AARRR模型拆解(三):用户留存(Retention)

12 评论 24067 浏览 195 收藏 14 分钟

经不起留存考验的产品,往往都是在解决一些伪需求,即使用户获取和激活都做得非常好,最终也都将流失,徒劳一场。

随着互联网行业的发展,许多产品都实现了从0到1的过程,渐渐地,很多产品的重心,都转移至如何实现从1到100,到10000的过程。而AARRR模型作为一个经典的增长漏斗模型,也时常被人所提及讨论,本系列文章将对各个过程拆解,深入讨论。

当用户来到我们的产品,被我们所激活,体验了我们的核心功能,接下来的事情,就是尽可能地让用户持续使用我们的产品,形成一种信赖与依赖,最终离不开我们的产品。这样下来,才会有更多的故事发生。这也就是AARRR模型的第三个阶段,Retention(留存)要做的事情,将用户留在我们的产品中。

讲留存,首先得看,怎样的用户,才属于留存用户,用怎样的指标,才能有效地评估产品的留存水平。目前市面上,普遍存在有两种计算方式,来计算产品的次日留存/7天留存/30天留存,评估一个产品的留存情况。

第一种是第N天计算法:

  • 次日留存:统计日新增用户次日仍然使用产品的用户数量占总新增用户数量的比例;
  • 7天留存:统计日新增用户第七天仍然使用产品的用户数量占总新增用户数量的比例;
  • 30天留存:统计日新增用户第七天仍然使用产品的用户数量占总新增用户数量的比例。

第二种是N天内计算法:

  • 次日留存:统计日新增用户次日仍然使用产品的用户数量占总新增用户数量的比例;
  • 7天留存:统计日新增用户7天内,再次使用产品的用户数量占总新增用户数量的比例;
  • 30天留存:统计日新增用户30天内,再次使用产品的用户数量占总新增用户数量的比例。

从两种计算方式中,我们可以看出:

  • 第一种计算方法强调第N天,其反应的结果也就是随着时间的推移,留存用户逐渐减少,而行业上也存在着对应较为权威的基准 4-2-1 基准,也即40%/20%/10% 为此计算方法下,较为合理的一个水平。
  • 第二种计算方法强调N天内,其反应的结果就是30天留存>7天留存>次日留存,更多的是表现一个产品的活跃水平。

但从留存本质上来看,这两种计算方式,都存在着可以改进的地方:

针对第N天计算法,存在这样的情况:次日留存相对准确,但7天留存跟30天留存,往往存在数据偏差;比如用户在第六天和第八天使用了产品,第七天未使用产品,这种情况下,这个用户属于一个七天留存的流失用户,这明显是不合理的。

故此可以引入使用间隔时间,做这样的计算:

改良后第N天计算法:

  • 次日留存:统计日新增用户,再次使用产品的时间间隔小于24小时的用户所占比例(T+2出数据指标);
  • 7天留存:统计日新增用户,再次使用产品的时间间隔小于7个自然天然填的用户所占比例(T+8出数据指标);
  • 30天留存:统计日新增用户,再次使用产品的时间间隔小于30个自然天然填的用户所占比例(T+8出数据指标)。

改良后的第N天计算法,可以准确地反映新增用户的留存水平,避免特殊场景造成的数据指标影响。

针对N天内计算法,由于计算方式反映的更多是产品的活跃水平,并不单纯针对新增用户,产品的迭代过程中,往往会有很多核心功能/用户体验等的改变,想要真实观察产品迭代过程中的留存活跃情况,应当将用户群体进行扩展。

改良后N天内计算法:

  • 次日留存:统计日活跃用户中,次日再次使用产品的用户占比(T+2出数据指标);
  • 7天留存:统计日活跃用户中,往后7天内再次使用产品的用户占比(T+8出数据指标);
  • 30天留存:统计日活跃用户中,往后30天内再次使用产品的用户占比(T+8出数据指标)。

改良后的N天内计算法,更能清晰/完整地表现所有用户的活跃留存情况。

搞清楚了留存指标的计算后,我们必然关心一个问题,就是怎样的留存水平,是一个合理的留存水平,我们改如何去提升我们产品的留存水平。

针对留存水平的标准,许多产品/运营人员往往直接套用4-2-1基准,但其实,每个产品往往因为行业性质的不同,用户的合理使用频次也是不尽相同的。所以制定留存标准时,更多地是应该结合自身产品所处的行业、产品形态以及自身产品定位进行考虑

举个例子:同一个留存标准,对于滴滴跟微信,往往是不适用的;你拿一个留存标准,去要求游戏类产品和看病类APP产品,同样是不现实的;你拿一个工具类产品去对比一个社区产品,一样也是不现实的。

有了标准之后,我们最关注的,就是怎样才能够提升我们产品的留存水平,我们可以从产品和运营两个角度来讨论:

(1)产品方向

从产品的角度,最本质的便是提升自己产品的竞争力,不断满足用户的需求,并优化用户体验,这是每一个产品,最核心应该做的事情。比如通讯产品就要尽可能做到信号不卡顿,不延时;滴滴就要做到减少用户/司机的时间成本及金钱成本等。

在提升产品核心竞争力的同时,也可以从一些方法,提升用户对于产品的粘性。

日常活跃功能:日常活跃功能是指通过一些方法,培养用户习惯;常见的方法包括各个产品的签到功能,游戏产品的首胜奖励功能,蚂蚁森林的日常获取能量功能等,都是从自然天的维度,去刺激用户使用产品,从而获得金钱上或者精神上的收获,沉淀用户

