留存

留存简介

留存，顾名思义，就是用户在你的网站/app中留下来、持续使用的意思。

留存为什么重要？留存是AARRR模型中重要的环节之一，只有做好了留存，才能保障新用户在注册后不会白白流失。有时候我们光看日活（DAU），会觉得数据不错，但有可能是因为近期有密集的推广拉新活动，注入了大量的新用户，但是留下来的用户不一定在增长，可能在减少，只不过被新用户数掩盖了所以看不出来。这就好像一个不断漏水的篮子，如果不去修补底下的裂缝，而只顾着往里倒水，是很难获得持续的增长的。

一般我们讲的留存率，是指“新增用户”在一段时间内“回访网站/app”的比例。常见的指标有次日留存、三日留存、七日留存等。在GrowingIO中，我们除了狭义上的留存率之外，还支持自定义留存计算方法：用户可以指定任意的浏览或点击行为为“起始行为”及“回访行为”，根据自己的业务模式来建立最适合的留存模型，用以迅速区分群体，为网站运营或渠道转化提供信息。

功能简介

目前留存一共有四个可以调整的选项：

• 用户ID类型

  • 留存的意义是统计同一个用户的起始和回访行为，那么用户ID类型就是用来约定怎样的用户算作同一个用户。在这里你可以选择“访问用户”或“注册用户”，其中访问用户指的是GrowingIO通过浏览器cookies或者设备ID来识别是否同一个用户，而注册用户指使用您的账号系统来判断（需要上传属性数据才能支持）。

  • 举例来说，某用户使用了手机A来进行注册，而后来使用手机B来登录账号随意看了看，那么选择“访问用户”的话，后一种行为不会被识别为留存行为（因为GrowingIO通过设备无法识别这是同一个用户），而选择“注册用户”的话就可以被识别为留存行为了。

• 时间范围

  • 在这里你可以选择过去7天、14天、30天、本月或任意自定义时间。选择的时间段代表了起始行为的发生时间范围。

  • 例如，如果选择了1月1日至1月9日，那么系统会筛选出1月1日-9日内发生过起始行为的所有用户，并在这批用户里计算之后每一天的回访行为的发生比例。

• 起始行为

  • 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GrowingIO认为这个用户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。

• 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？

目前留存有两个图表可以观察：留存趋势概况和留存趋势细节。

先说留存趋势细节，这是一张表格图，每一行都代表了某一天的起始行为用户的留存情况。例如，上图红框中6.9%的意思为：1月25日新增的390个用户中，有6.9%的用户在2天后（即1月27日）又一次来到了网站上。根据留存率的高低，我们对每个单元格进行了不同的染色，颜色越深表示留存率越高。

留存表中每一列留存率进行加权平均，就成为了第一行“概况”中对应列的总留存率。

而“概况”中的所有百分比数值绘制成曲线图，就是“留存趋势概况”这张图了。

应用场景

• 案例一：

某SaaS公司的网站，在默认条件下的留存率图中，所有新访客的次日留存率（选择14天为周期），在5%-8%之间。也就是说，假设今天有100个人第一次访问了这个网站，可能有五到八个人会在明天会再次访问。而过了十几天之后，这个数据只剩下1%-2%了。

而当我们对用户在网站的行为进行深度分析，找出一些关键的行为点，就可以帮助我们预测用户的回访潜质。

比如，这个SaaS网站上有一个内容类的版块叫“技术论坛”，能为访客提供行业相关的信息。我们在GrowingIO中将技术论坛的全部页面圈选出来，在留存的【起始行为】中选择【技术论坛全部页面】【浏览】，而【回访行为】依然为【任意行为】。计算出的留存表是这样的：

其中的平均次日留存率达到了19.7%。这表示，每100个看过技术论坛的新访客里，有20个会在第二天再次访问这个网站，而十四天后的留存率也有16.7%。跟其他访客比起来，这些访客可以认为是持续关注这个产品的用户，都应该是“铁杆粉丝”。对于这些用户，我们可以在后续将他们建立为一个用户分群，重点进行关注并思考转化方式。在产品设计上，我们也可以考虑引导更多的访客去往“技术论坛”，尝试提高整体留存率。

• 案例二

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。