产品
解决方案
产品说明
关于我们

Data Analytics

这是一款用于企业数据可视化分析的自助式敏捷BI产品,可以针对企业业务数据进行自由维度的探索式分析,释放IT压力,真正将数据分析工作交还给最懂业务的人,提高企业决策效率。

典型客户:小米、克丽缇娜、雀巢、联合利华.....

Data Analytics 点击试用

Data MAX

这是一款用于企业数据可视化展示呈现的标准+自由定制化产品,将业务数据经过处理后以实时的炫酷的可视化形式展示出来,广泛应用于领导驾驶舱、指挥中心、展览展会等场景。

典型客户:人民日报、富力集团、OPPO、民生银行.....

Data Max 点击试用

咨询电话

400-1024-262

关注DH小助手

可随时微信沟通

首页 > 关于我们 > 行业信息 > 文章详情
数据分析干货 | 留存率模型应该怎么搭建?
2020-07-06

几乎所有的业务数据分析和运营工作都是围绕着“拉新”、“留存”、“促活”、“转化”4个环节来开展的。

 

 

我们常常面临这样的问题,好不容易拉进来一批用户,玩着玩着就都流失了,更别谈转化和变现了。

 

所以,弄明白“留存率”非常重要,它是衡量产品质量、运营效果的重要指标,也是预估产品盈利能力的重要参考!

 
 
一、“留存率”是什么?
 

留存率,留的都是活跃用户(Active User),具体的讲,就是指某一时间段内完成了某种特定行为的用户。例如某内容平台,可以参考打开次数、使用时长、互动情况、内容产出量来制定自己的标准。需要注意的是,单个用户可能多次完成特定行为,统计时需要按照用户维度去重,即只算为1个用户。 

 
举个例子,某天进来一批新用户,有的用了一下就再也没回来过,有的继续用过几次后也离开了,还有些在一定时间段里,能够一直持续活跃使用,这些一直保持活跃的我们称之为留存用户。留存用户占这批次新增用户的比例,就是留存率。 
 
考量留存的时间,一般会有次日、第7日、第30日型等,分别对应着次日留存率、第7日留存率、第30日留存率。还有按整周、整月的留存率计算形式,比如次月留存率等。 
 
(7日留存和周留存容易混淆,举个例子说清楚:假如1月1日新增100人,其中20人在1月8日依然活跃,则7日留存是20%,即7日留存是指第一天新增用户在七天后活跃的人数;假如1月1日到第1月7日共新增1000人,其中300人在1月8日到1月14日之间依然活跃,那么周留存就是30%,即周留存是第一周新增总用户在第二周活跃的人数。) 
 
根据现有的用户留存数量,就可以算出留存率,而根据留存率,又可以预测产品未来的活跃用户量。 
 
作为一名运营,不要简单地以为用户拉进来就算是你的用户了,也不要总把「用户总数」作为洋洋自得的指标,而应该更关注活跃用户数和留存率。 
因为,只有真正活跃的用户,才能产生商业价值。 
 
 
二、留存率模型
 

搞清留存率,本文将祭出一大法宝——「以留存率为基础的产品盈利模型」。 
 
1.模型1.0


在1.0版本里,留存率只是个初步模型:(其实就是一个加法公式)

 

此模型说明了活跃用户数来源于「阶段内新增用户」加上「以往每个阶段的留存用户」。举个例子,假如要算7天的留存用户,那么第7天的活跃总用户数 = 第7天的新增用户数 + 第6天的新增用户数 x 第1天的留存率 + 第5天的新增用户数 x 第2天的留存率 + ……  + 第1天的新增用户数 x 第6天的留存率。假如按周、月算,也是一样的道理,所以简单说来,这个模型就是把每个阶段的留存人数相加的结果。 
 
我们用案例再来解释一下: 
 
比如,某产品7月1日的活跃用户量为500,然后拉取这500人接下来7天的每日活跃数,就可以计算出该产品7天的留存率: 
 
(当天留存率 = 该批次剩余活跃用户数 / 7月1日活跃用户量) 
 
