留存分析

留存分析

留存模型

通过合适的留存模型，企业可以更好地理解用户的长期价值和产品的市场表现，从而制定相应的用户留存策略和产品改进措施。

留存 - 特定日期留存

概念 ：

在初始行为后的 第 n 天 (周 / 月) 发生了后续行为。

这种模型关注用户在特定时间点后，仍然使用产品或服务的用户比例。例如，分析用户在注册后的第 7 天、30 天、60 天或 90 天时，是否仍然活跃。

应用场景 ：适用于评估产品的关键里程碑或用户旅程中的重要时间点。通过留存分析，可以识别用户留存的趋势和模式，从而为产品改进、用户留存策略和市场定位提供数据支持。例如，衡量特定促销或广告活动对用户留存的短期和长期影响。

留存 - 自定义区间留存（本功能为高级功能，默认不开启，若需使用，请联系神策工作人员）

概念 ：

在初始行后 第 n 天 / 周 / 月至第 m 天 (周 / 月) 内 发生了后续行为。

自定义区间留存允许企业根据特定的业务需求或目标来定义留存分析的时间范围。

应用场景 ：一般与业务的经营周期相关。比如，分析首次注册后，在 7 天免费试用期间有多少用户回访，以及在免费试用期结束后的 30 天内有哪些用户回访。或者配置介于日留存和周留存之间的留存，如每 3 天的留存情况。

留存 - 连续留存 （本功能为高级功能，默认不开启，若需使用，请联系神策工作人员）

概念 ：

在初始行为到初始行为后的第 n 天 / 周 / 月内， 每一天 (周 / 月) 至都发生了后续行为。

选择连续留存后，可根据业务需求，配置连续留存是否包含当日：包含当日即，初始行为的当天及之后的连续 N 天都需要触发后续行为。

连续留存模型关注用户在连续的时间周期内是否持续使用产品。这通常涉及到分析用户在连续的几天、几周或几个月内的活跃度。

应用场景 ：这种模型适用于需要了解用户日常使用习惯和产品粘性的场景。例如，社交媒体平台可能会关注用户是否每天都在使用，以评估用户对平台内容的依赖程度。如分析连续 7 日都进行了小说阅读的人，或连续三个月登录 App 的用户。

流失

概念 ：

在初始行为后 连续 n 天 (周 / 月) ，都没有发生后续行为（不包含当天，即从触发初始行为事件之后，从第 1 天开始计算，连续多“天”）。

流失模型衡量在一定时间内停止使用产品或服务的用户比例。流失分析帮助企业识别可能或已经离开的用户群体。

应用场景 ：流失模型对于所有类型的产品或服务都非常重要，它帮助企业识别和解决可能导致用户离开的问题。例如，在线游戏公司可能会分析流失率，以了解哪些游戏特性或用户体验问题导致玩家不再回归。

选择初始行为和后续行为

初始行为和后续行为的选择有两种策略：

• 初始行为选择用户只触发一次的事件，比如“注册”、“上传头像”、“激活设备”等，后续行为选择你期望用户重复触发的事件，比如“阅读文章”、“发帖”、“购买”等。这种留存用于对比分析不同阶段开始使用产品的新用户的参与情况，从而评估产品迭代或运营策略调整的得失。
• 初始行为和后续行为选择相同的，期待用户重复触发的事件。这种留存用于分析忠实用户的使用模式。

设置初始行为和后续行为筛选条件：

针对事件的属性，可以根据具体需求筛选初始行为或后续行为的细分维度。比如，我们想分析北京地区的用户注册后，后续购买手机的留存情况，那么可以定义初始行为是“注册”，同时添加筛选条件“城市等于北京”，后续行为是“支付订单的商品细节”，同时添加筛选条件“商品类型等于手机”，即可满足分析需求。

设置关联属性

支持设置初始行为事件和后续行为事件的属性进行关联。关联的属性可以是相同属性，也可以是不同属性，但是要求属性的类型必须一致。

  举例：某内容类网站想要知道各页面的七日留存，因此需要在初始行为事件 App 浏览页面 和后续行为事件 App 浏览页面 中添加关联属性页面标题，此时就会按照该属性进行关联，以保证用户严格按照该模式配对。

