新功能上线后，如何从数据的角度去评估该功能的效果如何？作者提出了产品功能分析的“三板斧”，分别是明确功能、梳理指标、对比效果，并以快手购物车功能为例进行案例说明，感兴趣的伙伴一起来看看吧。
如果你是一名BP在产品业务线的数据分析师，那么你会经常遇到产品更新迭代后加入一些新的模块或功能。当一个新的功能上线后，我们需要从数据的角度去评估该功能的效果如何。本篇将给大家分享作为一名产品数据分析师或者产品经理，如何从专业角度利用数据分析评估产品新功能的效果。
引言首先先给大家分享两组数据，一个来自微软，一个来自亚马逊。
在微软团队内部公认比较OK的想法，真正实施以后：大约有三分之一起到了预期效果，三分之一的想法没有产生明显影响，还有三分之一反而会起到了负作用。
亚马逊大约有60%到90%的想法，是无法改善他们的产品的。
所以，关于产品验证环节上，大家不要过于盲目自信，应该从扭曲力场中回到现实了。
所以，作为一名合格的产品分析师或者产品经理，必须学会在产品迭代的环节中，适时地对改版效果进行衡量并确认进展，这样才能更好地了解迭代对产品本身起到的作用。
那么，在一次产品改版之后，我们应从哪几个角度去入手，才能更好地评估一个功能的具体效果呢？
整体来说，我们可以分三个层次去度量评估。
接下来，我们针对每个层次展开来说。
一、产品功能分析“三板斧”1. 明确功能目标黎巴嫩诗人纪伯伦曾经说过一句非常有哲理的话，“我们已经走得太远，以至忘记了为什么出发”。
同样，对于任意一款新产品，不管是大版本迭代升级，亦或是只增加一个小功能的升级，我们首先需要回归初心去思考，为什么要增加这个新功能？也就是增加这个新功能的目的是什么？
比如在一款APP中增加评论功能，可以丰富用户互动行为，从而增加用户粘性带动大盘活跃；再比如电商类APP中上线秒杀功能，挑选某些商品参与特价秒杀，从而在短时间内促进用户转化，提升大盘GMV。
2. 梳理功能指标弄清楚上线新功能的目的之后，接下来有同学迫不及待地会问，怎么样才能知道该功能有没有达到目的呢？这个问题我们翻译过来就是：通过哪些指标能够衡量新功能的目标。
正所谓无法定义就无法度量，在实际业务中，对于所有的功能，我们都需要有一些明确的指标来进行衡量。举个例子，我们想要上线一个新功能来提升用户满意度，这个时候我们就需要首先明确什么是用户满意度，使用频次增加？停留时长增加？还是留存率提升？
对于这些功能指标，我们可以分为三大类：结果指标、基础指标和护栏指标。
1. 结果指标
结果指标很好理解，就是看新功能对大盘的贡献情况。比如上线新功能的带来的DAU在大盘DAU中的占比是多少，或者新功能带来的GMV在大盘GMV中贡献占比是多少等等。
2. 基础指标
基础指标，就是监测该功能的日常表现，具体又可以分为横向指标和纵向指标。那么如何区分横向指标和纵向指标呢？当一个产品增加某个新功能，一定会在用户使用路径中（UJM模型）体现出来。比如下面这张图，展示的是简化版的用户使用路径，以及增加了某个新功能D之后的使用路径。
所谓纵向指标，就是指当前功能的 UV、PV等指标，对比上一层的漏斗（渗透率）以及留存率相关的指标。纵向指标的目的是度量该功能本身流量的大小以及相较于上一层级的留存情况。
那什么是横向指标呢？从图中我们可以非常清晰的看到，对于某个特定的功能（比如功能D），用户从开始使用到使用完成，经过的过程依次是“进入该功能”→“在功能中停留、点击、消费、跳转等一系列行为”→“退出该功能”。
相应地，该功能横向指标包含用户使用路径中的常用行为指标，比如页面的CTR、页面停留时长、页面跳出率等。横向指标的目的是度量用户在产品中的操作步骤或使用路径，分析用户的消费情况。
横向和纵向分析相结合，就能比较清楚地了解当前功能的效果。
3. 护栏指标
可能你看到“护栏指标”这几个字会比较懵，会疑惑什么是护栏指标。通俗来说，是一种对功能效果评估补充的服务层指标。
举个例子，某APP上线了某个新功能，但是该功能占用的服务器内存特别大，虽然功能效果很好，但是经常会导致APP白屏或者闪崩。这时候，我们就需要从服务器层面，去监控比如“新功能失败率”这样的指标。而这些指标就是护栏指标。
