宏观数据指标简介(下):「留存」与「活跃」究竟怎么看

上篇笔者介绍了宏观数据指标中的『新增』与『卸载』,这篇文章将会详细地阐述另外两个概念:『活跃用户』与『留存用户』。并且会『新增』『卸载』『活跃』『留存』的关系进行细致的梳理。

这一篇文章的信息量相较于上一篇只增不减,同时这篇文章也是宏观指标的结尾篇,预期读完这篇文章后,你对于这些常见的『宏观指标』,将不再陌生。

一、 活跃用户

先给出活跃用户的定义:能被统计平台检测到的 APP——简单的来说,就是活着的 App。
『活跃用户』可以说是产品最息息相关的数据指标,因为只有活着才意味着 App 真的有被使用,这样的状态才有可能为 App 所属的公司产生价值。
关于活跃用户有三个重要的概念:日 / 月活跃、主 / 被动活跃、新 / 老用户。

1. 日 / 月活跃用户

『日活用户』与『月活用户』唯一的区别在于:划分的时间单位不一样。所以,这个小节重点阐述日活用户。
补充一下,日活跃用户与月活跃用户的简称分别:是日活与月活,英文简称 DAU 与 MAU。
日活跃用户指的是:每天能够被数据平台监控到的 App,如下图所示:

大家可以看到:示例 App 在头几天的日活波动比较大,但是在经历了一段时期的下滑之后,慢慢地回升并最终趋向了平稳。

2. 主 / 被动活跃

在阐述主动活跃用户与被动活跃用户之前,先举一个例子:
> 第一天假设 100 人安装并打开了示例 App,第一天结束之后,有 50 人卸载了示例 App。
第二天在剩余的 50 个用户中,有 5 人手机关机,5 人使用后台清理程序将示例 App 进行了后台清空,剩下的 40 人收到了示例 App 的推送通知,其中 30 人打开了示例 App 进行了使用。

虽然看完上面的文字你会有些晕,但是用于解释『主动活跃用户』与『被动活跃用户』却是一个极好的案例。
主动活跃用户简称主活,指的是:那些被打开过的 App。
所以,第一天示例 App 的主活为 100,第二天为 30,同样的这部分用户也是价值最大的。
被动活跃用户又称活跃用户,是:包含了『主动活跃用户』在内的所有活跃用户——只要没有被系统杀死的 App 都是被动活跃。所以,只要那些还能收到通知的用户,都算作是被动活跃用户。
因此,示例 App 的第一天被动活跃为 100,第二天的被动活跃用户为 40。

3. 新 / 老用户

其实在刚才的案例中,你也发现了:新增用户也被归为活跃用户。
这是因为新增用户也打开(使用)了示例 APP,所以符合活跃用户的定义。那我们如何区分活跃用户中的新老用户呢?
对于新老用户的划分,没有一个统一的标准,目前常用的有两个划分依据:

  • 24 小时新用户: 从第一次打开示例 APP 起的 24 小时内的用户都属于新用户。
  • 自然日新用户: 以自然日为划分标准,凡是第一天新增的用户都是新用户,即便是第一天 23:59:59 新增的用户,也算作是新用户。

两个划分没有优劣之分,每个产品按照自己的具体情况来进行统计。
一般来说,『24 小时新用户』更加的准确,但是统计起来也相对比较麻烦;『自然日新用户』则相反,统计起来比较简单,但是在精确度上打了折扣。
最后需要强调的一点是:『活跃用户』与『新增用户』是两个相对独立的概念——即便没有新增,活跃也能单独的存在(老用户)。
这与前面提到的『卸载』,以及接下来要说的『留存』有着很大的不同,因为卸载和留存只有在新增用户的前提下,才有存在的意义。

二、 留存

在说完了『新增』『卸载』『活跃』之后,有关『留存』的很多概念理解起来就会容易很多,原因是:『留存』于上述的三个概念存在着千丝万缕的关系。
虽然从字面上觉得留存二字很好理解,但是,在实际的应用中,哪怕上述三个概念有一个没有明白,都很有可能在这个章节中云里雾里。所以,再有了这个预设后,请仔细浏览下面的阐述。
留存指的是:一批新增用户中,在指定的时间段内,没有卸载的用户。
所以,新增、卸载、留存的关系可用如下关系式表达:
新增 = 卸载 + 留存
《宏观数据指标简介 (上)》 中提到过这么一句话:卸载是衡量一个产品好与坏非常直观的指标,所以非常的有意义。
可由于卸载的用户数非常难以统计到,所以根据上述公式,真正的留存也难以统计到的。但是,留存并不会因为它难以被真实统计到而被提之甚少,相反,它可能是产品数据中,几个频次出现最高的数据指标之一。
原因是:在实际的统计分析中,我们会用『活跃用户』替代『留存用户』。
在解释具体的原因之前,得先引入一个新的概念——静默用户,指的是:那些没有被卸载,同时也无法向统计平台发送事件的 App。
例如:被手机清理程序杀死的 App;关机状态下,手机里面的 App……
所以,关于留存用户又可以通过下面的公式来表示:
留存用户 = 活跃用户 + 静默用户
讲到这里,使用活跃用户替代留存用户的原因就很明朗了:数据统计平台只能统计到活着的用户!
最后用一句话总结实际工作中的使用的留存用户:一批新增用户中,在指定的时间范围内,依然可以被数据平台统计到的 App,被称之为留存用户。
接下来的文字描述中,如果对于『留存用户』没有特殊说明,均是指可以被数据统计平台统计到的 App(除去静默用户)。

1. 存活率(留存活跃率)