设置用户筛选条件

针对用户属性、用户分群、用户标签，筛选合适的分析对象。比如，只查看女性用户的留存情况。

1. 用户属性时间类型的属性
   1. 支持设置相对初始行为事件发生时间、相对后续行为事件发生时间的时间范围。对比方式包含：之前、之后、当天、当周、当月。时间粒度支持天、小时、分、秒。比如：设置某个用户属性：首次登录时间，相对初始行为事件：App 登录在当天之内，则符合筛选的用户为首日登录的用户。
   2. 支持设置相对初始行为事件发生区间、相对后续行为事件发生时间区间。可设置 过去/未来 N 天/小时/分/秒 至 过去/未来 N 天/小时/分/秒 。比如：相对注册事件发生时间 过去 60 天至过去 30 天 定义为老用户，从而筛选出老用户。
2. 用户分群 & 用户标签 ，支持配置用户分群和标签的结果： 可选择某一个固定的分群，或者按照初始行为事件的发生时间进行动态匹配。
   1. 最新结果：筛选出的用户为分群的最新结果。
   2. 自定义：筛选出的用户为选择的某一个分群的计算结果。
   3. 按照初始行为时间匹配：可根据初始行为日期与分群日期的结果进行匹配。如初始行为事件发生时间为 11.01，可动态匹配到 11.01 的分群结果，进行用户的圈选。

添加同时显示的指标

在留存分析时，可以添加同时显示的指标，统计留存人员的指标值。如，统计留存人员在留存时段内的充值金额总和、人均值、累计总和、累计人均值、阶段累计总和和阶段累计人均值等。属性分组时，暂不支持同时展示。

其中，可以通过阶段累计人均值指标来计算 LTV（特定日期访问的用户群体，在一定时长内所贡献的人均价值）。 同时显示事件选择营收事件、同时显示指标中选择金额属性的阶段累计人均值，在表格中会显示用户的 LTV。

同时显示指标支持增加事件筛选。

分组选择

1. 留存分析默认按照 初始行为的事件发生时间 分组，该分组不可移除；添加的其它分组，默认位置在事件发生时间前，可根据分析需求拖动调整分组的顺序。
2. 除了可以按照初始行为日期进行分组查看外，还可以分别按照初始行为事件属性或后续行为事件属性进行分组查看。如选择初始行为事件属性按注册渠道进行分组，则可以看到不同注册渠道的后续留存情况。
3. 需要注意的是，当开启设置关联属性后，仅支持按照初始事件属性 / 用户分群 / 用户属性 / 用户标签进行分组查看。
4. 如果这里选择的属性是数值类型，可以自定义分组区间。如果没有设置，查询引擎会动态计算分组区间。此设置仅在当前查询生效，将查询保存为书签后在书签中也生效。
5. 如果选择的属性是 list 类型，list 集合中的所有属性值会被拆分成独立子项，可分别查看单个属性之下的留存分析。 注： 如果设置了多个 list 类型的分组，仅支持最后一个 list 类型的拆分显示。

6. 分组支持分群 / 标签动态匹配 & 自定义：比如按 用户生命周期标签 查看留存情况（生命周期标签例如包括：新用户、活跃用户、流失用户），可以按照标签每日例行结果进行统计查看；也可以指定某个更新时间点的标签作为分组。

   1. 统计每日更新的分群 / 标签结果下的初始及留存人数。增加动态匹配，则可以按照更新的分群 / 标签结果动态匹配初始、后续的行为人数。
   2. 也可以自定义某一个分群 / 标签结果作为分组。

    

单分组（默认口径，不开启多分组下均为单分组统计方式）

单分组定义： 一个用户按照事件发生时间（天 / 周 / 月）仅能出现在一个分组值下：如果按天查看留存，一个用户在当天多个分组下均有事件触发，则取首次事件的分组值；即 当按照初始行为 / 后续行为的事件属性分组时， 在对初始 / 后续行为事件属性进行分组时，对应日期触发的 首个 符合条件的事件的属性值，为其分组值。

