科技猎留存分析——堵住用户的出水口
当前互联网行业早已进入下半场，加之人口红利的天花板已经见顶，流量就愈发显得珍贵，从业者虽然有着各种各样的获客手段，但也改变不了获客成本不断增高的趋势。
这就是一个逻辑上问题，任何一个企业都不可能无限制的花钱去买新用户，自然就不会任由用户来了就走。在目前的互联网行业中，一定程度上留存重要性已经大于获客，虽然获客能迅速带来巨大的用户增长，但忽视用户的留存对一个产品来讲无疑是致命的。
假设我们有一个蓄水池，一边是进水管，一边是出水管。获客就相当于进水管，流失相当于出水管，而池子里的水平线就是水在池子里的留存。出水管小于进水管，水平线就高，坚持的时间也会越长，留存就越好。出水管大于进水管，水平线就低，坚持的时间也会越短，留存就差。
我们再看某个数据分析产品公司曾经模拟过的一个场景：
假设有2个产品A和B，每周获取的新用户数都为100，新用户的次周留存率都是60%，往后每周B产品的留存率都要比A产品高2个百分点，这里注意，仅仅是高2%，29周后，B产品的用户达到了1400位，而A的用户仅有700位，
这就是经过数据分析后得到的事实，起初拉来的新用户虽然仅仅有2%的留存差异，但经过时间的洗礼，29周以后用户量级将会差一倍。
所以早年的互联网在野蛮生长过程中，有很多公司闹出过将“新用户数”作为北极星指标的笑话，最后无不导致产品最后的消亡。
我们今天将重点聊聊如何利用留存思维提高用户的“内增长”，留存分析是数据分析方法中的重要一环，相比其他分析方法
漏斗分析更加侧重于分析用户围绕着某个条件（比方说渠道、功能、用户群）随着时间变化的活跃情况。 本文将会罗列一些常见的基于留存衍生的数据分析方法，以便日后帮助大家更好的寻找合适的方法改善产品的体验。
二：留存分析方法
新老用户同期分群分析是留存分析中最为基础的方法。 例如用每个时间单位下的新用户，观察相同时间单位间隔后的留存状况。 例如图一，2017/10/30的新用户在首周的留存率是30.6%，但2017/11/04的新用户在首周的留存率是降到了29.8%，这就可以发现新用户留存在在5天的时间里下降了0.8个绝对值，值得后续研究并改进。
区分新老用户的原因是， 在同样的产品环境中，新老用户对于产品的反应有很大的差异 。比如你第一次使用某个工具，因为没用过所以找不到入口，所以迅速就退出了；但对于熟练的老用户来讲，就可以立刻投入使用并坚持下去。一般新用户的留存下降，很可能是用户感受不到产品的价值或者是产品门槛过高不会用。而如果是老用户的留存率下降，多数是产品的体验在变差，或者是被其他产品引流而走。新老用户的区分可以定位到那一侧的用户出了问题，利用的相同的逻辑，也可以衍生出类似付费用户免费用户同期群分析、不同身份群体用户同期群分析等。
方法二：渠道同期群分析
公司经常通过多渠道投放来获客。类似sem、seo、品牌合作、渠道预装、信息流等等。 每一种渠道对应着不同的用户成本，那增长人员就要知道是什么渠道的新用户留存更高 ，高留存证明用户更加匹配，可以进一步加大投入。
下图中我们就可以明显观察到，渠道B用户在经过6周以后留存率明显高于渠道A，说明渠道B的用户更加精准可以为渠道B增加投放预算。
方法三：产品功能留存矩阵
每个产品都会有不同的功能，各功能价值只能通过对功能的留存分析来判定。 通过对产品内各个功能进行交叉分析，可以找到某个功能的提升空间，进而通过产品的改动来提升整体用户留存。
以下图为例子，坐标的横轴是功能留存率；纵轴是活跃用户的数量。做出这样一个模型后，我们就可以看到不同的功能在矩阵中的分布情况。
1：黄色圆的就是产品的重点功能，活跃人数和留存率都很高，要持续监控使用情况，保证体验越来越好。
2：绿色圆，活跃人数不多但留存率非常高，证明这个功能对留存很有帮助，应该加以引导；
3：红色圆，活跃用户数很多，但留存率不高。证明这个功能或许体验不好，或许就是多余，要深入分析后后续优化或者直接干掉。
或者类似下图，如果为了节省时间，我们也可以选择一些比较有代表性的功能进行留存分析，这样的优点是更加的节省时间，快速拿到结果。 无论是单一的功能留存对比还是功能之间的组合使用对比，都是类似方法。
三：总结
留存分析能够让我们以时间维度观测到用户围绕着一些重要条件的留存变化， 有助于我们寻找产品优化及增长机会。 精准的留分析能够有效堵住我们的用户池“出水口”， 而在 实际业务操作中一定要学会组合搭配使用，发挥其最大的作用