为什么要写【数据分析思维】这个系列文章？还是回到一个最根本的问题上：数据分析师到底是干什么的？我相信不仅是想入门的小伙伴，已经入行很久的数据分析师可能多多少少还是会有些不清楚。数据分析师是每天被各个业务方呼来唤去的提数工具人么？还是被各种不靠谱的可视化软件蹂躏的报表maker？还是好不容易做了个专题分析，却被业务方嫌弃不说“人话”的，只会纸上谈兵、指手画脚的外行？
我相信每个数据分析师都会多多少少经历以上的心路历程，直到某天突然明白数据分析的终极奥义，才能跳出这个让人迷茫的怪圈。原来数据分析是要：熟悉业务，在此基础上基于对业务的理解发现业务上的问题，然后提出分析的方案，然后再是用工具提数分析，最后给出结论和建议，并推动相关方实施落地，进而解决问题，完成从业务中发现问题，再回到业务中解决问题的完整闭环。这才是数据分析的真正意义。
明白了这些，你可能就会发现，区别于其他的开发类工作，数据分析是以业务、思维为主、工具为辅的工作，重要的不是你会多么高端牛逼的工具和算法，而是你怎么发现问题，怎么形成分析思路，这才是数据分析师拉开差距的关键所在，至于剩下的就是怎么具体实施，这个，找个实习生也能做，哪部分工作含金量更高、被取代难度更大，一目了然了吧？
这也是我写【数据分析思维】系列文章的原因，数据分析本身就是业务和思维为重，授人以鱼不如授人以渔，清晰完备的思维可以让你事半功倍，知道怎么做远比实际做要重要的多，代码未动，思维先行，懂得运筹帷幄才能走得更远。
01、什么是留存？
留存是互联网人永远都绕不开的一个话题，随着增长黑客、精细化运营等概念的兴起，用户增长已经逐渐从粗犷式的烧钱拉新逐渐过渡到千人千面的精细化运营，互联网流量红利逐渐消失的背景下，让新用户进来很容易，能让用户留下来才是本事。
在互联网行业中，用户在某段时间内开始使用应用，经过一段时间后，仍然继续使用该应用的用户，被认作是留存用户，这部分用户占当时新增用户的比例即是留存率，会按照每隔一单位时间（例日、周、月）来进行统计。留存可以理解为：用户的需求在产品内得到满足而主动留下来继续使用产品的一种状态。
天下熙熙皆为利来，天下攘攘皆为利往，任何产品的出现，都是背负着解决用户痛点、满足用户需求的使命，如果一个产品只是老板yy出来的伪需求，再牛逼的产品和运营也无计可施，用户只会为满足自己需求的产品买单。
对于一个用户，ta下载使用app，是带着明确的期望来的，是有核心需求的，而且这个需求很直接。比如用户下载美团是为了订外卖，下载滴滴是为了打车，如果产品能很快、很直接的满足新用户的核心需求，达到ta的期望，那么用户是会留下来，是会变成活跃用户。
因此，提升新用户留存的策略，就是通过产品或者运营策略更要更快更直接的满足用户的核心需求。这个核心需求反映到产品层面就是我们会经常提及的“aha moment”
aha moment是思考过程中一种特殊的、愉悦的体验，期间会突然对之前并不明朗的某个局面产生深入的认识。
–德国心理学家卡尔布勒
02、用户留存的关键行为
每个产品都有其核心价值，对于新用户来说，要体验到核心价值必须要完成一些关键行为，而且是要快速地无障碍地完成这些关键行为，然后新用户才能认识到产品的价值进而留存，但不同类型产品需要完成的关键行为的次数有所不同，有的可能完成一次就能体验到，比如电商类产品用户完成一次下单即可，有的需要完成多次，比如抖音可能要看几个视频才会发现推荐的都是你喜欢看的。基于此，可以总结为新用户的留存公式：
所以，提高新用户留存的关键在于如何找出这个关键行为，并且确定完成的最少次数，也就是常说的魔法数字，次数当然是越多越好，但也会对用户造成很大的负担，所以这里需要找出可以让其留存的最少的关键行为次数。
新用户关键行为的步骤进行拆解如下：
1、如何提出备选行为？
定性分析
明确产品的定位、使用场景和核心价值，首先明确产品的核心价值是什么？在此基础上找出新用户在使用产品时最快体验到核心价值的行为。
用户调研：通过研究不同用户的结果，发现产品对用户最核心的价值
- 注册后活跃使用的用户：为什么留下来了？新用户时期做了哪些动作，有哪些关键的体验？
- 注册后迅速离开的用户：为什么迅速离开？产品解决了痛点问题？
- 长期活跃的用户：为什么觉得产品有价值？
- 定量分析
一般我们可以通过对留存用户和流失用户差异化行为进行数据分析，留存用户使用的功能偏好和行为路径与流失用户有何区别，进而找到用户核心诉求
2、如何确定关键行为？
从备选行为中，找到相关性最强的行为，相关性的评判有以下几个原则：
原则1：使用频次越高，新用户越快期待从产品中获得价值，可以根据使用频次，预判新用户决策期；
原则2：生命周期越短，新用户越快期待从产品中获得价值；
原则3：分析新用户的实际数据，看绝大多数早期激活行为发生的时间窗口，也就是确定新用户的决策期；
基于这几个原则确定新用户决策期：通过整体留存曲线，找到留存拐点，这个拐点就是决策期，这个决定了关键行为要在这个期限内发生，如下图，4日后新用户留存已基本稳定，流失大量发生在4日以内，所以关键行为最晚要在新用户注册4天内发生。