• 分析条件：初始行为 A，后续行为 B，行为序列：1 号: A1，A2，A3；2 号：A2，A1，B2；3 号：B3；按 初始行为 A 的属性分组。

• 分析结果：1 号分组会统计至分组值为 1 中，2 号分组会统计至分组值 2 中；只会统计每日首次触发的事件属性值。

  初始日期	分组	初始事件	当日	第 1 日	第 2 日
  1 号	1	A1		B2	B3
  2 号	2	A2	B2

多分组 （本功能为高级功能，默认不开启，若需使用，请联系神策工作人员）

使用场景说明： 看不同品类的复购、不同运营活动 ID 带来的后续转化效果等，一般都是每个用户按照其真实触发行为，可以被多个分组统计到；目前留存支持单分组，即按照每天 / 周 / 月  首次命中 的分组进行统计，不能满足用户统计用户每天 / 周 / 月进入多个分组的统计场景。

多分组定义 ： 一个用户可能出现在多个分组值下：如果一个用户在多个分组值下均有事件触发，则各个分组值分别统计该用户的转化情况

• 分析条件：初始行为 A，后续行为 B，行为序列：1 号：A1，A2，A3；2 号：A2，A1，B2；3 号：B3；按 初始行为 A 的属性分组

• 分析结果：1 号分组会分别统计至 1、2、3 中；2 号会分别被统计至分组值 1、2 中；所有分组值均会被统计

  初始日期	分组	初始事件	当日	第 1 日	第 2 日
  1 号	1	A1		B2	B3
  1 号	2	A2		B2	B3
  1 号	3	A3		B2	B3
  2 号	1	A1	B2	B3
  2 号	2	A2	B2	B3

功能限制： 因为此功能比较耗费查询性能，所以需要对配置的分组及分组值的个数进行限制。

1. 默认最多可配置 10 个分组（可调整配置），不包括事件发生时间和关联属性
2. 事件属性（string）需要配置具体分组值，默认最多 5 个（可调整配置）
3. 事件属性（number）需要配置自定义区间，默认最多 5 个（可调整配置）
4. 事件属性不支持 datetime
5. 不支持 list 类型的属性

窗口期

窗口期：

1. 支持 查看所有留存窗口
2. 也可以配置 仅查看关键留存窗口 ，如次日、第 3 日、第 7 日留存，仅需输入 1、3、7。此配置适用于用户只关注关键日期留存 / 流失情况，不需要连续展示 N 天、N 周、N 月的留存数据。
3. 对于 留存-自定义区间 ，需填写自定义的区间：区间左闭右开，例如，配置如下，实际区间效果为：
   1. 区间 1：第 0-1 日
   2. 区间 2：第 2-3 日
   3. 区间 3：第 4-6 日

时间选择

可以按照日、周、月查看不同时间粒度下的留存 / 流失情况。

这里选择的时间范围，是初始行为事件发生的时间范围，如上图选择 “7 日留存”，后续事件发生时间范围的截止日期会被延展到 2024 年 3 月 14 日（2024 年 3 月 07 日向后延展 7 天）。

数据结果

汇总配置

可调整 汇总配置 ， 汇总配置 是分组汇总中指标的聚合计算方式，即，影响下图中的小计、合计数据。详细计算方式见上图，悬停在加权留存、去重留存上也可进行查看。

管理员可在项目设置 > 基本设置 > 分析模型设置中调整其默认选中项，每次分析时也支持临时修改。

留存表格

如何计算一段时间内的总体留存率？

如下图所示：中国第 4 日总体的留存率为 2021-04-05 和 2021-04-06 两个初始行为日期的第 4 日留存率的 加权平均值 。

注：加权平均值计算方式为当天初始行为日期人数占比总初始行为人数的值。如 2021-04-05 的加权平均值 = 初始行为人数 /（2021-04-05 初始行为人数 + 2021-04-06 初始行为人数）= 144 /（144 + 163）

故第四日总体的留存率 = 34.03% * 144 /（144 + 163）+ 20.25% * 163 /（144 + 163）= 49 /（144 + 163）+ 33 /（144 + 163）=（49 + 33）/（144 + 163）