护栏指标的意义在于，我们不仅能从大盘贡献和基础功能层面去评估某个新功能的价值，还可以从服务层面保证用户体验没有下降（比如打开某页面等待时长没有从1s上涨至5s）。因为往往很多时候，功能有没有效果还不是那么重要，如果我们从最直接的交互上损害了用户的体验而导致用户流失，反而是最得不偿失的。
但我们也不需要过于紧张，并不是所有页面和功能都需要护栏指标。比如常见视频的播放、页面的加载、活动的下发等，这几种往往需要监控一些失败率及大盘上的加载效率。而一些小功能的添加，只需要监控最基础的页面白屏率就可以了。
3. 分析功能效果明确功能目标以及衡量目标的数据指标之后，最后我们需要判断该功能的效果如何。数据分析中有一句名言：没有对比就没有结论。想要明确功能效果，必须进行对比。
那么跟谁进行对比呢？
两种思路，第一种，向外看，我们可以和竞品（如果能够拿到数据）进行对比；第二种，向内看，用一段周期内使用该功能的用户对比未使用该功能的用户之间的数据进行对比，也就是大家经常听到的A/B Test。
快手是一款短视频APP，相信大多数人应该都不陌生。当我们浏览短视频时，视频左下角会有一个“购物车”的小按钮，接下来我们就以“购物车”功能为例，来看一下如何分析该功能。
为了帮助大家更好的熟悉该功能，我们先来了解一下它整体的操作路径：
需要注意的是，并不是所有视频都会有购物车按钮，只有部分视频中会有该功能。这个应该是由号主自主选择设定。当我们点击“购物车”按钮后，会自动跳转到商品列表页，点击“抢购”按钮后跳转到商品详情页，在商品详情页右下角可以选择付费购买。
了解了该功能的使用路径之后，接下来我们按照刚才给大家介绍的分析“三板斧”，分层级进行实操。
1. 明确功能目标大家都知道，“购物车”功能多存在于电商类购物APP中，对于一个短视频APP加入“购物车”功能，很明显是为了支持其电商业务的发展。
因此，我们可以很明确地知道，快手加入这个功能主要就是为了增加其收入，其次附带功能是提升用户的活跃和留存。
因为“购物车”带有种草功能，用户通过观看视频种草后可以将商品加入购物车，而后决定是否购买。久而久之会不断扩展用户的使用需求，从而提高用户的活跃度和留存率。
2. 梳理功能指标功能指标又可以分为三个层级：大盘指标，基础指标，护栏指标。
首先我们要拆解大盘贡献。通过上一步，我们可以确定该功能主要目标是提高平台GMV，次要目标是提升用户活跃和留存，因此和大盘指标有联系的对应三个指标：收入（GMV）、使用该该功能的UV、PV等、该功能的大盘留存率。
GMV 可以度量该功能能够为快手平台整体商业化带来的收入；
使用该功能的UV可以度量大盘中有多人会使用该功能，从而度量该功能对于拉升大盘活跃的贡献；
大盘留存率可以通过对比未使用该功能的用户的大盘留存率，度量该功能对大盘留存率的提升。
其次我们要度量该功能的基础指标。纵向上，我们需要明确地知道各个页面的 PV、UV，以及整体的功能留存率；横向上，我们需要知道各个页面中商品的点击数、各子模块的点击数、页面的停留时长、页面的跳出率等。
纵向上度量流量的大小，横向上度量用户消费的情况，建立一个当前功能的页面漏斗，为后期迭代做好数据准备。
最后我们还需要分析护栏指标，对于一个短视频平台来说，视频是核心，因此宁愿没有“购物车”功能也必须保证视频正常播放。“购物车”功能应该是嵌入在一个播放容器中，所以我们可以分析以下几个护栏指标：播放器加载成功率、视频播放成功率以及该功能的打开成功率。
播放器和视频播放成功率是为了保证视频的播放不受该功能影响，而“购物车”打开率则是为了监控该功能的稳定性。
3. 对比功能效果首先可以向外看做竞品对比，比如可以对比抖音和视频号的“购物车”功能，或者其他直播中类似的带货数据的对比。
其次我们重点来说一下内部对比，内部对比也可以分为几种对比角度。
页面及功能之间的对比。比如页面的哪些功能数据相比其他页面更好，我们可以以实际产生的收入来作为衡量标准。因为有的漏斗虽然量少，但是转化很高，有的则相反。
商品之间的对比。比如同类型的产品，我们在哪些视频中卖的更好，哪些视频中卖的效果不好，这就是商品和视频的匹配度问题。在上架商品时，我们可以推荐或者引导号主上架的商品类型。
受众之间的对比。同一个视频，同一个商品，对于不同用户的购买率如何，一定会有差异，那我们如果为了提高 GMV，视频推荐策略中是否需要考虑到这个特征。