这样,我们就得出了产品的阶段留存率。然后我们可以依据这个留存率来计算每日自然新增的每日留存了,如果7月1日当天的新增用户为1400人,可以继续计算: 
 
(当天剩余活跃用户量 = 当天留存率 * 7月1日新增用户量) 
 
因此,我们就初步得到了7月1日这批用户在接下来几天里的活跃数变化情况。当然现实情况是每天都有新增用户,因此我们可以计算每天新增用户的留存率,再把历史留存都加起来,就得到了每天的总留存。
 
假如7月1日新增用户为500人,并且每日稳定增长500人,那么根据留存率,可以算出7月7日的活跃用户总数:
 
2.模型2.0
 

一旦可以算出未来的活跃用户数量,我们就可以粗略的计算未来的收益、销售额等数据。 

 

而这个模型可以继续优化,增加更多参数,使得计算结果更加接近真实情况。 
 

 

需要注意的是,影响模型结果的因素很多,考虑的越多,模型就越接近于真实情况,精确度就越高。但同时,因素与因素之间也会互相影响,增加了模型的复杂程度,计算的需要的时间会增加,计算的结果也会更加难以得出。使用模型时,请仔细思考这两点的平衡性。

 

那么问题来了,现实中有哪些因素需要考虑?哪些可以增加到这个模型中? 

 

1.用户来自不同渠道,因此不同渠道需使用不同的留存率; 

2.随着运营活动的开展,每月自然新增也会产生变化; 

3.很多产品每月会做付费推广,这其中需要考虑到推广的转化率;

4.推广及活动吸引来的用户的留存率,可能和自然新增的用户留存率不同;
5.考虑到用户生命周期,历史存量用户会有固定的流失率; 

6.总活跃用户中,有一定比例的付费率; 

7.随着产品价值的提升,新增用户的付费转化率每月会增长; 

8.随着产品的精细运营,单个用户在生命周期内的消费能力会逐渐递增; 

9.还可以根据人均贡献率预估出总收益; 

…… 

 

好了,如果把这些参数都添加进去,这个模型已经相当复杂了。但是只要公式正确,结果总归会趋近于真实情况的。 

 

尽管你可能一时看不懂,但是我们还是YY了一个产品,YY了一些数据,把它的成本测算和收益预估做出来了。

 

可以看出,iOS渠道和安卓渠道分开计算了,并且添加了历史存量用户流失(10%)、每月自然新增逐月递增2%几个参数,重要的是,添加了付费推广的转化率和成本。

 

有了两个渠道的用户、成本后,就可以算更多数据了!先把总成本算出来(蓝底部分),再算用户数据(绿底部分),再然后,可以添加自己的转化数据(黄底部分)进行测算了!GMV都能算出来! 

 

注意最后一行的红底部分,如果添加了KPI,就可以直接知道是否需要调整策略了! 

 

当然,这里面的所有数据都是我胡诌的,你要是真以为我们11月可以做到近2000万GMV,那你真是可爱极了。

 
 
三、这个模型究竟有什么用呢?
 
主要有2大方面: 
 
1.对于初创产品,可以预估产品的盈利时间,及时调整策略
 
对于初创产品,无论是老板、产品经理还是运营,最怕的除了产品功能不稳定,就是用户不稳和收益不清晰了,有了这个表,就可以轻松测算了。 
 
2.拆分各个参数的KPI
 
对于已经过了启动阶段的产品,可以根据目标KPI,直观的看到当前运营状态下未来的结果,如果达不到目标,就要及时调整了。更重要的是,可以制定各渠道、付费率、客单价、总成本的KPI,拆分后就轻松多了。 
 
在提升留存的方式上,不存在一个万能的方法,一用就马上能把产品的留存提高,我们更应该关注的是,产品本身是不是很好地满足了用户的需求。而留存率不高,95%的原因是产品本身的需求没有解决好。
热门文章
免费试用DataHunter产品
Data Analytics
业务驱动型BI工具
免费试用
Data MAX
极致性价比的大屏可视化产品
免费试用
Data Formula
敏捷型数据中台
免费试用
Copyright © 2018 北京数猎天下科技有限公司 | 京ICP备16063904号-1