App 的隱形殺手 - 留存率

成也留存，敗也留存

Jason | 20160922

1

今天要跟大家分享...

● 留存率的白話解釋

● 定義與量測用戶留存

● 留存率的趨勢判讀

● 改善留存率 - 行為分群

Jason 目前服務於 KKTV參與過 WhatsTheNumber / ParrotTalks / KKTV（非常偶爾幫朋友看 App 數據，大概幫忙看過 2~3 個 App）

2

留存率的白話解釋

01

3

狀況 1

狀況 2

我要選哪一個？？

如果我開了一間餐廳...

4

每個月能吸引 1000 位新客人 相當於每天 40 人，工作 25 天

熟客回頭比率 60% 假設固定

每個月能吸引 1500 位新客人 相當於每天 60 人，工作 25 天

熟客回頭比率 40% 假設固定（本月用餐，下個月願意再回來）

狀況 1

狀況 2

3 個月後...

5

每個月能吸引 1000 位新客人 相當於每天 40 人，工作 25 天

熟客回頭比率 60% 假設固定，本月用餐，下個月願意再回來

當月食客總數 1,960 人 一開始比較低

每個月能吸引 1500 位新客人 相當於每天 60 人，工作 25 天

熟客回頭比率 40% 假設固定，本月用餐，下個月願意再回來

當月食客總數 2,340 人

狀況 1

狀況 2

8 個月後...

6

每個月能吸引 1000 位新客人 相當於每天 40 人，工作 25 天

熟客回頭比率 60% 假設固定，本月用餐，下個月願意再回來

當月食客總數 2,458 人 逐漸追上

每個月能吸引 1500 位新客人 相當於每天 60 人，工作 25 天

熟客回頭比率 40% 假設固定，本月用餐，下個月願意再回來

當月食客總數 2,498 人

狀況 1

狀況 2

12 個月後...

7

每個月能吸引 1000 位新客人 相當於每天 40 人，工作 25 天

熟客回頭比率 60% 假設固定，本月用餐，下個月願意再回來

當月食客總數 2,495 人 幾乎沒有增加

每個月能吸引 1500 位新客人 相當於每天 60 人，工作 25 天

熟客回頭比率 40% 假設固定，本月用餐，下個月願意再回來

當月食客總數 2,500 人 幾乎沒有增加

● 兩個狀況都不好 => 最終沒有任何食客，每個月穩定地來吃飯

8

如果我開了一間餐廳...

