6个假设，将次日留存率从10%提升至30%

本文以一款我曾经运营过的App应用为例，为大家拆解我是如何将产品次日留存率（下文提到的留存率皆为次日留存率）从10%不到提升到30%以上的，在数据优化、提升的过程中，有通过数据获得过意外惊喜，也有通过埋点按部就班的实现过目标，整个过程通过数据分析，带来了效果的提升。提出假设：产品的问题显而易见，留存率不到10%，需要通过数据来分析出问题所在，并进行优化。首先便是提出导致留存率过低的问题假设，然后通过友盟+移动统计U-App AI版的数据来验证假设。当时讨论的原因有：1.用户质量2.机型适配3.产品美观度4.使用习惯5.产品功能6.广告打扰验证假设：接下来便进入了漫长的验证阶段。产品一旦找出问题，需要经历更新版本、导入新用户，分析和对比数据来判断更新是否有效，每个假设的验证都是极为漫长的过程。1.用户质量用户质量问题分两种，一是用户造假，二是用户不精准。同一个假设因为有两种可能，必须要用两种数据作为论据的，第一种分析用户是否造假，我们做的是分析新增用户的数据有没有共性；第二种用户是否精准，我们则是通过分析用户来源的方式得出的结论。新增用户的共性会有很多纬度，比如机型、地域、使用时长、时段新增等。

按照常理，我们最常分析的是除了时段新增前面的几个纬度，然而并没有发现问题，直到分析到了时段新增，如下图。

App的业务情况是一天24小时，每个小时匀速新增500个，但凌晨两三点还有稳定新增，明显是有问题的，更巧的是U-App有这样一个数据，网络及运营商如下图显示，我们当时的产品99%来源是Wi-Fi。 我们当即判断渠道的质量即用户质量的确有问题，把这个渠道停掉后，留存率上升到20%，很好的排除了用户质量差的渠道。2.机型适配当第一个问题解决，留存率大幅提升后，我们进一步分析了其他渠道带来的新增用户，剔除假用户后，留存率依然偏低。产品优化的过程没有从10%一次性提高到30%的可能，只有把每个小细节提升一点点，最终整体提升了20%。 进一步分析，我们发现机型适配方面也存在问题，这个需要多方的数据作为支撑才能分析出结果，单独看上面这张图是看不出来问题的。我们当时找渠道要到了新增用户的机型表，对照后台的数据进行去重，结果发现有个机型在渠道的新增数据表中占比很大，但U-App AI版新增数据占比却很小。通过经验判断，这个机型适配是存在问题的。为了重现问题，我们没有用模拟器而是直接采购了同款型号的测试机，测试中出现了闪退的情况，技术修复了bug之后，留存率又提升了几个百分点。3. 产品美观度在提出假设前，我们对与产品的美观度很难有一个评判标准。我们先提出了一个设想，用户对于美观度差的反应是赶紧关掉，使用时长极短的用户占比会很高，这一设想通过U-App AI版真的找到了数据支撑。 以下为Demo数据，当时的数据没有这么夸张，十秒内就退出的占比不到10%，所以排除了产品美观度的问题，功能性App的UI不用像手游要求那么高，因为用户更在乎的是功能是否能够满足需求。为了验证用户是否深入使用某项功能，我们制作了漏斗模型，运用的是事件转化率功能，事件转化率是个统称。 我们工具类APP的使用有3个步骤，类似上图，点击功能按钮，使用功能，功能结束。可以从用户使用功能的完成率，来判断产品是否存在功能不畅或者体验不好的问题。

而这个是要区分版本来分析的，我们有次上线一个新版本，换了一套新的扁平化的UI，使用更加流畅，然后漏斗转化率却下降了很多。

排查后是有bug，还好数据分析的及时，否则全部更新成这个版本，很可能会造成不可估量的损失，从这个角度来讲，数据监测是一个防患于未然的保护神，当然更离不开咱们慧眼如炬的运营。4.使用习惯大家要找到一个合理的对比，工具类的App次留其实不是最重要的。比如拍照类App，用户的使用频次，不可能是每天都用的，次留是不会像资讯类应用那么高的。同理，在分析之前，我还不明白这个道理，觉得留存低肯定是产品有问题，当我看到这个数据，弄明白其中的原理，就明白了产品属性不同，留存率的对比也不同。

30日前新增的用户占比最高，说明用户粘性是可以的，次日留存过低，说明用户第二天的需求是没有的，只要用户没卸载，我们就还有赢面。

顺便提一下，我们偶尔做的运营策略，对产品的影响也是可以通过数据来体现出来的，就像一个人突然心动，如果恰好有测心率的仪器，仪器上的指数会直线飙升。通过数据可以看到用户的使用习惯，用户每天的使用次数，如果加上Push功能，效果也是会发生变化的。我们当时加了Push，每天推送2次后，下图3-5的柱形图一下子就起来了。

5.产品功能前面几个假设分析起来都很简单，直到第五个，功能不完善，这要怎么去测试呢？我们想到了埋点，看每个功能的使用数据，这块是我在分析产品数据时，最为核心的一块内容。

自定义事件，App应用里面很多的入口，如果让我们自己开发数据后台，进行功能使用的统计，那难度不是一般的大，我们用友盟+给首页每个入口埋了点，数据展示如上图所示。曾经我们认为用户喜欢的功能，恰恰点击是最低的，有些我们认为不重要的功能，放在了App底部，结果点击量超高。根据点击量和实际的位置进行优化调整，把用户需要的功能放在醒目的地方，不需要的功能置后或直接砍掉。通过这个功能进行分析后做优化，我们的留存率已经到30%以上了。6.广告打扰有广告一定会降低留存率，这一点即使没有分析数据，也可以做出判断，于是当我们看到留存率过低时，做的第一件事便是7天内不展示广告，我发现现在很多开发者还不明白这个道理，我在苹果商店下载的App，如果一进去就全屏广告弹出，我是会直接卸载的。结论总结：

我们分析的过程是将数据和现象做匹配，比如今天花钱买量了，新增数据会上涨，这个很好理解。当若遇到偏点的，比如留存率平时都是20%，突然有一天下降到了10%，若没有一套有效的方法论，会让人手足无措的。

这套方法论我总结的流程是：冷静假设与之关联的因素——寻找与之关联的数据——分析（这是重点）——得出结论，数据分析解决的是第三个环节，有了数据，进而分析，才能够更有效的解决问题。

本文为“2019「友盟杯」数据分析大赛”中获奖作品。