八大数据分析模型之——粘性分析（六）

一、深刻理解留存

对大多数产品而言，我们会用留存来整体评估产品的健康度，你也可以理解为，留存是在“某一天有多少人使用”的维度下进行的计算，它统计了来自同一群人，放在时间的跨度下，计算每一天回访用户占这群人的百分比。以新增留存为例，某一天或一段时间新增的用户，第2天还有多少人使用（次日留存），隔2天还有多少人使用（2天后留存），隔了7天还有多少人使用（周留存），通常我们会以此来判断产品留存用户的能力，以及用户的价值。

图1：7日留存

关于留存，我们上周进行了详细的解读， 点我回顾 。

二、粘性：以用户视角，科学评估产品留存能力

从精细化运营的角度来看，你可能有过这样的疑问，在某一段时间活跃的用户为用户群中：

隔7天来的用户有多少？

有多少用户是中间6天一天都没来？

有多少用户是连续访问了7天？

第30天来的用户中，有多少中间29天没有访问过？

有多少用户是有连续访问的？

有多少用户又是每周都来2-3天的？

他们分别占比多少？

如果要整体评估产品健康度，我们认为，你可能还需要知道：“一个人使用了几天”，也即很多产品一直无法衡量的维度：粘性。因为由粘性你可以知道：一款产品，用户一个月使用几天，使用大于1天的有多少，使用大于7天的有多少，你也可以再扩展到周的维度，一周使用大于2天的有多少，一周使用大于5天的有多少？以此来综合评估产品的健康度。

当我们将这一模型进行可视化， 如下图，选择“任意行为”，按周查看，即为用户平均每周使用产品的天数分布。

图2：任意行为的粘性分析

如上图所示，我们可以看到近四周所有使用产品的用户中，平均每周使用2天、3天及以上的用户占比。

当然，你更可以评估某一功能的粘性，比如我们选择「开始签到」来分析新上线的社区功能的粘性：

图3：「开始签到」模块的粘性分析

说明：在计算各个天数的人数占比情况时，我们会以在所选时间段内触发过该事件的人为基数（第一天为100%）。比如，近四周的活跃人数是200，触发过「开始签到」的人是100，其中一周内触发过「开始签到」2天以上的是20人，那么在粘性分析中，「开始签到」2天以上的人数占比是 ：20 / 100 = 20%。我们不会以活跃人数为基数，若要看在整个活跃用户中使用过某个功能的人数占比，可通过「事件」中的「活跃比」功能实现。

三、场景举例

以诸葛io服务的客户——向上金服为例，作为一家运营4年的互联网金融服务平台，同所有互金产品运营思路一样，一方面，需要不断强化用户对产品的信任感；另一方面，通过完善积分体系/搭建商城等手段，不断开拓更多用户与产品交互的场景，从而提高用户留存和粘性。

此外，我们可能还会需要对比两个不同用户群的粘性情况，比如我们想了解一下「已投资用户」相较于「未投资用户」来讲，对「查看股票市场」的依赖程度有何不同：

图4：不同用户群对于「查看股票市场」的粘性对比

（数据为脱敏数据）

如上图所示，我们发现，与未投资用户相比，有过投资行为的用户更关注股票市场的动态，对股票市场这一功能模块的粘性更大。

通过粘性分析，让你了解产品或某个功能粘住用户的能力如何，除了常用的留存指标外，粘性从更多维度让你了解到用户是如何使用产品的，哪个功能是被用户所喜欢的，不同用户对同一功能在使用上有哪些差异，帮你更科学的评估产品和功能，更有效的制定留存策略。

公众号：诸葛io / zhugeio1