对于页面和功能之间的对比，通过漏斗和转化率，我们可以知道每个页面的哪些环节需要优化；对于商品之间的对比，我们知道不同人群对商品的喜好，从而在不同渠道投放商品时更精准；对于受众之间的对比，我们可以知道不同人群对商品的价格敏感情况以及商品的偏好情况，从而制定千人千面的营销策略。
做完这三步，针对该功能初步的分析也基本完成了。
既明确了分析目标，又建立了度量标准，从而得到了效果结论。后期随着业务的发展，我们还需要继续在此基础上不断迭代优化。
本文由 @知了数据分析 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。
该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。
9种常用的数据分析方法（实用干货，强烈建议收藏）
所谓公式拆解法就是针对某个指标，用公式层层分解该指标的影响因素。举例：分析某产品的销售额较低的原因，用公式法分解
对比法就是用两组或两组以上的数据进行比较，是最通用的方法。
我们知道孤立的数据没有意义，有对比才有差异。比如在时间维度上的同比和环比、增长率、定基比，与竞争对手的对比、类别之间的对比、特征和属性对比等。对比法可以发现数据变化规律，使用频繁，经常和其他方法搭配使用。
下图的AB公司销售额对比，虽然A公司销售额总体上涨且高于B公司，但是B公司的增速迅猛，高于A公司，即使后期增速下降了，最后的销售额还是赶超。
A/Btest，是将Web或App界面或流程的两个或多个版本，在同一时间维度，分别让类似访客群组来访问，收集各群组的用户体验数据和业务数据，最后分析评估出最好版本正式采用。A/Btest的流程如下：
（1）现状分析并建立假设：分析业务数据，确定当前最关键的改进点，作出优化改进的假设，提出优化建议；比如说我们发现用户的转化率不高，我们假设是因为推广的着陆页面带来的转化率太低，下面就要想办法来进行改进了
（2）设定目标，制定方案：设置主要目标，用来衡量各优化版本的优劣；设置辅助目标，用来评估优化版本对其他方面的影响。
（3）设计与开发：制作2个或多个优化版本的设计原型并完成技术实现。
（4）分配流量：确定每个线上测试版本的分流比例，初始阶段，优化方案的流量设置可以较小，根据情况逐渐增加流量。
（5）采集并分析数据：收集实验数据，进行有效性和效果判断：统计显著性达到95%或以上并且维持一段时间，实验可以结束；如果在95%以下，则可能需要延长测试时间；如果很长时间统计显著性不能达到95%甚至90%，则需要决定是否中止试验。
（6）最后：根据试验结果确定发布新版本、调整分流比例继续测试或者在试验效果未达成的情况下继续优化迭代方案重新开发上线试验。
流程图如下：
通过对两种及以上维度的划分，运用坐标的方式表达出想要的价值。由价值直接转变为策略，从而进行一些落地的推动。象限法是一种策略驱动的思维，常与产品分析、市场分析、客户管理、商品管理等。比如，下图是一个广告点击的四象限分布，X轴从左到右表示从低到高，Y轴从下到上表示从低到高。
高点击率高转化的广告，说明人群相对精准，是一个高效率的广告。高点击率低转化的广告，说明点击进来的人大多被广告吸引了，转化低说明广告内容针对的人群和产品实际受众有些不符。高转化低点击的广告，说明广告内容针对的人群和产品实际受众符合程度较高，但需要优化广告内容，吸引更多人点击。低点击率低转化的广告，可以放弃了。还有经典的RFM模型，把客户按最近一次消费(Recency)、消费频率(Frequency)、消费金额 (Monetary)三个维度分成八个象限。
通过象限分析法，将有相同特征的事件进行归因分析，总结其中的共性原因。例如上面广告的案例中，第一象限的事件可以提炼出有效的推广渠道与推广策略，第三和第四象限可以排除一些无效的推广渠道；
（2）建立分组优化策略
针对投放的象限分析法可以针对不同象限建立优化策略，例如RFM客户管理模型中按照象限将客户分为重点发展客户、重点保持客户、一般发展客户、一般保持客户等不同类型。给重点发展客户倾斜更多的资源，比如VIP服务、个性化服务、附加销售等。给潜力客户销售价值更高的产品，或一些优惠措施来吸引他们回归。