找到关键行为：对比留存曲线，找到该新用户决策期内，做or没做备选行为对留存影响最大的1个行为，这个行为就是我们要找的关键行为，如图所示，对于某款短视频类产品，分析后发现新用户观看视频这一备选行为的留存明显好于其他行为，所以新用户的关键行为就是观看视频。
3、如何计算魔法数字？
有的关键行为一次即可，比如完成下单，有的需要做多次，比如抖音，理论上次数越多留存越好，但会给用户完成太大负担，所以需要找出可以让新用户留存的最佳次数，找出魔法数字可以使用边际效应最大法：
- 画出新用户首日关键行为次数的分布图
- 分析首日关键行为次数和次日留存率关系
- 找到留存边际效益最大的点对应的关键行为次数，也就是魔法数字
同样以上述短视频APP为例，关键行为完成不同次数的留存率如下如所示，可以发现随着观看视频次数的增加，新用户留存在明显提升，但是观看次数大于5次时，用户留存提升的不是很明显，已达增长边际，所以可以确定5即为魔法数字。
但是魔法数字并不是绝对的，魔法数字值具有相关性，但不是因果性，类似的行为可能有多种统计方式，只代表多数用户统计情况，是大多数用户的转折点，后续可以根据不同的用户画像继续细化指标，使之更加精准、更有针对性。
03、留存的障碍是什么？
已经了解到影响新用户留存的的关键行为，如何让新用户更快更容易地完成这一行为？或者说新用户完成这一行为的障碍在哪？搞明白这些问题才能定位到问题的症结、进而对症下药。
新用户要完成上述的关键行为并非一蹴而就，而是需要经过一系列流程，也就是用户的关键行为漏斗，只有定位到漏斗流失的问题环节，才能有针对性地进行产品和运营动作的改善优化。针对关键行为漏斗的分析也可以从定性分析和定量分析2个维度对进行拆解：
1、定量分析
首先基于对业务的深入了解，梳理新用户完成关键行为的主要流程，也就是关键行为漏斗。分析漏斗中每一个流程的转化率，定位流失严重的节点。探索导致新用户流失的原因，这个是最关键也是最困难的，因为影响用户流失的原因错综复杂，需要从不同的角度进行探索，一般来说，可以通过以下维度进行拆解：
1、新用户完成关键行为路径是否过长，导致用户需要很多步才能体验到产品的核心价值；
2、新用户使用产品过程中是否缺乏用户引导，导致新用户冷启动困难而放弃；
3、不同类型的用户流失可能不同，需要进行用户分群，不同类型的用户的功能使用的区别是什么分群的维度可以有：
- 人口学如年龄、性别、区域等
- 是否和客服沟通
- 是否有社群互动
- 是否有红包优惠券拉动
- 获客渠道
2、定性分析
也可以通过调研问卷的形式，分析用户为什么流失了？在哪一环节体验不好？是产品的问题还是运营介入不够？是产品功能无法满足需求还是用户使用体验糟糕？
04、如何提升用户留存？
前面已经通过分析了影响新用户留存的关键行为及魔法数字，也分析了用户在达成这个关键行为中的漏斗，知道了新用户最可能在哪一个环节流失，对这些了然于胸后，我们就可以针对性的制定方案，提升新用户的留存了。我们可以从增大动力、减小阻力、增加用户沉没成本和不定时的奖励助推等方面下手。
1、增大动力
通过朋友背书，或者提供个性化服务，或者将产品核心价值前置，让用户提前感受到，提供优质内容和优质体验，建立用户激励体系。
2、减小阻力
减少一切加长用户激活时间的冗余步骤，如避免不必要的信息录入，推迟注册甚至免注册，避免用户冷启动，给与适度的用户引导，突出关键路径和关键功能等。
3、不定时的奖励助推
运营及时介入，新用户如果激活时间短，就需要在决策犹豫期快速介入，通过运营手段快速了解产品功能，让用户激活留存。比如通过push，短信，邮件和公众号等站外渠道，也可以用站内信，资源位推广等站内渠道及时触达用户，采用新用户红包的方式吸引新用户产生激活行为。
4、持续的用户运营体系
我们把已经发生不可收回的支出，如时间、金钱、精力、感情等称为沉没成本。用户在平台上付出时间、精力、金钱、感情都会促进用户在这个平台有更多的留存。区别于不定时奖励助推的短平快的打鸡血，我们可以通过用户运营体系让新用户持续花费更多的时间和精力在产品上，进而增加新用户的沉没成本。
05、总结
这里我们主要讨论了如何提升用户留存的问题，主要按照如下的思路进行展开：
- 什么是用户留存？
- 用户留存的关键行为是什么？
- 用户留存的障碍是什么？
- 如何针对问题环节提升用户留存？
在互联网人口红利逐渐褪去、获客成本不断上升的背景下，新用户的获取实属不易，如何让砸钱获取的用户更快地感受到产品的价值，更频繁更持久地使用产品，延长新用户的生命周期，是每一个产品和运营头疼不已却又成就感满满的事情，行在途中，享受其中，前途且长，还要努力！
以上就是数据分析思维—留存分析部分的内容，部分数据分析思维请翻看历史文章，更多数据分析思维的文章持续更新中，敬请期待，如果觉得不错，也欢迎分享、点赞和点在看哈~
