通过功能留存分析矩阵提高留存率

本文主要是介绍通过功能留存分析矩阵提高留存率，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

功能留存分析矩阵是什么意思？通过这个矩阵，帮你分析出产品中的哪个功能对留存的价值最高。
功能对留存的价值分为2个维度，使用用户的人数和连续使用功能的用户占比（功能留存率），功能留存分析矩阵帮我们解决的是，如果你想要提高留存，要去优先优化哪项功能。

如果说惊喜时刻帮我们定义了激活用户的指标，那么功能留存分析矩阵就帮我们从具体的功能角度，定义了用户留存的指标。一般我们计算留存率是按照整体用户来看的，这个周期使用产品的用户除以上个周期使用产品的用户，来计算留存率，但这种宽泛的定义，如果我们想提高留存，就无从下手。

增长黑客们定义指标的原则是拆解出具体可执行的指标，从功能的角度发现每个功能的留存率，这个矩阵告诉我们说优化留存率就是2个方向，要么提高使用用户量，要么提升留存率，通过这两个指标制定试验的方向，优化后再通过这两个指标做验证，这就是增长黑客提高留存的思路了。

功能留存分析矩阵2个维度的计算方法，我们用一个例子来说明：
假如微信这个产品，我要分析朋友圈、看一看、搜一搜、附近的人这几个功能对留存率的影响，怎么做呢？
首先，我要定义出分析的时间段，假如我要分析5月份各功能的留存表现，5月份就是我定义出来的时间段，下面开始计算两个维度的数据：
功能留存率：比如我要计算朋友圈这个功能5月份的留存率，就是5月份使用过朋友圈的用户/4月份使用过朋友圈的用户，这里要注意的是，5月份使用过朋友圈的用户是指在4月份使用过朋友圈的用户中，5月份继续使用朋友圈的用户，不要计算新用户。
按照这个方法，分别计算出看一看、搜一搜、附近的人这几个功能，4月份使用过的用户中，有多少用户在5月份也继续使用，然后除以4月份使用过的用户数量，得到各功能的留存率。

活跃用户占比：还是计算朋友圈这个功能5月份的活跃用户占比，就是用5月份使用过朋友圈的用户/5月份使用过微信的所有用户，这里是包含新用户的。
按照这个方法，分别计算出看一看、搜一搜、附近的人这几个功能的5月份活跃用户占比。

通过计算我们可以建立一个功能留存分析矩阵，有2个关键点要注意：
首先,功能留存率的计算，当前周期的使用用户数是不含这一周期的新用户的，而当前周期的活跃用户占比是包含这一周期的新用户的;
其次，功能留存率和活跃用户占比两个数据维度的计算周期要相同。

这个案例是按照月度来分析，可以从时间维度进一步拆分，按照周、日等维度来计算，比如这周和上周，昨天和前天，两个数据维度的时间周期一定要相同；
也可以从功能的角度做进一步拆分，比如微信的看一看里有“朋友在看”和“精选”2个标签，可以对比下这2个标签的功能留存率和使用用户数，需要注意的是，两个数据维度计算的功能指标必须要相同；
还可以从用户的角度做进一步拆分，比如每天点开朋友圈1次的用户、3次的用户、5次以上的用户，分析不同使用行为的用户在留存率和用户量上的表现，还是那句话，两个维度的用户属性必须要相同。
拆分的细致程度需要按照分析的目的来确定，还有就是如果从月的角度分析不出来结果，可以做进一步拆分看能不能表现出差异。

好了，功能留存分析矩阵这一节，我们就学习到这里，下面我们要学习的，是服务留存，也是精细化运营中一个非常重要的策略：用户分层。

服务留存：通过用户分层制定针对性留存策略

什么是用户分层？比如说知乎这个产品中，有一部分用户会提问题，有一部分用户会回答问题，还有一部分用户是来看内容的，可能回答问题的用户是10%，提问题的用户是20%，看内容的用户是70%，这就是一个简单的用户分层。

为什么要做用户分层呢？如果让你来做知乎的运营，假如给你100万的预算，要给10万个用户发福利，你会怎么做？平均分配是每个用户10块钱，但如果是我的话，就不会平均分配，我会拿出50万甚至更多给那10%回答问题的用户发福利，因为这些用户是为知乎真正创造价值的用户，提问的用户和看内容的用户，都是因为这些回答内容的用户而留在平台上。

所以说，做用户分层是将有限的资源分配给最有价值的用户，来实现更好的留存。
通过RFM模型做用户分层，是从所有用户的层面来说的，这种分层方式适合用来制定针对所有用户的运营策略，比如积分、等级、激励等，也可以用来指导在具体的活动中，我们还选择哪些用户，比如电商大促活动中，为了达成销售额你要针对哪些用户呢？
显然是最近有下单、购买频率高、消费金额高的用户了，这是第一优先级的用户，还有就是最近有下单，购买频率低，消费金额高和最近有下单，购买频率高，消费金额低的用户，针对前者，要推荐的是竞品，也就是品质好单价高的商品，针对后者，要推荐的是爆品，也就是销量大价格低的商品。

在制定完整体的策略后，该如何设计后面的细节呢？这里就需要对用户做进一步的分层，比如针对购买频率低、消费金额高的用户，我们可以再次做分层，比如根据购买过的商品品类分层，给买过首饰的用户推荐首饰类的优惠券，给买过衣服的用户推荐衣服类的优惠券，给买过奶粉的用户推荐奶粉的优惠券。

用户分层是一个用户筛选的过程，筛选的颗粒度越细，我们能够制定的策略就越有针对性，那么用户转化的效果就更好。

在前面一节，我们学习了功能留存分析矩阵，如果你想提高某一项功能的用户留存率，该怎么做呢？给使用过这个功能的用户推送PUSH消息呗，这里就是一个最简单的用户分层，使用过这个功能和没有使用过这个功能的用户。

按照业务目的来做用户分层，也就是说，每个产品中可以建立很多个用户分层，但需要注意的是，每一种用户分层的维度只有一个，比如按照某个功能的30日内使用天数做分层，可以分为使用超过15天、7-15天、3-7天、1-3天的用户。
这是一个合理的分层，分层的目的呢你可以从使用超过15天的用户身上继续挖掘这些用户的使用特征，例如分析用户的需求、喜好、使用场景，得到这些信息后可以指定策略来提高使用1-3天用户的使用天数。
这是按照30日内的使用天数做分层，但你不能说30日内使用过A功能超过15天的用户和使用过B功能超过15天的用户是一种用户分层，因为这个分层的维度不同，不具备可比性，也没有指导具体增长试验方式的价值。

这篇关于通过功能留存分析矩阵提高留存率的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！