留存分析

一、留存分析的意义

留存分析主要分析用户的整体参与程度、活跃程度的情况，考查进行某项初始行为的用户中，会进行回访行为的人数和比例。

通过留存分析模型，可以分析一段时间内，完成某项初始事件用户的回访情况，从而对事件的影响能进行宏观把控，优化决策。

以从用户活跃到消费举例来说，可以解决如下问题：

1. 用户使用产品后的1个月内，进行消费转化的人数和占比情况？
2. 用户使用产品后的1个月内，完成消费，且消费金额达到200元的人数和占比情况？
3. 上海用户使用产品后的1个月内，进行消费转化的人数和占比情况？
4. 一线城市用户使用产品后的1个月内，完成消费，且消费金额达到200元的人数和占比情况？
5. 全用户的30日LTV情况如何

二、留存分析的位置和使用角色

可以通过数据看板中的留存分析模型，宏观查看某项初始事件用户的回访情况，当对用户行为有深入分析需求时，可以从数据分析—留存分析模型中进入：

三、留存分析的结构

留存分析分为分析角度设置区、展示筛选区、展示图表区三部分。可以通过设置分析角度来确定分析的内容。并通过选择展示筛选选项，在图表区绘制出需要的分析表格或图形

四、留存分析的使用场景

4.1常用的几种分析场景

查看一段时间的7日留存情况

通过筛选，指定人群的7日留存情况

通过“同时展示”功能，查看深层分析角度，如LTV数据

按指定分类查看不同分组的留存情况或深层分析角度

4.2分析角度的设置

4.2.1 初始事件的选择

有过初始事件行为的用户将作为分析样本的数据源，并在整个分析中起作用。选框中可以选择某“元事件”或“任意事件”。含义即是在特定日期中做过该事件的用户。对于在特定日期中做过任意事件的用户可以理解为“他们在这段时间中活跃过”。

4.2.2 筛选条件的选择

筛选条件主要为了精确查看特定人群的使用情况而设计，如分析上海男性用户的留存情况。可以同时对初始事件和回访事件进行条件筛选。通过”筛选条件“可选出符合某些特征的事件或用户，再进行分析。

4.2.2.1 筛选项目规则

当筛选项目选择“用户群体”时，其类型为布尔型。

4.2.2.2 筛选项目与属性逻辑间关系

【属性逻辑】与【筛选项目】的数据类型关联：

4.2.2.3 筛选项目、属性逻辑、有效关联值间的关系

【关联值】与【属性逻辑】对应关联：

当筛选项目的数据类型为“时间”，属性逻辑为“区间”时，可选择需要分析的时间段。

当筛选项目的数据类型为“数值”，属性逻辑为“区间”时，关联值可填入一个数值区间。

当属性逻辑为“有值、无值、为真、为假”时，无需填写关联值。

当属性逻辑为其他内容时，关联值可选择或填入一个值。

4.2.2.4 多筛选条件时，设置筛选条件间逻辑

【条件逻辑】在筛选条件大于等于两项时出现，默认为“且”，可点击切换为“或”，以适应不同应用场景。

4.2.3 回访事件的选择

回访用户是指满足初始事件用户在特定时间后，完成回访事件的用户。选框中可以选择某“元事件”或“任意事件”。即是在特定日期中做过该回访事件的用户。对于在特定日期中做过任意事件的用户可以理解为“他们在这段时间中活跃过”。

4.2.4 同时展示选项的选择

4.2.4.1 同时展示选项的意义

在分析筛选留存用户的同时，我们可能会对留存下的用户做一些更深入的分析。 如独立分析留存用户的活跃、付费、LTV等数据，此时可以通过同时展示功能深度分析一些特定指标

4.2.4.2 同时展示选项的入口

鼠标移入“回访事件”时，将出现交互选项（仅回访事件有）

点击“同时展示”时，会出现需要分析的内容，默认会选中任意事件的总次数

可通过下拉框选取需要的分析点

4.2.4.3同时展示的分析角度

与事件分析不同，最多只有1项分析。

仍然为【事件描述】+【指标描述】+【分析角度】结构，与事件分析相似

默认分析对象为 “任意事件的次数”

