说到留存分析，做互联网运营的人一定很熟悉，在现在互联网流量越来越贵的背景下，留住老用户就变得越来越重要。留存分析也几乎成了互联网运营分析的必备模型，本篇我就结合我之前的经验来给大家说说
留存的定义
什么是留存，留存是指满足某个条件的用户，在某个时间点有没有进行回访行为。比方说一个用户在某段时间内开始使用一个app，过了一段时间后，还在继续使用，那这个用户就被认作是留存用户。留存分析模型就是用来分析用户参与情况/活跃程度的模型。
计算公式：若满足某个条件的用户数为n，在某个时间点进行回访行为的用户数为m，那么该时间点的留存率就是m/n
留存分析模型的特点
留存分析模型特点就是条件配置灵活，先根据用户行为来讲用户分类，然后再针对用户属性筛选合适的分析对象。
留存率反映的实际上是一种转化率，就是一个新用户从刚开始的不稳定用户转化成来活跃用户，然后再由活跃用户变成稳定用户，最后变成忠诚用户的过程。通过对留存率的分析，运营的人员可以看每个用户的转化情况，留存率越高，说明产品对客户的吸引力越大，也反映了产品价值越高。
通过留存分析，可以判断新功能上线之后，对不同群体的留存是不是带来不同效果；可以验证产品的某项新功能是否提高了用户的留存率等等。
留存分析模型搭建
在进行留存分析的时候，我们更多时候要学会做问题拆解，把提升留存率这样一个大目标拆解为一个个小的可执行的目标，我们就可以通过产品优化、运营调整等等方式来实现用户留存提升。
在我们常见的留存曲线中，通常会根据用户的旅程划分出不同的留存阶段。
- 振荡阶段，我们主要关注用户激活，在这个阶段中，我们需要让用户迅速低成本地感受到产品的核心价值
- 选择阶段，在这个阶段，用户对产品有初步了解，开始探索产品是否满足其核心需求，我们就要关注老用户的留存提升，打造好产品的核心功能，培养用户对产品的使用习惯。
- 平稳阶段，用户已经基本养成使用习惯，我们接下来就要思考产品对用户的长期价值是什么，如何才能让用户反复体验到产品的价值。
分组
用户留存分析的第一步是按照不同的（时间/渠道/行为等）维度进行用户分组。比如我们在对某一个平台用户留存率进行日常的数据分析时，通常是按照单个自然日进行分组，然后对任意时间段内获取到的新用户在留存率上的表现做出个报表。
先把常用的几个用户生命周期指标给大家：
- 新增用户数=在某个时间段新登录应用的用户数
- 登录用户数=登录应用后至当前时间，至少登录过一次的用户数
- 留存率=新增用户中登录用户数/新增用户数*100%
- 次日留存率=（当天新增的用户中，在注册的第2天还登录的用户数）/第一天新增总用户数
- 第3日留存率=（第一天新增用户中，在注册的第3天还有登录的用户数）/第一天新增总用户数
- 第7日留存率=（第一天新增的用户中，在注册的第7天还有登录的用户数）/第一天新增总用户数
- 第30日留存率=（第一天新增的用户中，在注册的第30天还有登录的用户数）/第一天新增总用户数
某社区类app的用户留存情况解读
我网上找了一个某社区类APP按照用户的获取日期进行的一个用户留存情况分组图。从图中可以看到具体每一天的用户留存表现情况。比如在6月28日这天获得的用户，一天后留存率27.8%，两天后留存率是13.5%，三天后留存率是11.3%。
如果想深度地挖掘哪里出了问题才导致这款社区型app的次日留存率这么低，只有这种图是不够的，我们还需要进一步地分析用户行为分析。
对比
如果想通过对用户留存率的数据分析找到优化方案和检验运营策略效果，最核心分析的方法是根据用户行为进行分组的比较，因为绝对的数值在大多数场合下是没有意义的，只有通过在不同维度之间做数据的比较分析，能帮助找到数据变化的原因。
比如对于百度贴吧客户端来说想验证看贴对新用户的留存效果，则可以对同样是来自A渠道的新用户进行（有使用看贴/未使用看贴）行为分组比较。通过比较可以知道使用过看贴功能的新用户和非使用过该功能的新用户，在三日留存率上相差50%以上（说明看贴对新用户留存用正向促进作用）。
新用户看贴和不看贴的三日留存率比较
如果进一步的进行分组留存率分析的话，可以是对在看贴功能内浏览了3篇贴子的新用户和仅浏览1篇贴子的新用户进行分析，看他们在留存率上的差异表现，要是浏览3篇贴子的用户留存率大于1篇贴子的留存率，那么下一步则需要加强内容质量的把关，提升看的功能的PV/UV的百分比。
总结
简单的解释了一下留存的定义和留存分析模型的应用场景。简单的归纳就是留存分析模型是用来做用户活跃相关的数据分析，而且更多的是需要配合对比（时间上/分组上）来进行使用，从而获取有效的信息。
原文始发于微信公众号（数据分析不是个事儿）
閱讀更多 商助科技 的文章