帕累托法则，源于经典的二八法则。比如在个人财富上可以说世界上20%的人掌握着80%的财富。而在数据分析中，则可以理解为20%的数据产生了80%的效果需要围绕这20%的数据进行挖掘。往往在使用二八法则的时候和排名有关系，排在前20%的才算是有效数据。二八法是抓重点分析，适用于任何行业。找到重点，发现其特征，然后可以思考如何让其余的80%向这20%转化，提高效果。
一般地，会用在产品分类上，去测量并构建ABC模型。比如某零售企业有500个SKU以及这些SKU对应的销售额，那么哪些SKU是重要的呢，这就是在业务运营中分清主次的问题。
常见的做法是将产品SKU作为维度，并将对应的销售额作为基础度量指标，将这些销售额指标从大到小排列，并计算截止当前产品SKU的销售额累计合计占总销售额的百分比。
百分比在 70%（含）以内，划分为 A 类。百分比在 70~90%（含）以内，划分为 B 类。百分比在 90~100%（含）以内，划分为 C 类。以上百分比也可以根据自己的实际情况调整。
ABC分析模型，不光可以用来划分产品和销售额，还可以划分客户及客户交易额等。比如给企业贡献80%利润的客户是哪些，占比多少。假设有20%，那么在资源有限的情况下，就知道要重点维护这20%类客户。
漏斗法即是漏斗图，有点像倒金字塔，是一个流程化的思考方式，常用于像新用户的开发、购物转化率这些有变化和一定流程的分析中。
上图是经典的营销漏斗，形象展示了从获取用户到最终转化成购买这整个流程中的一个个子环节。相邻环节的转化率则就是指用数据指标来量化每一个步骤的表现。所以整个漏斗模型就是先将整个购买流程拆分成一个个步骤，然后用转化率来衡量每一个步骤的表现，最后通过异常的数据指标找出有问题的环节，从而解决问题，优化该步骤，最终达到提升整体购买转化率的目的。
整体漏斗模型的核心思想其实可以归为分解和量化。比如分析电商的转化，我们要做的就是监控每个层级上的用户转化，寻找每个层级的可优化点。对于没有按照流程操作的用户，专门绘制他们的转化模型，缩短路径提升用户体验。
还有经典的黑客增长模型，AARRR模型，指Acquisition、Activation、Retention、Revenue、Referral，即用户获取、用户激活、用户留存、用户收益以及用户传播。这是产品运营中比较常见的一个模型，结合产品本身的特点以及产品的生命周期位置，来关注不同的数据指标，最终制定不同的运营策略。
从下面这幅AARRR模型图中，能够比较明显的看出来整个用户的生命周期是呈现逐渐递减趋势的。通过拆解和量化整个用户生命周期各环节，可以进行数据的横向和纵向对比，从而发现对应的问题，最终进行不断的优化迭代。
用户路径分析追踪用户从某个开始事件直到结束事件的行为路径，即对用户流向进行监测，可以用来衡量网站优化的效果或营销推广的效果，以及了解用户行为偏好，其最终目的是达成业务目标，引导用户更高效地完成产品的最优路径，最终促使用户付费。如何进行用户行为路径分析？
（1）计算用户使用网站或APP时的每个第一步，然后依次计算每一步的流向和转化，通过数据，真实地再现用户从打开APP到离开的整个过程。
（2）查看用户在使用产品时的路径分布情况。例如：在访问了某个电商产品首页的用户后，有多大比例的用户进行了搜索，有多大比例的用户访问了分类页，有多大比例的用户直接访问的商品详情页。
（3）进行路径优化分析。例如：哪条路径是用户最多访问的；走到哪一步时，用户最容易流失。
（4）通过路径识别用户行为特征。例如：分析用户是用完即走的目标导向型，还是无目的浏览型。
（5）对用户进行细分。通常按照APP的使用目的来对用户进行分类。如汽车APP的用户可以细分为关注型、意向型、购买型用户，并对每类用户进行不同访问任务的路径分析，比如意向型的用户，他进行不同车型的比较都有哪些路径，存在什么问题。还有一种方法是利用算法，基于用户所有访问路径进行聚类分析，依据访问路径的相似性对用户进行分类，再对每类用户进行分析。