根据事件描述、指标描述的数据类型不同，将呈现不一样的可分析角度

任意事件的文案仍为任意事件，元事件的必须为元事件管理中的一项具体事件

4.2.4.4 同时展示的取值与计算逻辑

1.初始事件、回访事件的筛选对同时展示有效

2.阶段累计总和概念

第N天的阶段累计总和，对于留存来说，即M名初始用户作为样本，从第0天开始至第N天，所有用户在这N天内该事件属性值全部数量的总和

3.阶段累计人均概念 第N天的阶段累计总和，对于留存来说，即M名初始用户作为样本，从第0天开始至第N天=（所有用户在这N天该事件属性值全部数量的总和/M）

4.阶段均值时的计算逻辑

4.2.5 按用户属性分组

4.2.5.1 分组选项的设置

初始情况下，将选中“总体”

该选框可选择总体、用户属性、用户分群三种类型（没有事件属性）

最多可设置3个分组

4.2.5.2增加、删除分组选项

最多可以增加至3个分组，增删交互逻辑与事件分析中一致。

4.2.5.3数值型、时间型分组数据的汇总分组

数值型数据可按照区间进行汇总，汇总方法同事件分析。有默认区间、离散数字、自定义区间三种选项。 时间型数据可按照时间粒度进行汇总，汇总方法同事件分析。有按天、按分钟、按小时、按周、按月五种选项。

4.2.5.4分组呈现

可以通过展开留存表格中的“+”，查看各分组项的具体内容

4.2.6 留存、流失、分组的判断逻辑

4.2.6.1 留存的判断逻辑

某日发生“初始事件”的用户，在第N日有发生“回访事件”，即为第N日的“留存用户”。

“留存数”即为第N日所有“留存用户”的总数。

“留存比例”即为第N日所有“留存用户”的总数与某日发生“初始事件”用户之比。

当天也会计算留存，考虑到数据计算的可执行力。

当天留存的判断依据为：当天既触发过初始事件也触发过回访事件的用户，不强制要求初始事件在前。

4.2.6.2 流失的判断逻辑

某日发生“初始事件”的用户，在之后的第1日至第N日都没有发生“回访事件”，即为第N日的“流失用户”。

“流失数”即为第N日所有“流失用户”的总数。

“流失比例”即为第N日所有“流失用户”的总数与某日发生“初始事件”用户之比。

4.2.6.3 周（月）留存/流失的判断逻辑

某分析角度为周（月）留存/流失时，分析时间区间将自动切换为自然周。

时间选框将原日期所包含的周/月自动扩充为完整的自然周/月。

某用户在+N周的留存，即在第N周的完整自然周内只要完成过回访事件，即为留存。

同样的，某用户在+N周的流失，即在第1周~第N周的完整自然周内都没有完成过回访事件，即为流失。

4.2.6.4 分组时的判断规则

原则：用户属性归拢，以第一次触发为准。留存/流失判断为迭代计算。

举例说明：1月1日到1月8日某用户每天进行一件事，该用户的行为序列是 A、A、B、A、A、A、B、B。分析对象为“1月1日到1月8日的7天留存，按省份分组”。

如某用户完成事件 A 的省份各不相同，该用户只会被归到1月1日发生A事件时的省份中。去重后，校验每天行为对之后的影响。该用户分别是第1天，第2天，第3天，第4天，第5天，第6天、第7天的留存用户。

4.3 展示筛选区的设置

4.3.1 考察时间段、期限、指标的选择

通过“时间段”可以限制分析指定时间段的数据

通过“分析期限”可以切换不同体量（日、周、月）下的留存、流失表现

通过指标”可以选定分析角度，如“留存、流失”

4.3.2 图表样式的选择

可切换选择留存表或比率趋势图、人数趋势图、只看同时展示表格、同时展示趋势图

4.4 图表的呈现与数据下载

4.4.1 图表样式为留存表时的呈现

其中分析期限筛选框与表格中的留存期限存在对应关系如下

4.4.1.1 不增加同时展示的展示内容

可以细分查看留存或流失模型

4.4.1.2 增加同时展示的展示内容

可在表格第三行查看同时展示内容

4.4.1.3 只看同时展示的展示内容

可以略去留存人数和留存率，只看同时展示数据绘制的表格

4.4.1.4 分增加分组时的呈现

4.4.2 图表样式为趋势图时的呈现

4.4.2.1 查看留存/流失比率趋势图

4.4.2.2 查看同时展示数据的趋势图

同时选中趋势图和只看同时展示数据时，可以得到此图

4.4.2.3 查看留存/流失数据的人数趋势图

查看留存人数/流失人数趋势

4.4.3 数据下载

下载的数据与表格样式时相同，为csv格式。