通常我们会用『留存率』这个指标来表示留存的好坏,常用的留存指标有:24 小时留存、次日留存率、7 日留存率、15 天留存率、30 日留存率。
这里重点要强调:『24 小时留存率』与『次日留存率』
24 小时留存率指的是:一批新增用户中,从首次打开示例 App 的时刻算起,24 小时过后,依然能被数据统计平台统计到用户数量占据新增用户数量的百分比。例如第一天的新增用户为 100 人,这 100 人里面,在安装了 24 小时的那一刻,还能被统计平台统计到 30 人,那么这批新增用户的 24 小时留存率为 30%。
而次日留存率则表示:第一天的新增用户中,在第二天依然能被数据统计平台统计到的用户。
例如:第一天的新增用户为 100 人,如果过了第一天 24:00,还剩下 50 人,那么次日留存率为 50%。
如果笼统来看,可能会觉得「24 小时留存率」与「次日留存率」貌似没有什么太大的差别。但是如果仔细琢磨一番,两者的区别不是一般的大。
接下来继续以示例举证:
> 假设对于示例 App 来说,今天的 00:00:00 — 23:59:58 这个时间段一个新增用户都没有,在 23:59:59 这一刻瞬间增加了 100 个用户。
这批用户中,从明天的 00:00:01 开始发生卸载行为,并在明天的 23:59:58 这一刻刚好全部卸载。也就说,在明天的 23:59:58 这一刻,今天的 100 个用户一个都没有剩下。

那么,这 100 个用户中,次日留存率为 100%,而 24H 留存率为 0。
因为次日留存率的时间间隔为自然日,而 24 小时留存率的时间间隔是实打实的 24 小时。
至于「周留存」「15 天留存」「30 天留存」其定义跟「次日留存」是一样的,只是时间间隔由自然日变成了自然 7 天,自然 15 天,自然 30 天……

2. 留存系数

在「卸载」部分提到过:目前面向国内的 App 非常难以获得「卸载率」这么一个核心指标,所以就导致了绝大多数情况下,相关的从业人员只能通过「留存率」来评判一个产品的好与坏。
下面是一张常见的产品留存率的示意图:

大家可以看到:产品的留存率在头几天急剧的下降,后面几天留存率基本上不再有太大的变化。(当然,具体的原因就不再解释了。)
而蓝色部分的面积就可以代表:这些天累积的留存用户。
别小看了『累计留存用户』这个词汇,这个指标直接决定了示例 App 的生死。因为只有留下来的用户越多,示例 App 才有能挣更多的钱,反之,如果累计留存用户越少,那么,示例 App 所属的公司可能再也熬不多互联网的寒冬了。
所以,越早的知道累计留存用户,越有利于及时的做出调整,赢得更多的生存空间。
但是,如上图所示:如果通过第一天的留存率,就能预测出未来几天甚至是十几天的累计留存用户。那对于任何一个 App 来说,都是一件意义重大的事情,而留存系数刚好可以解决这个问题。
所谓的『留存系数』指的是:对已有的 App 的留存率进行积分运算,得到一个比较稳定的积分公式。
以上图为例,通过 Excel 的预测函数,可以推出目前示例 App 的『留存系数』为
y = 0.0001×4 – 0.0037×3 + 0.0478×2 – 0.2526x + 0.4826
所以,有了留存系数,我们只需要知道第一天的留存率,就能大概的预测出未来几天示例 App 的留存情况了。

3. 留存存活率

留存存活率指的是:一批新增用户中,留存的用户中(这里特指没有卸载的用户)活跃用户的占比,主要用于衡量示例 App 的存活能力。
简单来说,每一款 App 都希望被用户一直使用着,哪怕能够偷偷摸摸在后台苟且也是一件值得庆幸的事情。因为只要活着,就有希望!
但是,残酷的事实是:现在手机对于 App 的管理越来越严苛,一旦示例 App 放入后台,那么其存活的可能性就变得极低!在这种情况下,“如何保证示例 App 的存活率?”,就成了一件十分头疼的事情。
常见的保活方式有两种:

  • 提高示例 App 自身的存活率,即便手机对后台 App 管理的十分严苛,示例 App 本身也能通过技术的手段抵抗手机系统的杀死。
  • 通过其他活着的 App 进行唤醒,例如:用户手机中装了 3 款 App,其中并且这 App1、App2、App3 都被杀死了,如果此时用户打开了 App1,App1 就会暗地里启动 App2 与 App3。这样一来,只要 App1 活着,即便 App2 余 App3 再次被系统杀死,也能通过 App1 被唤醒。

至于两种方案的好坏,这里暂不评价。但是,留存存活率就是衡量上保活方案关键指标,在给出『留存存活率』的公式之前,我们再次回忆一下:新增、卸载、留存、活跃之间的关系:
新增用户 = 留存用户 + 卸载用户
留存用户 = 活跃用户 + 静默用户
至于留存存活率可用如下公式表示:
留存存活率 = 活跃 /(新增 - 卸载)
不要小看存活这个能力,因为很多应用被打开的几率非常低。想想自己的手机里,是不是有很多 App 常年吃灰,例如:计算器。
如果一个 App 被安装后,再也没有存活的机会,其实跟被卸载了也没什么区别。所以,对于这些低频次的 App,它所能做的就是努力的活下去。人生不易,App 亦是如此!

三、小结

终于把『产品宏观数据指标』做了一个结尾,本来想对这篇文章做个精简,没想到修改下来,又多出了 2000 多字,不过好歹算是把该说的都说完了。
对于没有接触过产品数据分析的同学来说,这几篇文章读起来会比较累。因为每篇文章都牵扯到了很多概念,而且所有的观点与陈述,也仅仅是自己的一家之言,存在着很大的局限性甚至是错误,但对于仅仅想入门了解的话,已经是足够了 ~。
 
作者:MING,个人公众号:MING 的大航海,知乎专栏:产品见知录