以电商为例，买家从登录网站／APP到支付成功要经过首页浏览、搜索商品、加入购物车、提交订单、支付订单等过程。而在用户真实的选购过程是一个交缠反复的过程，例如提交订单后，用户可能会返回首页继续搜索商品，也可能去取消订单，每一个路径背后都有不同的动机。与其他分析模型配合进行深入分析后，能为找到快速用户动机，从而引领用户走向最优路径或者期望中的路径。
用户行为路径图示例：
用户留存指的是新会员/用户在经过一定时间之后，仍然具有访问、登录、使用或转化等特定属性和行为，留存用户占当时新用户的比例就是留存率。留存率按照不同的周期分为三类，以登录行为认定的留存为例：
第一种 日留存，日留存又可以细分为以下几种：
（1）次日留存率：（当天新增的用户中，第2天还登录的用户数）/第一天新增总用户数
（2）第3日留存率：（第一天新增用户中，第3天还有登录的用户数）/第一天新增总用户数
（3）第7日留存率：（第一天新增用户中，第7天还有登录的用户数）/第一天新增总用户数
（4）第14日留存率：（第一天新增用户中，第14天还有登录的用户数）/第一天新增总用户数
（5）第30日留存率：（第一天新增用户中，第30天还有登录的用户数）/第一天新增总用户数
第二种 周留存，以周度为单位的留存率，指的是每个周相对于第一个周的新增用户中，仍然还有登录的用户数。
第三种 月留存，以月度为单位的留存率，指的是每个月相对于第一个周的新增用户中，仍然还有登录的用户数。留存率是针对新用户的，其结果是一个矩阵式半面报告（只有一半有数据），每个数据记录行是日期、列为对应的不同时间周期下的留存率。正常情况下，留存率会随着时间周期的推移而逐渐降低。下面以月留存为例生成的月用户留存曲线：
聚类分析属于探索性的数据分析方法。通常，我们利用聚类分析将看似无序的对象进行分组、归类，以达到更好地理解研究对象的目的。聚类结果要求组内对象相似性较高，组间对象相似性较低。在用户研究中，很多问题可以借助聚类分析来解决，比如，网站的信息分类问题、网页的点击行为关联性问题以及用户分类问题等等。其中，用户分类是最常见的情况。
常见的聚类方法有不少，比如K均值（K-Means），谱聚类（Spectral Clustering），层次聚类（Hierarchical Clustering）。以最为常见的K-means为例，如下图：
可以看到，数据可以被分到红蓝绿三个不同的簇（cluster）中，每个簇应有其特有的性质。显然，聚类分析是一种无监督学习，是在缺乏标签的前提下的一种分类模型。当我们对数据进行聚类后并得到簇后，一般会单独对每个簇进行深入分析，从而得到更加细致的结果。
如何利用数据分析提升用户留存率
一、留存的概念和重要性1、什么是留存？
在互联网行业当中，因为拉新或推广的活动把客户引过来，用户开始访问公司的网站，但是经过一段时间可能就会有一部分客户逐渐流失了。那些留下来的人或者是经常回访我们公司网站的人就称为留存。
现在大家经常会用到所谓的“日活”（日活跃用户量，简称DAU）来监测我们的网站，有的时候会看到我们的“日活”在一段时期内都是逐渐增加的，这是一个非常好的现象。但是如果我们忽略了留存分析的话，这个结果很可能是一个错误。
比如某公司做了很多拉新、推广的活动，用户是带来了很多，但是留下来或经常返回来的客户不一定增长，他们有可能是在减少，只不过是拉新过来的人太多了而掩盖了流失率居高不下的问题，实际上客户的留存是在逐渐降低的。这个时候留存分析就很重要！
2、怎样用图表展示留存状况？
我们提供了留存图和留存表两个模型来分析用户流失与留存问题。
如上图左侧的留存图所示，开始的时候是带来了百分之百的人数，随着第一天结束，留存用户就急剧下降了85%，然后慢慢地降低，直到第13天进入一个平稳的阶段。
再如上图右边留存表，这张表该怎么解读呢？
我们先看一下第二行，时间是1月11日这一天，我们通过各种各样拉新和推广吸引到了6.7K 的客户。但是一天之后就下降了85%，变成15%，两天之后再一次下降10%，到了第七天是比较稳定的状态，达到了6.5%，后面就是缓慢地下降，比较平稳。我们可以看出来客户在第一天的时候就有一个巨大的流失，然后慢慢地达到了一个比较平稳的状态。
3、为什么要进行留存分析？
看完留存分析的概念，不禁思考，我们为什么要做留存呢？留存的分析意义何在？
像SaaS企业，获得一个客户无论在时间上还是在金钱上成本都是非常巨大的，也许要花掉两到三个月的时间才能获得一个客户。