即为下方各个时段内的留存 / 流失人数之和除以对应时段内的总人数之和

显示设置

留存表格可根据分析需求配置展示的指标：留存率、人数、同时显示指标（如有）。

勾选 显示分组汇总 ，会展示明细数据及下图中的小计、合计数据，取消后则仅展示明细数据。

指标信息提示

在留存表格中，鼠标 单击 单元格内指标 ，会显示相应的提示信息。同时，单元格的背景颜色也能直观反映留存情况。

点击用户数时，可以查看用户列表、添加用户分群、查看用户画像。

在用户列表支持进一步浏览其中单个用户的详细行为序列。

留存变化图、趋势图

用另一种可视化方式，体现不同分组的留存情况对比。

留存分析计算规则

以下部分以 留存-特定日期 为例，连续留存在此基础上要求：在初始行为到初始行为后的第 n 天 / 周 / 月内， 每一天 (周 / 月) 至都发生了后续行为，自定义区间留存则要求：在客户定义的每个留存窗口期区间内，发生过后续行为。

基本计算规则

假设定义的初始行为是 A 事件，后续行为是 B 事件，筛选时间段为 2015 年 1 月 1 日到 2015 年 1 月 8 日，注意这个时间范围是事件 A 发生的时间范围，事件 B 发生的时间范围是 2015 年 1 月 1 日到 1 月 15 日（1 月 8 日加上 7 天）。

未设置关联属性

单分组计算规则

下表为某用户 2015 年 1 月 1 日到 2015 年 1 月 8 日的真实行为序列和纳入计算的行为序列（保留用户当日首个初始行为事件或后续行为事件）。表格中，字母 A 和 B 为事件，数字 1、2、3 为该用户某个属性的属性值。

该用户的留存情况如下表：

• 不加分组，如果指定初始行为日期为 2015 年 1 月 1 日，则该用户分别是第 1 天、第 5 天、第 7 天的留存用户。如果不限定具体的初始行为日期，则该用户分别在 01-01、01-03、01-04、01-05、01-07 发生了初始行为，后续留存天数分别为第 1 天（初始行为日期：01-01、01-05、01-07）、第 2 天（初始行为日期：01-04）、第 3 天（初始行为日期：01-03、01-05）、第 4 天（初始行为日期：01-04）、第 5 天（初始行为日期：01-01、01-03）、第 7 天（初始行为日期：01-01）。
• 按初始行为事件 A 的属性分组，如果用户完成事件 A 的属性值各不相同，该用户只会被归到 1 月 1 日发生的首个 A 事件的属性值 1 中。

2.5.5 之前版本逻辑：虽然用户在 01-03 发生了事件的属性值为 3，但用户依然会被计算在属性值 1 的分组中。

2.5.5 版本逻辑变更为：用户会被统计在每日首次发生的事件属性，01-03 发生了事件的属性值为 3，则用户会被计算在属性值 3 的分组中。

该用户分别在 01-01、01-04、01-05、01-07 发生了初始行为事件 A，为 事件 A 的属性值为 1 分组下的第 1 天、第 2 天、第 3 天、第 4 天、第 5 天、第 7 天的留存用户。

该用户分别在 01-03 发生了初始行为事件 A，为 事件 A 的属性值为 3 分组下的第 3 天、第 5 天的留存用户。

• 按后续行为事件 B 的属性分组，如果用户完成事件 B 的属性值各不相同。

2.5.5 之前版本逻辑：该用户只会被归到 01-02 发生的首个 B 事件的属性值 2 中。

2.5.5 版本逻辑变更为：该用户初始行为日期 01-01、01-07 会被归到 B 事件的属性值 2 中，初始行为日期 01-03、01-04、01-05 会被归到 B 事件的属性值 1 中。

该用户分别在 01-01、01-07 发生了初始行为事件 A，为 事件 B 的属性值为 2 分组下的第 1 天、第 5 天、第 7 天的留存用户。

该用户分别在 01-03、01-04、01-05 发生了初始行为事件 A，为 事件 B 的属性值为 1 分组下的第 1 天、第 2 天、第 3 天、第 4 天、第 5 天的留存用户。