● 初次來店 4 個月後，還有 2.5% 的食客，每個月來吃飯

9

理想情況

以餐廳來比喻

● 食客初次來店之後

● 前 X 個月，有 A% 的人願意再回來

（ X = 0, 1, 2, 3… ）● Y 個月後，有 B% 人穩定回來

（Y >= X ）

最重要前提：穩定回來

有一批忠實顧客，定期回來吃飯

前提滿足後，我們希望：

● X 和 Y 越小越好

● A 和 B 越大越好

10

留存率

Y

B

X1

X2

A1

A2

定義與量測

用戶留存

02

11

這些算是留存嗎？

● 訂位，最後爽約

● 入座點餐，等太久，結果中離

● 客人路過，進來打屁、聊天、抬槓

開餐廳就是要客人「吃喝」，然後「付錢」

有吃有喝有付錢，才算留存

以餐廳來比喻

● 食客初次來店之後

● 前 X 個月，有 A% 的人願意再回來吃喝付錢

● Y 個月後，有 B% 人穩定回來吃喝付錢

12

如果我開了一間餐廳...定義留存率

定義留存率：反問自己

● 我希望用戶上來服務，做什麼事情？

● 用戶上來服務，獲得什麼價值？

量測 App 留存率：仰賴事件追蹤 event tracking● 註冊後，量測用戶「享受價值」的事件

● 註冊後，量測用戶「創造價值」的事件

舉例：

● KKTV：「播放」影片（享受）

● Instagram：「成功上傳」內容（創造），或「和內容互動」或「和朋友互動」（享受）

KKTV 的留存率：註冊後 X 個月，有 A% 的人願意穩定回來播影片

13

量測留存率

定義留存率：反問自己

● 我希望用戶上來服務，做什麼事情？

● 用戶上來服務，獲得什麼價值？

● 我覺得理想上，用戶「多久回來」一次？

量測 App 留存率：仰賴事件追蹤 event tracking● 註冊後，量測用戶「享受價值」的事件

● 註冊後，量測用戶「創造價值」的事件

● 量測不同的時間長度：「天留存」、「週留存」、「月留存」、「自訂期間留存」

14

量測留存率

留存率的趨勢判讀

03

15

● 頭幾期的留存：有沒有給用戶好的「第一印象」？

● 同期來源分群：有沒有抓到對的人？哪個管道的效率或品質較好？ （Attribution）因為相同時間，產品/服務的功能、狀態相同，所以可以用來比較用戶渠道

看每一行 Row：依照初次入座的時間分群，看單群的留存情況

16

KKTV 的例子：上新劇、提升產品穩定性

數位廣告 vs 其他管道

看每一欄 Column：長期下來，留存率的變化？

17

● 服務長期的表現：有沒有更能留住用戶？第一印象有沒有改善？

● 跨期來源分群：不同的行銷策略、行銷活動，成果如何？

相同渠道，跨不同時間，用了不同的行銷策略，差異在哪？

KKTV 的例子：上新劇、更新產品說明、更新推播機制、更新廣告素材

看對角線 Diagonal ：影響所有用戶的事件

18

● 服務穩定的表現：有沒有發生大規模故障？

● 用戶經營的成效：跟現有用戶群互動，保持溝通？

KKTV 的例子：後台故障、跟播劇上架、廣播推播

對角線是同一天

● n：期數

第 “2” 個月則 n = 2

● Rn：第 N 期留存

● R1：第 1 期留存

● d：衰減係數

把曲線分階段觀測

Retention 是長期觀測，所以要等幾週、幾個月，才知道改善效果？其實不用，可以快速反應

● 特性一：提高第 1 天/週、第 2 天/週留存，整條留存曲線會一起上升

● 特性二：Daily 和 Weekly 和 Monthly 的留存曲線，其實非常相似○ 前提：理想使用週期是「每週到每月」

○ 相似的定義：前三個點的位置很接近，下滑的趨勢（形狀）很接近（用 Rn = R1(n)d 估算）

○ 參考資料：[干货烧脑]如何预测一个互联网产品的未来—一套关于产品的数学模型

19

幾個有趣的特性

改善留存率 - 行為分群

04

20

行為分群

21

簡單來說：

● 依照用戶「執行過什麼 App 內事件」來分群

● 依照用戶「遭遇過什麼事件」來分群

因為我想知道，下列用戶，誰有較高留存率？（以 KKTV 為例）

● 執行過什麼事件：○ 「註冊後 24hr 內，沒有播放」 vs 「在 24hr 內有播放」

○ 「沒使用過某個功能」 vs 「使用過」 vs 「使用過幾次」

● 遭遇過什麼事件：○ 「沒收過某個推播」 vs 「收過某個推播」 vs 「收過且點開」

分析比較後，若發現「做過/遇過某個事件」有較高留存 => 設計實驗，嘗試證明因果關係

22

用 Amplitude 做 Behavioral Cohort Analysis

KKTV 的例子：註冊後 24hr 內，播放影片

已知「註冊後 24hr 內有播放」的用戶，之後更願意回來，繼續播放

但是：

● 因為「註冊後 24hr 內有播放」，所以穩定回來？

● 因為「抓對了用戶」，所以「願意 24hr 內播放」，所以穩定回來？

經驗是：

● 通常兩種情形都有，只是看那一個份量比較重

● 看那一個「交給誰更容易達成」：○ 產品中容易設計「讓用戶 24hr 內找到想看內容」的流程？

○ 行銷上容易找到「已經知道要看什麼」的用戶？

23

為什麼要設計實驗？

24

● Lecture 6: Growth - How to Start a Startup - Sam Altman

● Lean Analytics

● How to Measure User Retention and Track Improvement

● 你能找到的最深入的留存分析文章：留存、增长、Magic Number（其實模仿 Amplitude？）

● [干货烧脑]如何预测一个互联网产品的未来—一套关于产品的数学模型

● New data shows losing 80% of mobile users is normal, and why the best apps do better

● Amplitude, Segment.io, Flurry 的部落格

● Brian Balfour's Coelevate

玩玩 Amplitude● Amplitude Demo

建議的閱讀

THANK YOU

25