科技猎数据分析（4）：分布分析法&用户留存分析法
前面几篇文章我们先后聊了对比分析法、多维度拆解法、漏斗观察法。这一篇我们着重聊聊分布分析法和用户留存分析法。
一、分布分析法
1. 常见的群体划分有哪些？
（1）按事件的频率
举个栗子：某职业技能提升平台（下图）的某公开课程的页面，我们不止可以看PV，还可以把PV以用户浏览的次数进行查看，可以看看有多少人是看了1~3次的，有多少人看了3~5次的。
分布分析方法不同的是 ：平时我们只看此页面一共浏览了多少次，这样再去平均。在这里我们看到的只是一个平均数，可能很多用户一天就能看几十次，也有部分用户只看了一次，如果我们单独去看整个页面的浏览次数，是得不到用户真实的使用情况的。如果用分布分析去看用户的浏览次数，那么，我们就对这个页面的浏览次数有了一个清晰的认知。
（2）按一天内的时间分布
还以上面的某职业技能提升为例：上面说到查看次数，但是这个是课程的页面，我们不只要看查看次数，还要查看观看课程的时长，比如同样是看一次，有的用户看1小时，有的用户看3小时，这显然是不一样的。
（3）按消费金额的区间
最后呢，我们还可以按消费金额的区间进行划分，我们是一个职业技能提升平台网站，肯定有不同的用户购买不同的课程。
这里我们不仅可以从订单的笔数进行查看，还可以按消费金额划分区间，这样就可以知道我们这个平台消费0~500元的有多少用户，500~1000元的有多少用户，1000~2500元的用户有多少。
以上是分布分析法的三种主要分析方式，它的运作原理是： 从事件在不同维度中的分布来观察，以便理解该事件除了累计数量和频次外，其他维度的信息。
2. 有哪些适用场景？
场景一
已经知道一群用户完成了指定事件，但需要对用户群体进行细分，按不同的维度（比如依赖程度）和价值（付款金额）将他们划为不同群体，分别进行后续的维护或分析。
比如说：把特别依赖的用户单独筛选出来，建一个用户运营的专项项目，去运营用户。也可以把那些付款金额大的用户，去做一些运营活动。
场景二
已经知道单个事件的完成次数，希望知道这些次数拆分到不同维度上后的分布情况，以便更清晰地了解该事件的完成情况。
比如：把不同的内容的查看次数放在一些对比，可能没有区别，但如果把几种内容的查看次数按照时间进行分布，可以看到更多详情的信息，比如某内容用户的查看时间段，A内容上午查看的用户多，B内容下午查看的用户多。
由此，我们可以发现，不同的内容在时间的分布上是有些特性的。 这时候，在推荐内容上就可以根据不同的时间段推荐不同类型内容给用户。
二、用户留存分析法
1. 为什么要看留存？
短期来看：了解某一渠道的质量，一般看的是日留存
以天为单位，衡量这个渠道来的用户当下&接下来的表现。这里需要注意的是： 以【 X日日留存】作为比较标准时，应避免其他日数据的干扰。长期来看：观察整个大盘，通常看的是周留存/月留存 以周/月为单位，衡量产品的健康情况，观察用户在平台上的黏性是怎样的。记得务必要去重。
下面这款产品就是在一年的周期内，从1月份到12月份的新增用户，在后面几个月内留存的表现情况。
由下图可以看出，在产品不断的优化及迭代的过程中，每个月的留存是有所增长的，这证明此款产品的迭代和运营的方向是抓的比较准的。
思考一下： 为什么在验证产品长期价值时选择月留存，而不是日留存呢？
这是因为留存这个数据本身波动都不太大，如果看日留存会有很多的数据需要处理，数据量大往往我们就不能把焦点放在该放的地方。而恰恰也刚好是我们一般迭代一个版本是半个月或者一个月，往往能从根本上影响留存的。
所以，从一个月来观察产品的留存变动，更能了解产品长期价值的变动。 这种是最常见的留存计算方式。
2. 留存的计算方式
（1）常见的计算方式
大盘留存的计算方式：将某一时间的用户ID与另一时间的用户ID做交叉去重。
但是，大盘的留存会受很多因素的影响。举个简单的栗子：你的产品做了一个活动，引入了低质量的渠道（这是经常有的事儿哈），那么这个留存不管是次日/次周/次月都会大跌的。
还有一种可能是你搞这个活动的时候，这批低质量渠道过来的用户暴增，导致服务器宕机等等。 所以，不管是产品还是运营，抑或是技术、市场每一个环节都会对留存造成影响。
（2）精准留存
精准留存有两种计算方法：第一，过滤进行过指定行为的用户ID，单独进行计算。
举个栗子：某在线阅读类产品，以下是大盘的留存，在这里呢我们要区分出来看了某一种类型的书籍的用户，有没有可能比其他的用户更有可能留下来。
这时需要把看过某一类型的书籍（比如励志类的）单独的筛选出来，只看这一批用户的留存情况。经过查看得知，此类型书籍的用户的留存比大盘高，那是不是表明还有其他类型的书籍比大盘要低啊。
所以，通过这样的观察，我们就可以得知各个类型的书籍吸引用户的能力是不一样的，然后去评判不同的书籍类型的运营质量，以及用户黏性的价值。
第二，根据用户不同的属性，划分为不同的群体，观察它们之间留存的区别
举个栗子：我们是王者农药的产品经理，如果通过大盘来观看数据，是看不出所以然的。这个时候我们可以给用户划分为不同的用户群体，在这里我们把用户进行分区划分，通过分区我们可以发现，有的区它的周留存是优于其他区的，那我们就可以研究这个区为什么做的好，然后把这个区做的好的点复制到其他区域。
最后一张架构图总结一下：
好啦，以上就是关于分布分析法和用户留存分析法的分享，希望能给大家提供一些思路和灵感，欢迎交流。
下篇预告：数据分析（5）：用户画像分析法，欢迎继续关注~
推荐阅读
本文作者：菜菜，公众号：菜菜唠产品（caicailaochanpin)，欢迎关注~
本文由 @菜菜 原创发布于人人都是产品经理，未经许可，禁止转载。
题图来自Unsplash，基于CC0协议。
本文被转载1次
首发媒体
| 转发媒体