以上面左边的图为例，刚开始这个客户，我们花了6000多美元的成本才把这个客户得到。得到了以后一般情况下客户对咱们这些企业可能就是按照一定的现金流给我们付钱，比如说付500美金，就这样一直地付下去。
这样你就会发现前期成本很高，也许我们只有通过客户使用我们的产品高达一年或者两年的时候我们才能收回成本。如果这个客户在之前就流失掉了，流失掉就意味着咱们的产品亏本了，连本都没有返回。
再来看右边的这张图，这张图讲的是每位客户成本的应收的现金流。第一个月我们得到了这个客户，我们花了6000刀，然后这个客户就每个月给我们付费，比如说每个月付500刀，他要到第13个月的时候我们才能达到所谓的收支平衡，从14个月以后才开始逐渐地赚钱，如果我们的留存没有做好，客户在用了两个月以后就走掉了，那这部分钱我们就流失了。
所以说留存有一个非常重要的意义，客户使用咱们公司的产品，时间越长越好，越长带来的现金流或者利润越高，这就是留存的一个非常核心的意义。
如果我们的留存做得好的话客户就会一直使用我们的产品，一直给我们带来财富。
从上图中我们可以看到两点：第一个就是使用的时间，留在我们产品的时间越长越好；第二个，希望利润越高越好。利润如何越高越好？就是我希望我的留存率越来越高，这样利润的面积也就越来越大。
二、用户留存的三个阶段和重要时间点
1、提升留存曲线的意义
假如现在我们产品的留存度是上图最下面那条绿色的线，纵轴是留存的比例，横轴是时间。一天过后，我们拉新获得的100%用户只留下35%，第7天变成了20%，然后缓慢下降，到了第60天以后达到一个大约10%的效果。
这个效果我们看看能不能通过某些方面的改进，让它逐步提升呢？
假如我们让绿色的留存度的线上升到橙色的线，再上升到红色的线，那么第一天留存率高达到70%，七天留存率也有60%多，到了60天、90天的时候留存率也能高达60%左右。这就是说我们前面通过市场拉新获得的百分之百的人数在经过90天以后有60%的人留下来了。
刚开始的时候看绿色的线我们的90天的留存率是10%，如果通过我们的努力能让它达到60%，这会给我们带来源源不断的财富和现金流的收入。
2、留存的三个阶段
今天通过留存分析的一些方法来给大家一些思路，看看如何通过优化产品的方式来提高我们的留存率。
在讲这个之前我先给大家讲一下我们应该如何去看这张留存的图。
这是一个常见的留存曲线，我把它分成了三个部分：第一部分是振荡期，第二部分是选择期，第三部分是平稳期。
大家会有一个问题，为什么我要分成这三个期呢？
首先在振荡期，我们可以看到拉新过来进入我们公司网站或者是下载APP的人数在前几天剧烈地减少，由100%几天就变成了百分之十几或者更低，这个期叫振荡期，它有自己的特色。
过了振荡期以后就是选择期，为什么我们称它为选择期呢？就是一般情况下客户在这段时间之内对我们的产品有了初步的了解，他开始探索我们公司的产品，看看这个产品有没有满足客户的一些核心需求。如果能满足，顾客很有可能就留下来了；如果没有满足，那客户就要走掉了。
过了选择期就是平稳期，留存率进入一个相对稳定的阶段。
3、留存的重要时点
第一个就是次日留存，就是当天过来第二天的留存有多少。我们可以看出，当天拉新，比如说我们拉了100个人，到了第二天可能只有十几个了，这是次日留存。
第二个是周留存，周留存是一个什么样的概念呢？我们为什么要周留存，这个概念就是说一般情况下客户使用一款产品，如果他进行一个完整的使用的话他的体验周期大约是一周或者是几天，因为比较常见的是周留存，我们就起了一个周留存的名字。
这个可以根据你的业务，如果您公司的产品体验一个完整的体验周期的话比如说是14天或者3天，我们就定3日留存或者14日留存。
三、留存的核心原因
什么样的客户会留下来？
其实这个问题也非常简单，如果我们的产品能够满足客户的核心需求，他能够在我们的产品使用当中发现这个产品的价值，那么他很有可能就会留下来。
如果我们做了很多的拉新、渠道的优化等等，也许会提高一定的留存率，但是这个留存到底能不能留下来，核心的问题还是说我们的产品功能设计能否满足客户的核心需求。如果能满足的话，我们能不能再进一步，我们这个产品的设计能否比较好的、比较快的、比较方便地满足客户的核心需求，这是第二点。