用户激励体系:用户激励体系是指通过一些方法,鼓励用户行为,让用户感受到被认可,常见的方法比如积分体系,勋章头衔,等级成就等,对于用户在产品中的行为,适当给予用户认可的反馈,激励用户,形成正向循环。

强化用户投入:强化用户投入是指通过一些方法,沉淀用户在产品上的行为,以使用户对产品产生依赖,这样的话,即使竞品的出现,用户也不会轻易离开产品。

常见的方法包括以下几种:

  • 时间投入:通过阶段性的任务,强化用户的时间投入,使中途放弃成为一件不容易的事情,比如淘宝的叠猫猫、拼多多的砍单等
  • 金钱投入:通过年度会员/月度会员等,强化用户的金钱投入,增加用户离平台的损失
  • 内容投入:通过UGC内容的沉淀,强化用户的内容投入,比如微博/朋友圈/笔记类产品等,用户在使用产品的过程中,沉淀了大量的内容,贸然离开自然也变得不容易
  • 情感投入:通过引导用户投入情感,产生精神寄托的情感投入,如宠物类产品,网易云音乐评论等
  • 社交投入:通过形成稳定的圈子关系,强化用户的社交投入,比如微信等社交平台,社交关系越牢靠,用户对于产品的依赖性也越强

(2)运营方向

从运营的角度出发,本质就是挽留与挽回

1)用户挽留

挽留其实就是减少用户的流失,那么首先一定要找到自身产品的价值,明确自身产品的核心竞争力是什么。

其次,通过分析流失用户与活跃用户的行为差异/流失用户普遍特征等方法,找到用户流失的原因。最后一步则是结合自身产品的价值,以及用户流失的原因,制定对应的解决优化方案。

2)用户挽救

挽救其实就是对于流失用户的召回,流失用户的成功召回,有两个契机,一个是在适当的时候看到你,一个是在适当的时候想起你。

让用户在合适的时候看到你,有以下几种常见方法:

  • 数据关联:目前很多电商产品通过输入法/浏览记录等,获取并及时为用户推送感兴趣的产品
  • 关注内容发生变动:当用户曾经关注/收藏的内容发生更新变化时,及时推送用户
  • 特定时间段/时间点:一些固定时间点(节日/生日/纪念日等),推送消息至用户
  • 用户场景变化:当用户的场景发生切换时,推送相关的内容,如城市切换/四季切换等

而让用户在适当的时候想起你,则更需要结合产品的调性,长期的诱导,促使在用户头脑中占据地位,比如一提到打车,你就想到滴滴;一提到送礼,你就想到脑白金;一提到降火饮料,你就想到王老吉;一提到职场社交,就想到脉脉。在用户心中形成认知后,即使用户因为各种原因离开了你,但只要合适的时机到来,用户自然而然又重新回到你的身边。

Retention获取作为AARRR漏斗模型的第三步,已经拆解完,用户留存作为一个评估产品是否真正具有价值的因素,产品任何时期,尤其初期,都必须非常重视,只有用户在产品中感受到价值,并留下了,产品才是真正触达用户的需求的,才是有价值的。

经不起留存考验的产品,往往都是在解决一些伪需求,即使用户获取和激活都做得非常好,最终也都将流失,徒劳一场

下期文章,我们将继续拆解AARRR模型,讲解第一个R,Revenue收入,敬请期待~

#相关阅读#

AARRR模型拆解(一):Acquisition 用户获取

AARRR模型拆解(二):Activation 用户激活

 

本文由 @郑序煜 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。

更多精彩内容,请关注人人都是产品经理微信公众号或下载App
评论
评论请登录
  1. 请问什么叫“7个自然天然填“的指标,这句话是怎么短句的呀?

    来自广东 回复
  2. 改良后第N天的计算法还有点不明白什么意思,可以再详细一点吗

    回复
    1. 改良后第N天计算法,其实就是通过引入时间间隔的概念,规避传统上第N天计算法可能带来的计算误差。举个例子,10名新增用户,其中有3名在第四天的时候再次活跃,第七天的时候没活跃,在此种情况下,传统的第N天计算法会将这3名用户误认为非七天留存用户,而在改良后的计算法下,这3名用户为七天留存用户,因为其再次使用的时间间隔,小于7天

      来自广东 回复
    2. 我也是这么理解的,但是和改良后的N天内一样啊,有区别吗

      来自中国 回复
  3. 我怎么改觉改良后的第N天计算法跟改良前的N天内计算法是一样的呢

    来自浙江 回复
    1. 区别应该是在于,改良前的第N天内,比如第7天内,只包含0-7天;而作者的改良后第N天计算法,是指时间间隔小于7个自然天,其实是包含了统计日的前7天+后7天的,即0-14天。

      来自墨西哥 回复
    2. 这个思路清晰一些👍

      来自中国 回复
  4. 几篇都看完了,简洁又系统

    来自北京 回复
  5. 30天留存:统计日新增用户第七天仍然使用产品的用户数量占总新增用户数量的比例。 有错误啊亲

    来自陕西 回复
    1. 我也发现了 所以正确的是“第三十天”还是“三十天内”呢?

      来自广东 回复
  6. 30个自然天然填的用户所占比例(T+8出数据指标),不应该是T+31出结果吗

    来自北京 回复
    1. 嗯错了~~感谢指出~~~

      来自江苏 回复