如何通过数据找到影响用户留存的关键因素伴随着流量红利见顶的现状，除了做好拉新促活区外，品牌商家还需要思考加盟商怎么持续提升用户留存率，做好精细化运营。而在成功进行用户留存分析时，数据分析是一个如何有效手段。本篇文章里，我结合自己的工作实战经验，总结了一些可依据参考的留存分析方法论，一起来看一下。写在前面根据 QuestMobile 数据显示， 2021 月底中国移动互联网用户逾规模保持在近11.6 亿， 2021 年 5 月同比增速竟首次增长率出现负增长，这意味着流量红利时代已经结束，进入存量争夺阶段。而互联网不同赛道的玩家，也不得不把突破超越增长困局的关键点，放在增强如何提升存量用户的留存价值上才。在该背景下，并作不甘沦为取数工具不忍人的分析师，可以主动深入业务，通过海量数据挖掘出影响用户留存的关键指标，并结合业务逻辑，选取合理可行的建议。接下来笔者会分享自己在工作中沉淀的一些留存分析方法论，给大家奉献满满的干货，别走开，精彩马上来分析框架：1 ）关键行为不同业务模式下的用户核心行为不同，比如对于交易平台，关键不良行为可能是下单；对于短视频平台，关键行为可能是播出视频；对于工具类APP关键行为可能是启动 APR2 ）窗口期窗口期的长短取决于，用户关键行为的发生频次高低。比如车主用户一般整整14 天加油一次，因此14 天可以作为窗口期。可以基于用户相邻两次关键行为天数的75%分位数的方法确定窗口期的大小。比如，选取昨日发生过关键行为（比如下单、或启动APP）的用户作为研究对象。分析这些用户最近两次行为发生的间隔天数。如果75%用户的间隔天数即便在xx 天内，则 xx 天可以作为流失行为的窗口期。1. 搭建影响用户留存的指标体系可以标示出用户静态画像、活跃行为类指标、付费行为类指标、以及其他核心这些行为类指标作为指标体系。也可以参考用研团队针对流失和留存用户的调研结果，为指标体系搭建提供新的投资思路。一般的，用研团队对流失和留存用户的调研提纲如下：巧妇难为无米之炊，数据是行业分析师必备的武器。用户调研结束后，数据分析师要尝试体及对调研结果中用户强烈吐槽或者十分满意的功能体验，尽可能抽象成可观测、可度量的原始数据指标。比如用户吐梢刷到内容平台APP广告太频繁，可以将广告性质内容的曝光次数作为，纳入下一阶段的定量分析中；用户认为平台最大的优势价格优势在于有金币领取，可以将金币等扩大至指标体系纳入定量分析中。2. 影响留存的重要指标筛选影响用户留存或者流失的因素非常多，需要从众多指标中不高选取出重要度较高的几个指标。以下有两种方法可以提供参考。1 ）相关性分析与留存率相关性系数较高的前几个行为，作为关键所在行为候集；同时还要考虑发生该行为的用户的渗透率高低、留存率大幅提升幅度 的高低，即要保证的留存人数处于较高的水平（留存人数 =人数*渗透 率*留存率）。假设某个社交媒体平台APP流失用户被定义为仅约7日未启动 APP的用户。影响留存的指标、各指标与留存率间的相关系数、行为渗 透率、留存率改善幅度见下表（详细数值均为模拟数据，请勿参考）。国亏耳闻尸）才事从上面的四象限图可以察觉到，播放短视频、金币页面访问等行 为的渗透率较高，且留存率提升幅度也较高，因此可以作为影响留存 的关键行为候选集。2 ）基于各类树模型各类树（决策树、随机森林、GBDT?）模型训练结束后，可以输 出模型所表现形式使用的特征的相对重要度，可以解释哪些因素是对 预测有关键影响，因此可以帮助我们快速找出对用户留存影响度高的 关键因素。特征选择正负样本构建：先锁定特定出厂日期范围（比如 2021.07.012021.07.07 ）的活跃用户，根据其是否在先期 7天（2021.07.082021.07.14 ）走俏来划分正负样本。重构模型时的注意点不同特征的!度累颤也 WfilWIMiC7RjdiA*BJfTQtilAMMUTEflAHfiaii 电下日普 J 目* *m-* 甲 in曰殂 *i风离茂府事事 dttmiRAHI H7EI.IV.M1M 理丁球K青国妻 堇7五0勺1&= 豪IM谭春鼻餐珏MKB illK*f t Fnrririllwi 1h C?Bll1EIBJtfl iB 打7日曼ivft Q0107pjM，f ?根据上图（具体数值上均为模拟数据，请勿参考）可以看出，近 7 日活跃天数、APP0动次数、访问时长、以及播放短视频次数等行为指 标可以作为留存的关键指标。特征相互之间的相关性分析通过对特征间的相关性系数分析发现，APP启动次数和访问APP寸长相交处指标之间存在很强的相关性，可以移去其中一个指标。至此，我们可以选择7天内APP舌跃天数、启动APP次数、播放 短视频次数作为影响留存的关键指标。根据这些指标，我们可以外观设计新人新人激励体系，引导用户 尽可能地多完成关键违规行为行为。比如新用户激活后登录APP播放视频，会有积分或者金币等形式的激励，该激励活动以Push或者站内弹窗木马病毒等模式传递到用户。但是激励活动的具体准则，比如播放视频次数在7天达到多少，才能给到激励呢？我们总而言之同样可以基于数字给到建议。比如观 察第一个7天内完成不同播放次数的用户，在下要一个周期的留存率， 寻到留存率变化的拐点（边际提升幅度最小的点后）作为奖励规则的 临界值。相关性不等于因果性，因果性的检验必需通过装配AB实验验证，并量化策略的增量效果。比如对于金币激励策略，可以抽取50%崭新用户作为对照组用户，且对照组用户无激励活动触达；50%新用户的实验组，则通过push 或者站内弹窗触达用户。观测对比两组用户在预计未来 7 天的留存率， 并核算 deltaROI （delta 活跃人数 / 金币折算），以衡量策略的精准度。鉴于网上AB实验如何开展以及如何评估的文章光谱分析较多，该 部分不再具体展开叙述。总结本文介绍了用户留存相关的通用分析方法，希望能够给大家带来一些新的认识。但限于笔者自身知识和能力水平严格控制，本文难免会有考虑不周全之处，如有不同见解，想大家可以一起讨论。