四、留存分析的方法论
下面我给大家讲解一下留存分析的方法论，来更好提升我们在平稳期这段时间的留存量。
假如我们现在可能只有5%，我想把它提高到10%或者是20%更高，就是回到刚才这张图，从一个绿色的线，慢慢地努力提到一个红色的线。
在这里留存分析有两个常见的分析方法，给大家稍微介绍一下，然后在后面的案例的讲解当中慢慢地把这两个方法融进去，给大家讲一讲。
第一个就是获取时间，我们在留存分析的时候可以对获取客户的时间进行分组。比如说这个产品发布了版本2.0或者是3.0，这个时间点我们可以做一个分组，看看用新版本的人的留存表现。
还有一种分组方式就是根据客户的行为进行分组，比如说我们举个例子，有一款音乐的软件，我想知道分享这首歌的人，他们在留存上有什么样的表现，或者对这首歌点赞数大于3次或者5次的人，他们在留存上有什么样的表现。
1、按照获取客户时间进行分析
如上图，是一个新版本音乐APP的留存情况，左边是留存表，右边是留存图。
先看左边的留存表，正如我刚才所说的，按照获取的时间进行了一个分组。举个例子，我们看最下面的10月26日获得的用户，一天后留存率是多少，两天后留存率是多少，三天后留存率是多少。
我们看到右边这个留存表也是这个意思，可以看出来第一天留存率骤降一半，第二天又降了10%，可以看出来前两天客户的留存率下降得很大，然后慢慢地在后期，比如说在第十五六天的时候达到一个比较平稳的阶段。
从这两张图表可以很好告诉我们随着时间的变化，留存在下降。但是如果我们想深度地挖掘哪里出了问题的话这两张表还不够，我们还需要进一步地分析用户行为。
2、按照用户行为进行分析
这时候我们就涉及到了一个新的分析方法，就是根据客户的行为进行分析。
还是以音乐APP为例，如果一个客户在一段时间内点击“喜欢”大于3次，我们看看这一部分人的留存，即上面左边的图。我们可以很明显地看到，咱们这条留存曲线是高于所有用户的蓝色留存曲线的。我们看一下次日留存率，高达82%，而所有用户可能只有50%多。得出结论：点击“喜欢”大于三次的用户留存表现优于所有用户平均值。
这时候咱们再进行更深一步的对比，点击“喜欢”大于等于3次与小于3次的用户留存之间有什么差异？上面右边的图中，红色的线就是喜欢这首歌大于等于3次，蓝色的还是刚才整体的所有用户，在下面是绿色，小于3次的。
可以明显地看出来这三个分群有很大的不同，点击“喜欢”越多的次数留存率就会很高，而点击“喜欢”小于3次的人留存率比所有用户的还要低。
我们看到这两这张图就会想到一个问题，我们有没有一种方法来引导客户，让他点击喜欢呢？
这个时候留存的分析的作用就是说如何促使产品的更新和优化，既然通过数据我发现了点击“喜欢”大于3就会留存率高，那么我们是不是通过这种分析方法来得到一个类似的假设，我们的产品如果通过优化能让客户更早地去点击“喜欢”，那么客户的留存就会多。
当然了这个时候我们会对产品通过一些交互行为的设计、A/B test或者各种各样的方法来使这个产品变得更好一些，更优化一些，不过这个主题比较大，我们先讲到这里。
我们继续往下深入地挖掘。
现在有一个行为是点击“喜欢”大于3次，我们还有些其他的行为，比如说我在一个网站上想加入一个兴趣的社区，比如说我非常喜欢听爵士乐，我就在APP进入爵士乐的社区，比如说我非常喜欢陈奕迅，我就想加入陈奕迅歌迷俱乐部，或者说我想加入其他的一些社区。
在上面左边的留存图中我们就用绿色的线表示当客户加入了一个兴趣社区时他的表现是什么样子。红色的线还有蓝色的线也是刚才说的三条线的对比。
可以看出来，如果这个客户加入了一个兴趣社区，我们也可以看到它的留存率相对整体客户来说是有一个提升的。
我们发现客户加入兴趣社区，点击大于3都会导致留存率的上升，那么我们会不会更深一步想一个问题，如果他既点击“喜欢”大于3次以上，又加入兴趣社区，会有什么样的效果？
当然这时候可能并没有很好的效果，我们并不确定，那我们就做一个实验，把数据抓出来，做上一张图，先看一下是好是坏，即刻分享。
然后我们就做出了上面右边的图，红色的就是我刚才说的，点击“喜欢”大于3次以上并且加入了社区，另外就是它的补集，就是没有小于等于3次或者是没有加入社区的，这时候我们发现这是一个很大的留存方面的差异。