• 按用户属性分组，比如按性别分组，若用户为女性，则该用户分别是 属性值女性 的第 1 天、第 2 天、第 3 天、第 4 天、第 5 天、第 7 天的留存用户。

多分组计算规则

下表为某用户 2015 年 1 月 1 日到 2015 年 1 月 8 日的真实行为序列和纳入计算的行为序列（保留用户所有分组下的初始行为事件或后续行为事件）。表格中，字母 A 和 B 为事件，数字 1 ， 2 ， 3 为该用户某个属性的属性值。

该用户的留存情况如下表：即所有的初始行为及后续行为的分组值均会被统计。

设置关联属性

单分组计算规则

下表为某用户 2015 年 1 月 1 日到 2015 年 1 月 8 日的真实行为序列和纳入计算的行为序列 （同一天内初始行为事件只保留首个分组值，后续行为事件保留初始行为事件中出现过的分组值，以及可以关联的属性值） 。表格中，字母 A 和 B 为事件，数字 1、2、3 为该用户某个属性的属性值。

如下图，01-02 只有 B1 能够关联上 A1 初始行为属性，01-06 之前发生过 A1，A2，故 B1，B2 和初始行为均有匹配的属性值，因为 01-08 之前发生过 A1，A2，A3，故 B1，B2，B3 均会被统计。

该用户的留存情况如下表：

多分组计算规则

下表为某用户 2015 年 1 月 1 日到 2015 年 1 月 8 日的真实行为序列和纳入计算的行为序列（同一天内初始行为事件或后续行为事件不同属性值各保留一个，且保留首个）。表格中，字母 A 和 B 为事件，数字 1 、 2 、 3 为该用户某个属性的属性值。

该用户的留存情况如下表：

如果选择此属性进行分组，则属性值需要一一对应才能匹配。

属性值为 1 时，则用户分别是属性值 1 的第 1 天、第 2 天、第 3 天、第 4 天、第 5 天、第 7 天的留存用户。

属性值为 2 时，用户分别是属性值 2 的第 1 天、第 5 天、第 7 天的留存用户。

属性值为 3 时，用户分别是属性值 3 的第 3 天、第 4 天、第 5  天的留存用户。

筛选条件的含义

和其他分析功能一样，留存分析也提供了筛选功能。留存分析的筛选提供了两种不同的筛选类型：

• 用户属性上的筛选 ：例如，我们添加的筛选条件是 性别 为 男 ，则只有属性中 性别 为 男 的用户才满足这个筛选条件，并且出现在筛选后的留存分析结果中。
• 事件属性的筛选 ：与漏斗的触发限制条件含义相同，指定事件满足指定属性的过滤。

分组的含义

留存分析提供了两种不同的分组类型。我们以一个初始行为是 A，后续行为是 B，时间范围是 2015 年 1 月 1 日到 1 月 8 日的 7 天留存来进行详细说明：

• 用户属性上的分组 ：根据用户属性来进行更进一步的分组。例如我们添加的分组条件是 性别 ，就会分别对留存分析的结果按照 男 、 女 来进行分组。
• 事件属性的分组（包括初始行为、后续行为的事件属性） ：例如，我们选择的分组设置是初始行为的属性 屏幕高度 ，则这个分组表示，在 2015 年 1 月 1 日到 1 月 15 日这个时间范围内，按初始行为的 屏幕高度 这个属性的值来对他们进行分组。

常见问题

为什么要做留存分析？看活跃用户百分比不够吗？

按初始行为时间分组的留存分析可以消除用户增长对用户参与数据带来的影响。如果产品目前处于快速增长阶段，很有可能新用户中的活跃用户数增长掩盖了老用户活跃度的变化。

通过留存分析，你可以将用户按照注册时间分段查看，得出类似如下结论：“三月份改版前，该月注册的用户 7 天留存只有 15%；但是四月份改版后，该月注册的用户 7 天留存提高到了 20%。”

同理，按照非时间维度的留存分析具有类似价值，比如，可以查看新功能上线之后，对不同性别用户的留存是否带来不同效果。

我们在分析用户的留存时，一定要根据实际的业务需求，找到有价值的后续行为，对用户的价值留存进行分析，才能对产品的优化和改进提供实质性指导建议。