无论是工具类App、购物类App、社区类app、音频类app、还是游戏类App，都有一个重要的数据指标——用户留存率。因为App的用户留存率越高，意味着用户使用产品的时间越长，他们能够为产品带来现金流和资本估值也就越高。内容留人、功能留人、好友留人、物质激励、情感留人、个人品牌推荐、线下活动等只是常见的提升用户留存率的运营手段，为了更加有效和科学性的进行用户运营工作，运营需要做的是运营手段执行前的用户留存率数据分析，和运营手段执行后的留存率提升效果评估。
什么是用户留存率
在互联网行业中，用户在某段时间内开始使用应用，经过一段时间后，仍然继续使用该应用的用户，被认作是该应用的留存用户，这部分留存用户占当时新增用户的比例即为留存率。
例如，7月份某旅行app新增用户500，这500人在8月份启动过应用的有250人，9月份启动过应用的有200人，10月份启动过应用的有150人，则说明7月的这波新增用户一个月后的留存率是50%，两个月后的留存率40%，三个月后的留存率是30%。
留存用户和留存率体现了应用的质量和保留用户的能力。如果一款产品不仅能够满足用户的核心需求，而且可以比较好的、比较快的、比较方便地满足客户的核心需求，那么这块产品的用户留存率基本不会太差。
常用留存数据分析工具
目前市面上有蛮多专业的数据机构在提供数据统计服务，使用比较多的移动应用统计平台大概有3、4家，国外比较流行的是Flurry，功能上非常全面，另外就是Google Analytics也推出了移动版，但是其在国内基本无法正常使用。而在国内的统计分析平台中目前比较有名的是友盟、TalkingData以及无需埋点即可实现数据统计分析的GrowingIO
这些工具都拥有非常强大数据分析能力，以用户量较大的友盟为例，它除了可以做用户留存率分析，还可以对新增用户、启动情况、版本分布、用户构成、渠道分销、运营商情况、管理等指标都能十分清晰地统计出来。
友盟的其他数据分析能力
用户留存率图表
当产品植入数据统计分析工具的SDK，通常情况下数据分析工具的后台就会自动生成用户留存率报表。
友盟提供的用户留存率报表
上图是友盟统计为某产品提供的在7月4日——7月10日这个时间段里的新用户留存报表。像GrowingIO 这样的工具，为了让运营更加方便的掌握产品的用户留存率趋势，在数据报表的基础上还提供了留存曲线图。
GrowingIO的用户留存曲线
这是一个常见的留存曲线，我们把它分成了三个部分：第一部分是振荡期，第二部分是选择期，第三部分是平稳期。其中振荡期的优化空间最大，将振荡期引起用户流失的问题解决（引导页/核心功能优化），可以有效的提升其他两个时期的用户留存率。
优化振荡期后的留存效果曲线图变化
用户留存分析流程
第一步：分组
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。
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
该app负责人对三个引导页的新用户点击情况进行漏斗模型分析，发现从第二个引导页到第三个引导页的流失率达到15%（按照负责人解释的原因是在中东，用户听歌认脸多于认音乐的类型！）。此外第一页到第二页虽然流失率不大，但是为了进一步提升走完引导页的用户比例，该app负责人认为可以将引导页第一部分“Personalize Anghami”取消，因为这部分信息对更精准的用户推荐的帮助几乎为零。
经过以上两轮的数据分析后，这个数字音乐流app改版后的引导页变现只有两个部分了，并且在展示元素上也做了优化。
音乐app的第二版引导页
用户留存率的交叉对比分析，除了可以用来做运营手段的有效性验证和功能优化分析之外，其实还可以用在当产品数据出现异常时的原因探究。下面再举一个案例来说明如何通过对比留存率，找到在运营过程中出现产品数据变化的原因。
有个工具型app最近DAU（日活跃用户）上升的效果不错，DAU在一个月时间的时间里提升了3万，环比增加明显。第一步先对数据进行初步分析，发现该月新增用户环比几乎为零。
然后观察新用户的留存率，发现留存率在这个月大概提升了3个百分点，和产品同学沟通后发现月初发布了新版。为了查看是否为新版本更新带来的留存率增长，于是进一步筛选查看了新版本的留存，发现新版留存率比整体是偏的，而新版在产品上并没有很大的变化，所以问题很可能是推广的流量。
后来分析发现，新增的C渠道作为这个月的主推渠道，量占了40%，但留存率却比总体还要高，所以最终的原因就是新版本在C渠道的推广获得了更多与产品定位相符的用户。
总的来说，用户留存数据分析帮助运营进行更加科学、可量化的用户运营管理，同时为运营工作找到了一个新的价值标准：提升用户留存率！比如当你策划了一个内容分享活动，在不知道用户留存率这个概念时只会说分享数少，通过分享引入的新用户多少，如果为这个分享活动加上用户留存率这个价值衡量指标的话，则可以添加“参与分享活动的新用户与非参与活动的新用户留存率的对比，以及通过分享链接进入到产品的新用户与正常渠道进入产品的新用户留存对比。
