字音乐流应用程序在修改后只有引导页面的两个部分，并且还在显示元素上进行了优化。
音乐应用指南页的第二个版本
除了有效性验证和操作方法的功能优化分析之外，用户保留率的交叉对比分析也可用于探索产品数据异常的原因。让我们再举一个案例来说明如何比较保留率以找出操作期间产品数据更改的原因。
最近有一个工具应用程序DAU（每日活跃用户）上升，DAU在一个月内增加了30,000，链条显着增加。第一步是对数据进行初步分析，发现当月的新用户数几乎为零。
然后观察新用户的保留率，发现本月的保留率增加了约3个百分点。在与产品学生沟通后，发现在月初发布了新版本。为了检查新版本的保留率是否增加，将进一步过滤过滤器以查看新版本的保留情况。结果发现，新的保留率与整体相比存在偏差，而新版本对产品的影响不大，因此问题很可能是促进流量。
后来，分析发现新C渠道是本月的主渠道，占40％，但保留率高于整体，所以最终的原因是新版本在C中获得了更多的产品和产品渠道。定位匹配的用户。
通常，用户保留数据分析有助于运行更科学和可量化的用户操作管理，同时为运营工作找到新的价值标准：提高用户保留率！
例如，在规划内容共享活动时，您不了解用户保留率的概念。你只说股票数量很少。通过分享引入的新用户数量，如果您将此用户保留率的值添加到此共享活动，则可以添加“ldquo;将参与共享活动的新用户的保留率与未参与活动的新用户以及通过共享链接输入产品的新用户和通过普通渠道输入产品的新用户进行比较。
