循序渐进的增长黑客指南：如何提高用户留存

在用户留存率低迷的情况下，仍然投入巨额预算去拉新/获客，那么你其实就只是在租用流量而已。既然如此，那我们要如何去提高用户留存？

在上一文《循序渐进的增长黑客指南：如何提高用户注册转化与用户激活》中，我们已经分享了如何从“目标用户-文案内容-渠道选择-落地转化”这个漏斗中去提高用户注册转化率。那么在用户完成注册转化之后，增长黑客的工作就是尽量去留住用户——用户留存率高，用户生命周期长，用户生命周期价值就高。

我在《AARRR已是过去式，而RARRA才是更好的增长黑客模型》一文中提过，注重用户增长的AARRR模型已经失去了实际意义——2007年McClure提出“海盗指标-AARRR模型”时获客成本（Customer Acquisition Costs, CAC）还很低，所以AARRR模型强调“获客/用户拉新(Acquisition)指标”是首要指标。

但是今天，市场情况已经完全不同了。你去看现在各大广告/社交渠道的流量价格，获客成本CAC已经高到离谱，市场情况和2007年已经完全不同。所以如果到现在这个发展阶段了，首要任务还在强调获客，我觉得是不合适的。

所以我们需要一个更好的增长黑客模型，那个模型就是RARRA模型。

RARRA模型

而在RARRA模型中，用户留存Retention是最被关注的要素——因为用户留存率能够真正反映产品的价值。正如我所一直强调的那样，如果你在用户留存率低迷的情况下仍然投入巨额预算去拉新/获客，那么你其实就只是在租用流量而已，这根本就算不上是真正的获客，因为不管你拉新多少新用户，他们最终都流失了。

那么应该如何提高用户留存率？

我先泼盆冷水，提高用户留存绝对不是简单的教你几招武术招式，而是靠数据去分析并驱动的。所以在我们采取一系列运营行为试图去提高用户留存之前，需要先进行用户留存分析和群组分析，需要搞清楚用户留存率有多少、用户是在什么节点流失的以及为什么用户流失，这是你做出所有运营干预的基础，然后我们再有的放矢地进行优化实验，否则就是无用功。

搞清楚这三个问题，至关重要：

要分析用户留存率，我们可以尝试群组分析Cohort Analysis。

什么是群组分析Cohort Analysis？

群组分析Cohort Analysis是指你根据用户来源或用户行为对用户进行分组，以了解他们在你产品上的留存情况。群组分析Cohort Analysis我们一般主要分为两类：

如何运用获客群组分析，我们可以来看一个例子：

示例1：获客群组-按照获客渠道划分-用户留存率

示例1所示的是按照不同的获客渠道所划分的获客群组Acquisition Cohorts，你可以从表中分析周留存，即7日留存情况：

获客渠道群组分析Acquisition Cohorts有什么作用？

你可以通过比较不同的用户来源，然后筛选出最优质的渠道。

比如，你可以在上表中分析发现：通过搜索引擎自然流量（Organic Search）来源的用户最多（可能是SEO优化做得最好），但是它的周留存率是很低的。但是通过直接输入网址访问（Direct)）的用户数量虽然没有搜索引擎自然流量（Organic Search）来的多，但是周留存率是最高的（可能对产品已经产生了品牌信赖）。

而通过电子邮件(Email)来的用户虽然不多，但是周留存率是比较高的，后期可以在这个渠道加大营销投入。相反，通过搜索引擎竞价流量(Paid Search)来的用户，不光是数量少，而且留存率也最低。

所以你后期在调整营销战略的时候，可以缩减搜索引擎关键词竞价预算，转而把经费投入到电子邮件营销当中去，或者打磨产品两点，增加直接输入网址访问（Direct)）的用户粘性和留存。

我们再来看一个例子：

示例2：获客群组-按照获客日期划分-用户留存率

示例2是按照获客日期划分的获客群组Acquisition Cohorts，你可以从表中分析：

获客日期群组分析Acquisition Cohorts有什么作用？

这张图表能够明确的告诉我们Day1的用户流失率是最高的，从1月25日到2月3日共计13487名新用户（Day0）到了Day1平均留存率仅仅才27%，也就是说13487人在Day1当天就只剩下3641人了，剩下的9846人全部离开了，用户流失率高达73%。

所以你已经明白了——用户在第一天的流失情况最严重，至于用户流失的原因，你不知道。因为获客群组分析只会告诉你用户在第几天流失了，但不会告诉你具体流失的原因以及具体的流失节点。

所以我们需要运用用户行为群组分析，来洞察用户流失的原因和具体流失的节点。

我们可以来看一个例子：

示例3：用户行为群组-用户引导Onboarding-用户留存率

通过上图，我们选择了用户引导（Onboarding）作为观察项，看看用户在完成用户引导（Onboarding）之后的留存情况。仔细观察会发现最大的流失率是在Day1，平均留存率都是23%-27%之间，那意味着完成用户引导Onboarding之后，流失率竟然高达73%以上！

那么这就表明了用户引导Onboarding出了问题，我们需要完善Onboarding用户引导，告诉用户我们的产品价值、产品功能等等。

用户行为群组分析Behavioral Cohorts有什么作用？

它可以告诉我们用户为什么流失以及用户具体流失的节点，用户行为群组分析Behavioral Cohorts和获客渠道群组分析Acquisition Cohorts是相辅相成的。

如果说用户行为群组分析(Behavioral Cohorts)不太便于理解，那么漏斗分析模型就更能直观地表现用户的流失情况，而且会将用户流失的情况更为具象化，我们举个例子：

示例4：漏斗模型-用户引导Onboarding-用户流失率

从示例4中，有多少新用户成功地完成了所有引导页流程？

我们来分析整个漏斗的完整流程：下载安装—登录App—引导页1—引导页2—引导页3—完成用户引导Onboarding

我们分析这个漏斗模型的结果是——大多数用户在从引导页2进到引导页3阶段放弃了，最终完成整个用户引导Onboarding的只有30%的用户。

这个漏斗分析模型有说明作用？

这个漏斗分析模型告诉我们——用户之所以流失严重，是因为Onboarding页面出了问题，而且是Onboarding页面3出了问题。

那么我们应该如何完善？

用户引导页面Onboarding Pages对于产品是非常重要的，首先它是对产品主要功能的描述，其次是向用户传递产品的价值，再次是帮助用户更好地使用产品。所以如果引导页面Onboarding Pages不吸引人，那么用户的好感度就会下降，建议做文案上或者视觉设计上的A/B测试，然后再次试验、分析、调整。

以上只是举例说明用户行为群组分析和漏斗模型分析需要结合着使用，这样能够帮助你更加清楚直观的分析用户流失的时间以及用户的流失节点。

所以通过以上的三点：

我们就能够知道：

那么我们接下来要做的，就是针对具体的问题，去针对性的、有的放矢地运营，才能真正提高用户留存。

数据驱动增长是真正的关键所在。