Question

确定了留存的衡量指标后，下一步就是更细致地筛查留存数据。可以利用群组分析方法来确定不同用户群的留存率，这可以让你更加深入地解读数据，找出用户留下或者离开的原因。

你可以将用户细分为不同类型的群组。最基本的做法是按照获客时间进行划分，也就是按用户完成注册或者第一次购买的日期来分类。通常是按月份分组，但正如前面所讲，对于某些类型的公司而言，按周甚至按天分组可能更有意义。这听上去十分烦琐，但它可以让团队发现留存方面存在的问题，所以一切辛苦都是值得的。按照获客时间来跟踪用户可以让团队掌握用户群的整体状况。随着营销力度的加大，现在获取的用户留存率是否与之前的用户一样高？如果公司成功地吸引大量新用户，这表明销售或者注册进展很顺利。这种情况下，如果不按获客时间来跟踪留存就不容易发现隐藏的流失。

利用群组分析还可以察觉问题的苗头。比如，增长团队可能发现，某次营销活动或者一年中某个时间段内获取的用户流失情况尤其严重。也许他们发现，前两个月新用户很活跃，但从第三个月开始每个群组都有很多人开始流失。

为了说明如何发现问题以及如何利用群组分析获得宝贵信息，找出流失原因，我们来看一个视频流服务的例子。这个视频流服务的用户按月付费，并且可以在任意月份取消订购。公司决定按照新用户注册的月份来对用户进行分类。如表7–1列出了这些数据。还要提醒一句，按照群组显示留存数据的电子表格读起来非常困难，所以将各个群组的数据绘制成留存曲线十分有帮助，这样很容易就能发现值得深入调查的数据规律。

表7–1 群组跟踪工作表（2015.01—10）

资料来源：克里斯托弗·詹兹（Christopher Janz）

表格的左侧是每月注册的用户数，也就是我们要一直跟踪的群组。表格上半部分记录的是各个群组每月留存下来的用户绝对数。可以看出，1月注册的150名新用户中，留存到2月的有140人，3月130人，这之后每月的留存人数以相对稳定的速度递减，7—10月该群组继续使用服务的人数维持在95人左右。再往后你会发现，2月和3月注册的用户也显示出相似的留存比例。

但是，4、5、6这三个月发生了急剧变化。最明显的是每月新增用户的人数从之前的100多人陡增到6月的450人。如果公司的增长团队只是以获取新用户为目标，那么他们就该欢喜了，因为他们成功地提高了每月的注册量。但是，仔细观察你会发现，4、5、6月这三个群组的留存情况没有前面几个月好。数据显示，注册当月一过这三个群组的用户数量就开始急剧下滑，而且留存数量也没有像1—3月那样表现出任何稳定的迹象。

为了让这些数据在总览图中更加一目了然，团队可以利用群组图表中的数据绘制留存曲线图。为了简化问题我们只绘制两个群组——1月群组和5月群组，但其实增长团队通常会同时绘制所有月份的留存曲线。从图7–3可以看出这两条曲线差别很大，当1月的曲线开始趋于平稳时，5月的曲线还在继续下行。

图7–3 群组比较反映出巨大差异

很明显，增长团队可以从这些数据中解读出一些重要信息，弄清楚这三个月里究竟发生了什么。要调查清楚用户流失的原因，团队需要更加深入地分析这几个问题群组的数据。

出现这种情况可能是因为公司新一轮的广告宣传吸引了大量新用户，但公司提供的产品却并不适合这些用户。也有可能是因为公司提供了很大的广告促销折扣，但价格恢复正常后大量新用户很快就弃用产品。还有可能是因为公司决定使用新渠道来进行广告宣传，以便更好地针对特定人群投放广告，比如针对在家带孩子的女性。可能广告的效果很好，一下子就赢得了妈妈们的喜欢，但是，当她们和自己的孩子一起看了几部电影后发现里面可选的电影并不是十分丰富，于是她们取消了订阅。意识到广告宣传和留存率下降之间存在某种关联之后，增长团队就可以利用这个宝贵信息来决定尝试哪种试验。显然，这些妈妈成为潜在新用户的可能性很大，但是在向她们展开第二轮广告攻势之前公司应该在电影库中增加她们爱看的电影，或者用更好的方式突出显示已有的电影资源，让用户一注册就能看到有哪些电影可以选择。或者，团队一时还无法看清用户流失的真正原因，这时他们就应该基于这些观察针对流失用户开展问卷调查，询问她们为何取消订购。团队可以通过一些问题来验证假设：可选择的电影有限的确是用户取消订购的原因。

按获客月份对用户进行分类只是群组分析的第一步。你还需要创建其他类型的群组，例如按照获客渠道来划分群组，如用户推荐计划群组和付费广告群组等。还可以根据用户访问网站的次数或者购买次数来分类。对于视频流服务增长团队而言，还可以按照用户在第一个月内观看节目的数量或者电视剧的集数，或用户在第一个月内观看视频的天数来分类。用这种方式分析数据可以让增长团队找到使用频率与留存率之间的关联，同时还能帮助他们找到可以带来更高留存率的电影或者视频节目。

不同的商业模式，比如电子商务，可能有不同的群组划分方式。假设我们的食品商店App团队根据用户注册后第一个月内购买商品的次数来划分群组，如第一个月内使用App下单一次、下单两次、下单三次的群组。通过连续6个月跟踪不同群组的留存情况，团队可能发现，每月下单三次及三次以上的群组留存率远远高于其他群组，所以，完成注册后第一个月内购买三次就是一个拐点。这个发现让团队将试验重心放在增加用户注册后第一个月内的购物次数上。

值得注意的是，使用群组或者上面介绍的其他方式来跟踪留存需要强大的分析能力，这是像谷歌分析这样的基础网络分析工具无法做到的。如果你已经建好用户数据库，能够根据适当的变量对用户进行分类，那么数据分析师就可以相对容易地整合这些报告。你如果缺少一位专职的数据分析师，那你就可以考虑使用像Mixpanel，Kissmetrics或者Amplitude这样能分析庞大数据的分析工具。尽管谷歌分析新近增加了群组分析功能，但是这些工具更强大，能够让你完成像上面那样更精细的分析，而且它们使用起来也很简单。