App 的隱形殺手 - 留存率

1,042 views

Published on

怎麼看留存率?

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

Published in: Data & Analytics
0 Comments
29 Likes
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total views
1,042
On SlideShare
0
From Embeds
0
Number of Embeds
5
Actions
Shares
0
Downloads
0
Comments
0
Likes
29
Embeds 0
No embeds

No notes for slide

App 的隱形殺手 - 留存率

  1. 1. App 的隱形殺手 - 留存率 成也留存,敗也留存 Jason | 20160922 1
  2. 2. 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
  3. 3. 留存率的白話解釋 01 3
  4. 4. 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)
  5. 5. 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
  6. 6. 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
  7. 7. 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
  8. 8. ● 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...
  9. 9. ● 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
  10. 10. 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
  11. 11. 定義與量測 用戶留存 02 11
  12. 12. 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
  13. 13. 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
  14. 14. 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
  15. 15. 留存率的趨勢判讀 03 15
  16. 16. ● 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
  17. 17. 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
  18. 18. 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
  19. 19. ● 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
  20. 20. 改善留存率 - 行為分群 04 20
  21. 21. 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. 22. 22 用 Amplitude 做 Behavioral Cohort Analysis KKTV 的例子:註冊後 24hr 內,播放影片
  23. 23. 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. 24. 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
  25. 25. THANK YOU 25

×