由上图可以很明显地看出来红色要远远地高于蓝色，这时候就会给我们一个想法，如果咱们的产品能够更好地引导这些客户去使用这些功能，那么这些客户就能很好地留下来，留在咱们的产品上。
3、不同群组对产品不同模块使用状况的分析
上面的图叫“如何发现一个对比的点”，功能是分析不同的群组对产品不同模块使用情况。
分群A（平稳期）的客户之所以留下来了，是因为咱们的产品提供的功能满足了他，这些用户我们可以通过一些细节的挖掘，去看他对每一个产品每一项功能的使用情况。
比如某个产品有很多功能，我现在就截取了A/B/C/D/N 5个模块，10代表使用这个模块的频率还有热度的指数的满分，9表示他经常使用这个功能。反映到我们手机上的例子可能就是说他经常使用“喜欢”这个按钮或者是经常用“分享”这个按钮。
从这里可以看出来，如果我们做一个排序的话，分群A在平稳期的这部分用户非常喜欢使用模块A，也非常喜欢使用模块C或者模块D。
这部分群体我们再逆推到之前，他们在前期的时候喜欢使用什么样的功能呢？他们在所谓的振荡期和选择期的时候使用什么样的功能。
我们也是通过数据的分析，把这个数据拿下来，即分群A（振荡期 选择期），我们发现客户很可能非常喜欢模块A或者是功能模块C，例如客户非常喜欢分享一个东西或者喜欢下载一个东西，这个东西就是我们行为分析的一个起止点。
我们可以探索我们是不是先用这两个点来看一看客户在留存上面有没有一个巨大的行为差异，然后我们就会通过这些东西做出一些东西，比如说我点击了“喜欢”大于3次的我就发现留存率高，点击“喜欢”小于等于3次的留存率相对就会比较低。
五、用户留存的案例分析
1、留存图和留存表
下面展示了我们提供的一张留存图和留存表（也称为手枪图），可以方便大家看到新进来的客户们在后续的时间的表现，我们也可以定义起始行为和回访行为这两个功能。
2、起始行为和回访行为
起始行为规定了你想筛选什么样的用户进行留存分析。我们按照最普遍的留存率的概念，将默认的起始行为设置为“新增用户”，即这个用户ID此前未曾出现过，那么就会归为当天的新增用户。除了默认选项外，我们还支持将任意圈选过的标签的浏览或点击行为作为起始行为，在下拉菜单中就可以直接选择。
例如，选择“页面_加入我们”“浏览”为起始行为，那么系统会将一段时间内所有浏览过“加入我们”这个页面的用户都筛选出来，然后再计算他们在这之后是否发生过回访行为。
你希望用户经常地、持续地到你的产品中做什么？这就是回访行为的定义。在默认条件下，回访行为被设置为“任意行为”，即对任何页面的浏览或点击都被认为是留存。与起始行为一样，你可以设置任意标签的浏览或点击行为作为回访行为，在下拉菜单中可以选择。
例如，选择“按钮_加入购物车”“点击”作为回访行为，那么系统会计算：在满足起始行为的用户中，接下来的每一天里有多少人点击了“加入购物车”按钮？他们占起始用户的比例有多少？
3、某O2O企业分析“发红包”案例分析
某个O2O应用，想观察给用户发放红包之后的回购行为趋势。在这个案例中，我们将触发了购买行为的用户定义为留存用户，因为对于这个活动来说，刺激用户的购买是首要目标，那些仅在应用里查看了商品页面的用户，虽然他们回访了，但并没有进行关键行为，因此在这个案例中暂不能成为留存用户。
首先在【起始行为】中选择【红包领取成功页面】【浏览】，然后在【回访行为】中选择【购买成功页面】【浏览】，时间选择红包活动的时间段1月1日至1月14日，点击【提交】。
在这张表中，可以看到第一列“当天”的留存率已经不是100%，这是因为我们设定的起始行为与回访行为不一致而形成的，是正常现象。当天的平均留存率为38.1%，表示每100个领取了红包的用户中，大约38人会在当天就去购买商品花掉红包。
我们还可以根据这张表做进一步的分析：例如，在1天后的留存率中，1月2日领取红包的这批用户转化率非常低，只有2.6%，而1月2日的这批用户的当天转化率也不高。我们可以在【用户分群】功能中将这批用户定义为一个分群A，同时将1月7日领取红包的这批用户定义为分群B（因为1月7日的红包用户当天、次日的留存率都比较高），将这两个分群进一步按照多个维度和指标进行交叉对比，找出他们的行为差异。