对于互联网行业的数据运营来说，什么才是最重要的呢？
想必很多人都知道，是用户。而说到用户，做互联网运营的人一定很熟悉，在现在互联网流量越来越贵的背景下，拉新和留存是数据运营最核心的两个工作，也是我们必须要关注的亮点。
而我们做数据运营，通常情况下只会关注流量拉新，不顾一切地吸引流量，却忽略了用户的留存问题，其实在现在的互联网环境下，留住老用户就变得越来越重要。留存分析也几乎成了互联网运营分析的必备模型，本篇我就结合我之前的经验来给大家说说——用户留存分析模型！
什么是留存呢？
留存就是指满足某个条件的用户，在某个时间点有没有进行回访行为。比方说一个用户在某段时间内开始使用一个app，过了一段时间后，还在继续使用，那这个用户就被认作是留存用户。留存分析模型就是用来分析用户参与情况/活跃程度的模型。
计算公式：若满足某个条件的用户数为n，在某个时间点进行回访行为的用户数为m，那么该时间点的留存率就是m/n
留存分析模型特点就是条件配置灵活，先根据用户行为来讲用户分类，然后再针对用户属性筛选合适的分析对象。
留存率反映的实际上是一种转化率，就是一个新用户从刚开始的不稳定用户转化成来活跃用户，然后再由活跃用户变成稳定用户，最后变成忠诚用户的过程。通过对留存率的分析，运营的人员可以看每个用户的转化情况，留存率越高，说明产品对客户的吸引力越大，也反映了产品价值越高。
通过留存分析，可以判断新功能上线之后，对不同群体的留存是不是带来不同效果；可以验证产品的某项新功能是否提高了用户的留存率等等。
在进行留存分析的时候，我们更多时候要学会做问题拆解，把提升留存率这样一个大目标拆解为一个个小的可执行的目标，我们就可以通过产品优化、运营调整等等方式来实现用户留存提升。
在我们常见的留存曲线中，通常会根据用户的旅程划分出不同的留存阶段。
1、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。比如我们在对某一个平台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。
先把常用的几个用户生命周期指标给大家：
我网上找了一个某社区类APP按照用户的获取日期进行的一个用户留存情况分组图。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。
2、对比
在我们进行数据分析之前，要先对影响因素进行拆分，如果要对比APP的拉新效果，就要将因素拆分为访问量、点击量、注册量等等，这些被拆分出来的因素就是我们要对比的指标。
同时也要排除掉无关的因素，比如APP某几天浏览量的下降，可能是因为平台全面限流导致的，这样的因素会影响我们对数据变化的判断，不能帮助我们找到产品缺陷，因此要排除出去。
今天我就简单解释了一下留存的定义和留存分析模型的应用场景，简单的归纳就是留存分析模型是用来做用户活跃相关的数据分析，而且更多的是需要配合对比（时间上/分组上）来进行使用，从而获取有效的信息。
联系客服
