摘要：你的用户就像竹篮里的水一样，不断流失。怎么办!通过两个案例我们帮你快速上手搞定!
什么是留存
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。
为什么要重视留存
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，每日活跃用户数)，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。
竹篮打水一场空，用户要留住，不然也是一场空!
怎么计算和展现留存率
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。
留存率图有两种常见的展现形式：留存图和留存表。留存图是一张折线图，用来表现新增用户的回访比例按照天数衰减的趋势。留存表是将每日的回访比例按不同日期区分开，每一个单元格都代表了某一天的新增用户在不同天数后的回访百分比，并用单元格的颜色深浅来表示回访比例的高低。
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。
案例分析1：公司网站的访问留存
举一个例子，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5到8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板块叫 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。
案例分析2：O2O发红包用户留存分析
某个O2O APP，前段时间做了一个发红包的活动，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，刺激用户购买是首要目标，那些仅在app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留存率非常低，只有2.6%，而1月2日的这批用户的当天留存率也不高。
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。
本文采用「CC BY-SA 4.0 CN」协议转载自互联网、仅供学习交流，内容版权归原作者所有，如涉作品、版权和其他问题请给「我们」留言处理。
